HZ Stern Scriptieprijs 2020: Goed zoeken wordt beloond!

Kees Bal, redacteur HZ Discovery

Op woensdag 9 december 2020 is vanuit de HZ studio in Vlissingen de HZ Stern uitgereikt. Dit jaar mogen twee studenten zich winnaar van deze prestigieuze prijs noemen: Miriam Günter en Omar El Nahhas. HZ Discovery neemt een kijkje in hun excellente onderzoek.

Genomineerden

De genomineerden presenteren zichzelf en hun onderzoek in het filmpje hiernaast. We zien achtereenvolgend:

  • Roelant de Looff, ICT: “Optimaliseren door middel van big data”
  • Maximilian Foy, Civil Engineering: “Modelling the loading process for subsea cables”
  • Kim van der Vliet, Bedrijfskunde: “GGD Zeeland en de mismatch tussen de informatievoorziening en informatiebehoefte”
  • Miriam Günter, Vitality and Tourism Management: “Niche market exploration for enhancing quality tourism”
  • Omar El Nahhas, Engineering: “Classification of visually unrecognizable steel defects”
  • Maartje de Smit, Pabo: “Streekverhalen vertellen in de klas”

Van Jessie Goossens, Social Work: “Motiveren LVB cliënten in de forensisch psychiatrische zorg” is geen opname beschikbaar

Miriam Günter: Van ‘Kleinarbeit’ naar groot resultaat Miriam, een Duitse studente Tourism Management, noemt Zeeland haar tweede thuis. Het helpen van een plek die ze kent en echt leuk vindt was een geweldige facilitator en motivator voor haar afstudeerwerk. Ze is in de wolken met de Stern-prijs, omdat het een erkenning is voor kwaliteit en voor relevante, betekenisvolle en praktische resultaten na een jaar hard werken. Aangezien de arbeidsmarkt in de toeristenindustrie de komende maanden, misschien jaren, beperkt zal zijn, kan deze prijs haar profiel een zetje geven.

Als iemand die van details houdt, bedacht Miriam een zeer gedegen onderzoeksaanpak, waarin verschillende modellen zijn geëvalueerd en met elkaar verbonden. Dit proces was soms een beetje een puzzel (zie de foto hieronder), maar bood een solide basis voor de interviews en de analyse. Strategisch denken en een voorliefde voor tabellen, pijlen, kleurscheidingen en Excel deden de rest. Dit is ook waar ze het meest trots op is, de vele dingen die ze deed die niet echt verwacht werden, maar kwaliteit toevoegden aan de methodologie.

Gelukkig had ze al haar interviews gedaan toen de toeristenbranche gesloten werd. De analyse werd vanuit het thuiskantoor aangepakt en geformuleerde hypothesen werden via e-mail bevestigd. De belangrijkste doelmarktfactor voor het laagseizoen bleek de geografische factor, de woonplaats. Het zette haar aan het denken: “Dit is zo simpel ... spannend en tegelijkertijd niet spannend.”

Miriam wil medestudenten graag een paar tips meegeven om een goed afstudeerproject neer te zetten. Kies eerst een onderwerp waar je enthousiast over bent en waar meer dan één bedrijf van profiteert. Ten tweede, steek veel energie in je onderzoeksvoorstel. Dan zul je nog steeds moeilijkheden ondervinden tijdens de uitvoering. Heb daarom ook een plan B! Ten derde, praat met allerlei soorten mensen, want het geeft je nieuwe ideeën en inzichten. En tot slot: wees creatief in wat je kan doen met je resultaten. Telkens wanneer er een slim idee in je opkomt: schrijf het op!

Miriams kamer: een puzzel oplossen

Zo ziet 'Kleinarbeit' eruit

Miriams research: Nichemarktverkenning voor het verbeteren van kwaliteitstoerisme Welke voordelen zien Duitse toeristen als ze in het laagseizoen in Zeeland op vakantie gaan, wat maakt dat ze daarnaartoe reizen? De reden hiervoor is dat in de winter weinig toeristen Zeeland bezoeken (terwijl velen dat in de zomer doen). Dat is moeilijk voor lokale ondernemers die profiteren van toeristen en vermindert de aantrekkelijkheid van Zeeland om er het hele jaar door te wonen en te werken. Zo wilde VVV Zeeland markten van kwaliteitstoeristen vinden die nog onbekend zijn en die gedurende de winter benaderd kunnen worden.

Zesendertig interviews zijn afgenomen met Duitse toeristen die Zeeland bezochten tussen 11/2019 en 2/2020 en acht klantenservicemedewerkers in het toerisme, met de vraag wat Zeeland een aantrekkelijke bestemming maakt in het laagseizoen. De interviewvragen zijn ontwikkeld, gestructureerd en geanalyseerd door twee modellen te combineren.

Model 1 bestaat uit vijf beslissingsstappen die toeristen doorlopen om te besluiten wat ze waar doen tijdens hun vakantie (Mathieson en Wall, 1982). Onderwerpen waren actueel reisgedrag, tastbare en onderliggende immateriële voordelen in het laagseizoen, reistevredenheid en ideeën voor verbetering, en persoonlijke vragen (woonplaats in Duitsland, leeftijd, etc.) .

Model 2 richt zich op specifieke factoren die van invloed zijn op een vakantiebeslissing (Horner en Swarbrooke, 1996). De meest relevante voor de VVV zijn geïdentificeerd en gezocht in de antwoorden van de geïnterviewden. Verder werden foto's van vakanties in Zeeland getoond om herinneringen en emoties op te roepen (foto-elicitatie), waardoor de kans kleiner werd dat ze iets vergaten in hun antwoorden.

