Ticketmatic financiert een leerstoel aan de KU Leuven om zijn klanten te helpen hun data beter te verzilveren, zeg maar tot goud te maken. Een onderzoeksgroep die ook de voorspelbaarheid van fouten in software bestudeert.

Ondernemingen worden al jaren aangespoord om met datamining en ‘business intelligence’-producten hun bedrijfsgegevens beter te valoriseren (of daarmee te beginnen). Dat is evenwel nog geen gemeengoed in de wereld van culturele en andere evenementen, en daar wil Ticketmatic nu wat aan doen. De producent van software voor ticketverkoop en marketing wil nieuwe tools bouwen zodat zijn klanten – zowel eventbedrijven als cultuurhuizen – hun data voor een meer doelgerichte marketing en klantopvolging kunnen aanwenden. “De sector is op dat gebied haast nog braakliggend,” aldus Eric Lesire, ceo van Ticketmatic, “de grotere organisaties doen er wel al wat aan, maar de kleinere gewoonlijk nog niet, vaak door gebrek aan ict-staf.” De eerste reacties op het voornemen van Ticketmatic zijn in ieder geval zeer positief, klinkt het.

Input van domeinexpertise

Voor het onderzoek naar de nodige nieuwe technieken, klopt Ticketmatic in de komende drie jaar aan bij Prof. Dr. Bart Baesens en zijn onderzoeksgroep ‘beleidsinformatica’, verbonden aan de faculteit Economie en Bedrijfswetenschappen van de KU Leuven. Niet onlogisch, want het gaat hier niet zozeer om pure computerwetenschappen, stelt Baesens, dan wel het nuttig gebruik van data en informatie in organisaties en bedrijven.

Zijn onderzoeksgroep heeft hierrond een jarenlange ervaring opgebouwd, onder meer wat het inschatten van kredietrisico’s en fraude betreft, evenals factoren inzake klantenverloop (met innovatieve aspecten als rekening houden met de sociale netwerken van die klanten). “Dezelfde technieken zijn ook toepasbaar op data van andere gebieden, zoals de evenementensector,” onderstreept Prof. Baesens. Zo werd vorig jaar in het kader van een masterproef al een test gedaan in het Leuvense muziekcentrum Het Depot door Alex Seret, die nu ook de leerstoel gaat invullen.

Het onderzoek zal zich toespitsen op de elementen in de verkoop die echt informeren over de belangstelling van de klant, met het oog op een passende marketingaanpak en een betere dienstverlening, zeg maar “het creëren van een relatie met de klant.” Er zal een model worden gecreëerd, waar iteratief meer domeinkennis zal worden in opgenomen voor het verkrijgen van meer verfijnde en gerichte resultaten. Op die wijze zullen organisaties leren welke informatie ze op het ogenblik van de aankoop moeten inwinnen en hoe vervolgens die gericht aan te wenden. Ticketmatic zal aan de onderzoeksgroep inzicht bieden in de verschillende marktsegmenten (toneel, concerten,…), naast bijkomende domeinexpertise, tot en met zelfs ‘buikgevoel’-input. Kortom, het wordt “geen platte datamining”, stelt Baesens, maar een bijsturen zonder manipuleren, met nadruk op de kwaliteit van data en conform de specifieke noden van een event of cultuurhuis. Bij het inwinnen van de data zal ook respect worden betoond voor de geldende wetgeving en reglementen, terwijl ook de beveiliging van de data wordt verzekerd.

Deze laatste aspecten maken dat Ticketmatic de nieuwe producten op basis van dit onderzoek niet alleen als on premise producten zal aanbieden, maar allicht ook ‘as a service’.

Gezien de recente kritiek op dergelijke gefinancierde leerstoelen benadrukken de beide partijen voorts dat er geen resultaatsverbintenis werd afgesloten, en dat de eventuele resultaten ook voor derden beschikbaar zullen zijn. Zelfs het opstarten van een eigen bedrijfje door de onderzoekers wordt daarbij niet uitgesloten, geheel in de traditie van Leuven Inc.

Softwarefouten voorspellen

Overigens zijn de technieken zoals ontwikkeld door de groep rond prof. Baesens ook op geheel andere terreinen toepasbaar. Zo werd ook een onderzoeksrichting opgestart met het oog op de voorspelbaarheid van fouten in software. Je kan op basis van historische gegevens, zoals datasets van de Nasa (o.a. testresultaten over welke modules welke types fouten vertonen), nagaan hoe groot (of groter) de kans op fouten wordt naarmate bijvoorbeeld de definitie van Javaklassen in software complexer wordt, klinkt een simpel voorbeeld. Met amper een goed jaar onderzoek achter de rug wordt er gekeken naar technieken om de inspanningen voor een stuk software in te schatten. Daarbij zal ook rekening worden gehouden met meer dynamische methoden van softwareontwikkeling, met analyses die doorheen de cyclus worden aangepast aan de noden en mogelijkheden en dus ook meer dynamische ‘analytics’ modellen voor die software. Met het oog op dat alles wordt vandaag nog gewerkt aan het verzamelen van meer data, en is het wel nog wat vroeg voor algemeen toepasbare resultaten. Bijvoorbeeld om de lessen uit de software van ‘x’ ook toe te passen op een project van ‘y’ met een kijk op de voorspelbaarheid van fouten en het aantal dagen. Maar Baesens ziet dit wel zitten op termijn.

Dat bij het onderzoek in zijn groep een breed gamma aan technieken wordt ingezet, van neurale netwerken, langs Bayesian networks tot swarm intelligence, maakt in ieder geval duidelijk dat het hier weldegelijk nog om basisonderzoek gaat, en geen verkapte productontwikkeling betreft.

Guy Kindermans

Datamining is nog geen gemeengoed in de wereld van (culturele) evenementen.