← All challenge spaces

Minor - AI in business - Inholland - Feb 27

Organization: MKB Werkplaats Subject: AI City: Amsterdam

Summary

Wilt u beter voorspellen, slimmer plannen of onderbouwde beslissingen nemen met uw bedrijfsdata? Binnen de minor AI in Business werken studenten van Inholland aan een concreet vraagstuk uit uw organisatie. Denk aan het voorspellen van de vraag naar producten, offerteconversie of klant verloop.

Description

✅ Key features van de challenge

Kennisinstelling: Inholland

Opleiding: Business IT & Management

Studiejaar studenten: Derde- en vierdejaars studenten

Aantal studenten per team: Circa 4; beoogde totale groep van 60 studenten.

Tijdsinvestering door studenten: Richtlijn: circa 2 projectdagen per week per student, naast lessen en zelfstudie.

Duur opdracht: 20 onderwijsweken, verdeeld over twee blokken van zeven weken, exclusief vakanties en toetsweken.

Tijdsinvestering door opdrachtgever: Richtlijn: gemiddeld 1 uur per week per team voor overleg en feedback. Daarnaast tijd voor de kick-off, eindpresentatie en het beschikbaar maken en toelichten van data.

Deliverables: Data-analyse, een getest AI- of machinelearningmodel, een werkend prototype van een applicatie of dashboard en een onderbouwd implementatieplan. Inclusief uitleg van prestaties, beperkingen en overdracht voor een mogelijke pilot.

Taal opleiding: Nederlands.

Locatie: Alkmaar & Amsterdam

Matching fee: Gratis

Module informatie

Wilt u beter voorspellen, slimmer plannen of onderbouwde beslissingen nemen met uw bedrijfsdata? Binnen de minor AI in Business werken studenten van Hogeschool Inholland aan een concreet vraagstuk uit uw organisatie. Denk aan het voorspellen van de vraag naar producten, offerteconversie of klant verloop.

Studenten combineren kennis van Finance & Control, Business IT & Management en andere studies. Zij verkennen het bedrijfsprobleem, onderzoeken de kwaliteit van uw data en ontwikkelen een AI- of machinelearningmodel. Ze testen de prestaties, verbeteren het model en onderzoeken wat de uitkomsten betekenen voor uw bedrijfsproces.

De minor legt extra nadruk op implementatie. Studenten maken de oplossing bruikbaar in een prototype van een applicatie of dashboard en werken uit wat nodig is voor een pilot: inpassing in het werkproces, kosten en baten, betrokken medewerkers, datagebruik, beheer en verantwoordelijkheden.

U ontvangt een getoetst prototype, inzicht in de mogelijkheden en beperkingen van AI en een concreet implementatieplan. Daarmee kunt u onderbouwd bepalen of en hoe u verder wilt. Ingebruikname in uw organisatie is een mogelijke vervolgstap; de omvang daarvan wordt afzonderlijk afgestemd.

U brengt een afgebakend vraagstuk en relevante data in, wijst een vaste contactpersoon aan en geeft gedurende het traject feedback. De samenwerking start in de eerste week van februari 2027, met een gezamenlijke kick-off, tussentijdse demonstraties en een eindpresentatie. AI-expertise in uw organisatie is niet nodig; kennis van uw eigen proces en bereidheid om mee te denken wel.

Methodiek en fasering van het traject

Start en afbakening: Vraagstuk, gebruikers, beschikbare data en gewenste bedrijfswaarde bespreken. Samen bepalen wat een bruikbaar resultaat is en hoe dit wordt beoordeeld.

Blok 1 Data Science: Data verzamelen en voorbereiden, een eerste voorspelmodel ontwikkelen en vergelijken met een eenvoudige referentiemethode. Het team bespreekt tussentijds de resultaten met de opdrachtgever.

Blok 2 Optimization en implementatie: Het model verbeteren en valideren, een bruikbaar prototype bouwen en feedback van gebruikers verwerken. Kosten, baten, adoptie, beheer en risico’s vertalen naar een uitvoerbaar pilotplan.

Afronding en overdracht: Demonstratie van het prototype, uitleg van modelprestaties en beperkingen, overdracht van bestanden en documentatie en bespreking van de vervolgstappen.

Challenge voorbeelden

Onderstaande voorbeelden worden met de opdrachtgever afgebakend op basis van het bedrijfsdoel en de beschikbare data.

1 Vraag en voorraad voorspellen: Een groothandel wil tekorten en overtollige voorraad beperken. Studenten gebruiken verkoop- en voorraadgegevens voor een voorspelmodel en een prototype dat bestelbeslissingen ondersteunt.

2 Offerteconversie verbeteren: Een dienstverlener wil beter inschatten welke offertes tot een opdracht leiden. Studenten analyseren historische offertes en uitkomsten en maken de voorspellingen bruikbaar voor gerichte opvolging.

3 Klantverloop signaleren: Een abonnementsbedrijf wil eerder zien welke klanten dreigen op te zeggen. Studenten onderzoeken klant- en gebruiksgegevens en ontwikkelen een model met inzichtelijke signalen voor het klantteam.

4 Cashflow beter voorspellen: Een organisatie wil meer inzicht in verwachte ontvangsten. Studenten analyseren factuur- en betaalhistorie en bouwen een voorspelling met een dashboard voor de financiële planning.

5 Onderhoud slimmer plannen: Een technisch bedrijf wil storingen eerder herkennen. Studenten onderzoeken onderhouds- en sensorgegevens en toetsen of een model bruikbare signalen voor onderhoud kan geven.

6 Energieverbruik voorspellen: Een productiebedrijf of glastuinbouwer wil het energieverbruik beter plannen. Studenten combineren verbruiks-, productie- en weersgegevens en onderzoeken kansen voor een gerichtere planning.

Criteria voor bedrijf en challenge

A Organisatie: Bedrijven en non-profitorganisaties met een concreet bedrijfsproces en een passend datavraagstuk. De beschikbaarheid van data en begeleiding is belangrijker dan het aantal medewerkers.

B Vraagstuk en data: Een afgebakende voorspel- of beslisvraag, met relevante historische gegevens die vóór de start beschikbaar zijn. Bij de intake beoordelen we hoeveelheid, kwaliteit en geschiktheid; voor een voorspelmodel zijn ook bekende uitkomsten nodig.

C Begeleiding: Eén vaste contactpersoon met proceskennis, toegang tot betrokken medewerkers en tijd om data toe te lichten en regelmatig feedback te geven.

D Praktische toepassing: Bereidheid om medewerkers het prototype te laten beoordelen en mee te denken over een pilot, invoering en beheer.

E Locatie en datagebruik: Bij voorkeur Noord-Holland en randstad; elders in overleg met online contact. Vooraf maken we afspraken over het delen, gebruiken en bewaren van data en eventuele vertrouwelijkheid.

Planning

Start en einde challenge: Start in de eerste week van februari 2027; afronding in onderwijsblok 4. Definitieve data, tijden en locaties volgen na vaststelling van het rooster.

Verplichte momenten opdrachtgever: Een fysieke kick-off en eindpresentatie bij Inholland, plus regelmatige online voortgangsgesprekken en demonstraties. De contactfrequentie en eventuele bedrijfsbezoeken worden bij de start afgesproke

Information for students

...

Key details

Open on Master Challenge