Ten slotte werden alle verklaringen van de respondenten gegroepeerd op tastbare en immateriële voordelen (dat was het eigenlijke “Kleinarbeit” - ongelooflijk nauwgezet werk - zoals ze in het Duits zeggen), om clusters te identificeren die staan voor potentiële doelmarkten. Vervolgens is onderzocht of de mensen die naar dezelfde of vergelijkbare voordelen zochten, bepaalde kenmerken (zoals leeftijd of woonplaats) gemeen hadden.

Kort samengevat was de conclusie dat de huidige markt van Noordrijn-Westfalen door de deelstaten Hessen en Rijnland-Palts moet worden uitgebreid tot de volgende subsegmenten:

  • Gezinnen met kinderen onder de leerplichtige leeftijd;
  • Gezondheidstoeristen;
  • Winterkampeerders;
  • ‘Toevallige ontdekkingsreizigers’ die interesse tonen in maritieme onderwerpen en oorlogsgeschiedenis;
  • En gezinnen uit federale staten met wintervakantie in februari.

Referenties

  • Mathieson, A., & Wall, G. (1982). Tourism: Economic, physical and social impacts. London, England: Longman.
  • Horner, S. and Swarbrooke, J. (1996). Marketing Tourism, Hospitality, and Leisure in Europe. London, England: International Thomson Business Press

Omar el Nahhas: Weinig beloven, veel opleveren Het was voor mechatronicastudent Omar niet makkelijk een afstudeeropdracht te vinden gericht op data science en machine learning . Bij Tata Steel vond hij uiteindelijk een warm onthaal. Geprikkeld door de hype had hij zich al buiten de studie door cursussen in deze onderwerpen verdiept. Het bleek geen magie, maar voornamelijk lineaire algebra en calculus (en hard werk). Het advies van de managers bij Tata was om in zijn onderzoeksvoorstel beter weinig te beloven om vervolgens veel op te leveren, dan andersom. En dat is gelukt. Fysiek contact in de fabriek was door de coronaperiode lastiger, maar het contact met het hoger management was juist makkelijker. Dit leidde tot een veel beter begrip van het grotere plaatje, de businesscase en de potentiële impact. Dat motiveerde enorm en zorgde er ook voor dat het eindproduct daadwerkelijk bruikbaar was in de praktijk. Het schrijven van de scriptie kende zeker zijn ups en downs, maar er is wel een mooi afgerond resultaat gekomen.

Omar was omringd door mensen met een PhD in een bèta vakgebied. Zij hebben hem heel veel geleerd op analytisch gebied en hielden hem scherp op de manier van documenteren. Verder waren er ook consultants bij waardoor hij beter heeft leren presenteren. Nu weet hij bijvoorbeeld hoe je het doel van een slide in één oogopslag duidelijk maakt. Sinds september is Omar masterstudent in Digital Manufacturing, deels in Spanje en deels in Letland. Zijn toekomstplan is om een onderneming te starten en innoverende, duurzame oplossingen te vinden voor problemen gerelateerd aan de zeventien Duurzame Ontwikkelingsdoelen van de VN. Hij staat daarom altijd open om (via Linkedin) zijn netwerk uit te breiden en verkennende gesprekken te voeren, over bijvoorbeeld de digitale transformatie van fabrieken en Smart Industry1.


1 Smart Industry of ook wel Industry 4.0 is de naam voor een trend van automatisering en gegevensuitwisseling die gebruikt wordt bij industriële fabricagetechnieken. Het bestaat uit autonome cyber-fysieke productiesystemen, the Internet of things, cloud computing en systemen die ons denkproces deels of volledig kunnen overnemen (cognitieve computing).

Omars onderzoek: Classificeren van visueel onherkenbare defecten op rollen staal Staalfouten aan het einde van het proces zijn visueel onherkenbaar, waardoor het zeer moeilijk is om erachter te komen wat de oorzaak van de fout is. Maar wanneer deze zogenoemde root-cause niet aangepakt wordt, zullen alle volgende rollen ook soortgelijke defecten hebben, die allemaal gerepareerd moeten worden. Dat kost veel tijd en geld. Het vinden van deze root-cause is een tijdrovend werkje dat voorheen alleen door een expert gedaan werd. Een maand aan data kostte dan ook een maand aan full-time werk!

De onderzoeksopdracht was daarom om een systeem te ontwerpen dat automatisch staalfouten classificeert. Hiervoor is ‘computer vision’, een tak binnen machine learning, ingezet waarmee je afbeeldingen/objecten kan classificeren op basis van bepaalde algoritmes. Middels het V-Model is het gehele conceptuele systeem opgebroken in subsystemen met componenten. Deze componenten zijn vervolgens ontwikkeld en getest, en stap voor stap weer samengevoegd tot een volledig werkend systeem. Er is gedurende het project nauw contact gehouden met de projectstakeholders, om ervoor te zorgen dat elke aanname en elke keuze in het ontwikkelen van het systeem correct was om toegepast te worden in de praktijk.

Wat voorheen een maand kostte voor het analyseren van een maand aan data, wordt door het nieuwe systeem gedaan binnen 45 minuten. Dat is een optimalisatie van bijna duizend maal. Nu de analyse geautomatiseerd is en het economisch haalbaar is om haar op alle binnenkomende data toe te passen, kan Tata Steel mogelijk miljoenen euro’s per jaar besparen door snel de root-cause te analyseren. Dit systeem maakt ook preventief onderhoud op grote schaal mogelijk.