Spairliners vliegt vooruit dankzij HSO

Na een bepaald aantal vlieguren is het tijd om olie, banden en andere vliegtuigonderdelen te vervangen. Airlines hebben daar onderhoudscontracten voor. Bijvoorbeeld met een partij als Spairliners. Maar hoe bepaal je realistische prijzen in deze contracten? Een uitdaging waarbij HSO ze helpt. Head of Innovation, Data & Quality van Spairliners Jonathan Mayer: “HSO helpt ons met behulp van data en machine learning om de inzichten te krijgen, die noodzakelijk zijn voor het vaststellen van de juiste tarieven.

Voor de komst van HSO was Spairliners continu aan het rekenen, gokken en inschatten wat een onderhoudscontract voor een luchtvaartmaatschappij nou moest kosten. Spairliners baseerde de prijs op het aantal vlieguren en schatte op basis daarvan het benodigde onderhoud in. Door onvolledigheid in data was deze inschatting niet accuraat. Hierdoor was er geen eenduidig prijsbeleid en het beïnvloedde de planning en het voorraadbeheer. “Omdat we goede ervaringen hadden met HSO bij de implementatie van een CRM-systeem en zij gespecialiseerd zijn in Data & Analytics, was dit hét moment om hen ook in te vliegen voor dit vraagstuk", aldus Jonathan.

Irene Reijntjes, data science consultant bij HSO vult aan hoe ze de kwaliteit van de data beoordelen: “Alleen met kwalitatief goede data kun je betrouwbare voorspellingen doen. HSO heeft een methode ontwikkeld om het datalandschap en de kwaliteit te toetsen en gericht te optimaliseren. Bijvoorbeeld door te kijken of er geen sprake is van dubbele records en of er consistentie is in waarden binnen een dataset of tussen verschillende datasets. ”

Na het beoordelen van de data, kon het team overgaan op het realiseren van de architectuur, dashboards en rapportages. Irene legt uit wat ze precies voor Spairliners maakten: “De oplossing die we creëerden, is gemaakt in Databricks. Het enige wat Spairliners nu nog hoeft te doen, is het klaarzetten van input bestanden in het juiste format, bestaande uit onder andere vlootspecificaties.

Deze input wordt in Databricks verwerkt. Uiteindelijk voorspellen we met behulp van Machine Learning het verwachte onderhoud en bijbehorende kosten. De resultaten worden opgeslagen in een data warehouse en gevisualiseerd met Power BI. Dit geeft de gebruiker snel en overzichtelijk inzicht in de benodigde hoeveelheid onderhoud voor een specifieke luchtvaartmaatschappij en bijbehorende kosten.