Tapas & Talks Data Science op externe data
Al weer de derde Riviq “Tapas & Talks”! Op woensdag 12 juni kwamen vele data scientists van onze relaties bij ons op kantoor om het met elkaar te hebben over actuele thema’s in ons vakgebied. Onderwerp van deze avond: hoe kun je met data science waarde halen uit externe data?
Achmea
Maarten Jansen van Achmea nam ons mee door de cases die Achmea heeft op het gebied van externe data. Een heel leuk en leerzaam verhaal waarin duidelijk naar voren kwam dat externe data in diverse soorten en smaken komt, en dus ook vraagt om een specifieke benadering per externe bron. Indrukwekkend wat daar de afgelopen jaren allemaal is bereikt!
Andere cases
Naast Maarten van Achmea hadden we deze avond de kennis en ervaring in huis van diverse slimme data scientists uit allerlei branches, zoals telecom, uitzendbranche, retail, luchtvaart en finance. Dat leverde onmiddellijk veel discussie, frisse ideeën en andere use cases op. De rode draad was toch wel dat de waarde van externe data behoorlijk stijgt als je een toepassing hebt waarbij externe data wordt geïntegreerd met interne data.
Tapas
Geen Tapas & Talks zonder tapas natuurlijk! Miranda had weer gezorgd voor een heerlijke, bonte verzameling Spaanse lekkernijen. En natuurlijk ging de discussie en de uitwisseling van ervaringen hier gewoon verder. Juist deze interactie maakt dit soort evenementen zo waardevol voor ons en onze relaties. Wil je er de volgende keer ook bij zijn? Laat het me gewoon even weten.
Meer weten? Neem vrijblijvend contact op met
Pim Wennekes
Manager data & analytics
pim.wennekes@riviq.nl
+31 621 964 963
linkedin.com/in/pimwennekes
meer over dit onderwerp
Je data-infrastructuur uitrollen met één druk op de knop: 4 voordelen van Infra-as-Code
Lees hoe je met één druk op de knop aanpassingen in zowel je ontwikkel- als productieomgeving kunt regelen
Wat is dbt? De basis van de populaire datatransformatie tool uitgelegd
Maar wat doet deze tool eigenlijk? En waarom is het zo populair? Vladimir Hazeleger legt de basisbeginselen van dbt uit.
In 4 stappen naar een effectief machine learning model om klantgedrag te voorspellen
In deel 2 licht collega Pim Wennekes het stap voor stap toe