Matching Tool
Na het maken van het Verbetermodel voor de jonge ondernemers van TheStudentPool (zie case Verbetermodel) liepen zij nog tegen een heel ander vraagstuk aan. Als een bedrijf behoefte heeft aan een student, willen de ondernemers snel zien welke kandidaten uit een database van meer dan 1000+ studenten hier geschikt voor is. Hierbij moest rekening gehouden worden met de reisbereidheid van de student (bijv. maximaal een uur) en de divisie waarin de student wil werken.
Hoe gingen wij te werk?
- Kennismakingsgesprek Hierbij wilden we antwoorden op de volgende vragen. Aan welke requirements moet het model voldoen? Waar is de data opgeslagen van de studenten en welke data is hiervan beschikbaar?
- Voorstel te maken model Aangezien de locatie van het accountantskantoor bepaald moet worden aan de hand van de coördinaten en ook van alle studenten in de database, was het noodzakelijk gebruik te maken van een API. Bovendien moest de reisafstand en duur (voor OV, maar ook auto) berekend worden in Google Maps. Deze handelingen zijn het beste uit te voeren in Python. Daarom het voorstel om het model in Python te maken. Daarnaast werd er meteen een offerte gemaakt en goedgekeurd.
- Maken van de algoritmes Aangezien er een koppeling met Google Maps gemaakt moet worden, kost het geld bij het doorrekenen van de berekende reisafstand en tijd (van student naar kantoor). Niet veel, maar enkele centen. U wilt dan natuurlijk niet dat, indien het kantoor gevestigd is in Groningen, studenten uit Limburg, Zeeland en Brabant in de resultaten naar voren komen. Om de kosten te besparen moesten er slimme algoritmes bedacht worden om de kosten te beperken en dat alleen studenten met een maximale reisbereidheid (van bijv. 1 uur) in de selectie worden doorgerekend.
- Bouw van het model Het model werd gemaakt in Python en regelmatig getest door de ondernemers. De resultaten werden ook opgeslagen en weggeschreven in een Excelbestand zodat deze altijd bruikbaar was. Het model liet alleen een selectie zien van mogelijke kandidaten die binnen de maximale reisafstand woonden en de juiste divisie voorkeur hadden. De reisduur en reisafstand werd per kandidaat in de selectie uitgerekend voor het rijden met de auto als met OV.
- Controle van het model Wij hebben ter controle voor een aantal kantoren gekeken of de kandidaten in de selectie de juiste waren. Daarna mochten de jonge ondernemers de uitkomsten en resultaten controleren en kijken of het model “dummyproof” is.
- Extraatje Deze resultaten in Excel zijn natuurlijk uiterst handig. Maar het is ook fijn om het grafisch te zien op een kaart van Nederland. Daarom werd er ook een front-page om dit Pythonscript heen gebouwd.
Het resultaat
Geweldig! De heren kregen een volledig geautomatiseerd model in Python. Het model zag er als volgt uit:
- Een invoerveld, waar de adresgegevens van het kantoor moesten worden ingevuld.
- De berekeningen gebeurde in Python.
- Door middel van een druk op de knop, werd er een selectie van de resultaten in Excel export opgeslagen op hun computer.
- De grafische weergave was natuurlijk een kers op de taart.
De voordelen
- Overzichtelijkheid De jonge ondernemers kunnen realtime snel en grafisch inzien welke studenten uit hun database bij het (nieuwe) aangesloten kantoor wonen.
- Verbeterd bedrijfsresultaat Tijdens het gesprek met een mogelijke nieuwe klant (kantoor) kunnen de ondernemers de tool draaien en een selectie geven van mogelijke kandidaten die in de buurt wonen van het kantoor.
- Tijdsbesparing en efficiëntie Het bespaart de jonge ondernemers enorm veel tijd om steeds de database door te lopen van de studenten en te kijken welke er in de buurt van het kantoor wonen. Daarnaast hoeven zij niet steeds de adresgegevens van de mogelijke kandidaat en het kantoor in Google Maps te zetten om de reisduur en reisafstand te bepalen. Nu is een berekening in minder dan 5 seconde gedaan.
- De kwaliteit is verbeterd Er wordt namelijk nu nooit meer een student over het hoofd gezien.
- Klanttevredenheid verbeterd Tijdens het gesprek met een nieuwe potentiële klant hebben de ondernemers al resultaten.
- Data-visualisatie Als extra hebben wij grafisch inzichtelijk gemaakt waar alle studenten wonen, wat de locatie van kantoren is en uiteindelijk welke studenten er in de selectie zitten.
Het vervolg:
Aangezien de tool zo goed beviel, hebben de ondernemers meteen gevraagd om de tool ook andersom te bouwen. Wat als er een nieuwe student zich aanmeldt, bij welke accountantskantoren zou deze student dan mogelijk kunnen werken?
