In de verschillende datastories hebben we de kracht van Open Linked Data laten zien door de publieke informatie van Alliander in Linked Data vorm te publiceren en te koppelen met externe bronnen. Dit is het natuurlijk het droom scenario, alle data vrij beschikbaar om te bekijken en te analyseren. Maar we moeten ook realistisch blijven. Binnen bedrijven is er ook genoeg data die niet publiekere gedeeld kan worden. Denk aan data over klanten, financiën of medische informatie. Deze data mag niet publiek gemaakt worden maar bevat wel veel waardevolle informatie voor de bedrijfsvoering, zeker als je het kan koppelen met andere databronnen. In deze datastory laten we zien hoe je gesloten data (data die niet publiekelijk beschikbaar is) in Linked Data vorm kan koppelen met andere open data bronnen zowel intern als extern.
Voor deze datastory hebben we de storingen als voorbeeld genomen. Ondanks data deze data publiek is kunnen we hiermee het concept van gesloten en open data goed demonstreren. Op de onderstaande kaart is een combinatie van gesloten Alliander data en open data over gemeenten te zien. Elke storing is gekoppeld aan 1 of meerdere gemeenten en heeft daarnaast een begin- en eindtijd. Op de kaart hebben we de gemiddelde eindtijd geplot per postcode 6 gebied in Arnhem. Door op een postcode gebied te klikken is te zien wat de gemiddelde oplos tijd was en hoeveel storingen er in dit gebied waren.
Disclaimer: Houd er bij het lezen van deze story rekening mee dat de gebruikte data een momentopname is. Niet alle recentere storingen en updates over de oplostijden zijn hierin aanwezig.
Met behulp van onderstaande kaart, kunnen de ingeladen postcodegebieden worden gevisualiseerd. In deze kaart zijn alleen de eerste 400 ingeladen postcodegebieden inbegrepen. Als je over de kaart heen beweegt, worden de postcodes zichtbaar.
Door het gebruik van linked data kunnen we allerlei analyses uitvoeren op data van verschillende bronnen. We focussen ons hier eerst op de gesloten dataset van Alliander, die data over storingen en locaties bevat. Een interessante vraag over deze dataset kan zijn, hoeveel storingen er in totaal zijn opgeslagen. Dit gegeven wordt berekend in de volgende query:
Het totaal aantal storingen zegt ons echter nog niet zoveel, aangezien de data een momentopname volgt. Een interessantere vraag is daarom hoeveel storingen er per jaar zijn geweest, en of hier grote verschillen in zitten. Hieronder laten zien hoeveel storingen er in totaal zijn geweest per jaar. Hierbij is de data van 2023 nog niet meegenomen, omdat dit jaar nog niet voltooid is en dus geen eerlijke vergelijking zal geven.
Zoals je kan zien in bovenstaande tabel, zijn er grote verschillen tussen het aantal storingen in onze database per jaar. Om te achterhalen welke regio's meer storingen ervaren dan andere, gaan we nu op zoek naar de 10 straten die sinds 2012 het meest te maken hebben gehad met storingen. Het resultaat van deze query is zichtbaar in de volgende plot:
Uit bovenstaande plot wordt zichtbaar dat er een aantal straten in Amsterdam veel storingen hebben ervaren.
Om inzicht te krijgen in het aantal storingen per straat per jaar, en zo bijvoorbeeld te analyseren of de situatie voor een specifieke locatie verbeterd is gedurende de periode, kun je kijken naar de resultaten van de volgende query.
Je kan hier een straatnaam en een stad invullen, om vervolgens het aantal storingen te zien te krijgen.
We zagen net al dat een aantal straten in Amsterdam veel storingen heeft ervaren. Een interessante vervolgvraag, is of heel Amsterdam veel storingen ervaart. De volgende 10 steden hebben de meeste storingen gehad in de periode van 10 jaar (2012-2021):
Een disclaimer bij deze resultaten, is dat deze resultaten absoluut zijn, en de oppervlakte van een stad niet is meegenomen in dit overzicht.
De volgende graph laat zien hoe het aantal storingen per stad per jaar verschilt. In deze graph zijn de 10 steden met het hoogste aantal storingen gebruikt.
Naast het aantal storingen, is ook de oorzaak van een storing van belang. Een storing kan bijvoorbeeld veroorzaakt zijn door werkzaamheden, of simpelweg spontaan ontstaan. Hieronder volgt een overzicht van de aantallen waarin bepaalde gebeurtenissen de oorzaak vormen voor storingen.
In de onderstaande query vergelijken we de schatting van de getroffen locaties vanuit de Liander storing melding met het aantal nummeraanduidingen volgens het Kadaster in de getroffen postcodes. In de grafiek is een selectie van storingen opgenomen. Wat opvalt is dat over het algemeen de schatting aardig overeen komt met het aantal getroffen huishoudens in de getroffen gebieden. Echter het komt ook voor dat er een groot verschil is tussen de twee. Het is gek dat de schatting heel veel hoger ligt dan het aantal nummeraanduidingen in het geïdentificeerde gebied.