Big Data in de achtbaan: welkom in het connected attractiepark!

-

Lange rijen, daar zit niemand op te wachten. Toch staan we er vaker in dan ons lief is. Op een dagje uit wachten we soms wel een uur op een achtbaanritje van een paar minuten. En laten we eerlijk zijn, daar wordt niemand echt vrolijk van. Speciaal voor een Nederlands attractiepark ontwikkelde Incentro een Proof of Concept. Met als doel: de wachttijden inzichtelijk maken, zodat bezoekers voortaan minder lang in de rij voor hun favoriete attractie hoeven te staan.

magere hein kan met koffiepauze

Stel, rond twee uur ’s middags dreigt de rij voor de achtbaan behoorlijk lang te worden. De gemiddelde wachttijd is nu nog vijftien minuten, maar met een schoolklas in aantocht kan die zomaar oplopen tot misschien wel een half uur. Dat is te zien op een dashboard dat in de controlekamer van het attractiepark hangt. Het management grijpt meteen in door een paar extra sleeën te laten aanrukken. Door de capaciteit van de achtbaan tijdelijk te verhogen, blijft de wachttijd ook bij topdrukte kort. Ondertussen geeft het dashboard aan dat het rustig is bij het spookhuis. Een perfect moment om die attractie even te sluiten voor een tussentijdse schoonmaakbeurt.

big data-technologie: ook handig voor kleinere klussen

Je snapt: het is voor een pretpark superhandig om realtime inzicht in de wachttijden van attracties te hebben. Maar hoe creëer je dat? Voor het Proof of Concept dat we voor een bekend Nederlands attractiepark ontwikkelden, gebruikten we een Big Data-cluster als basis. Niet omdat er nou zulke grote hoeveelheden data verwerkt moesten worden of omdat de datastructuur daarom vroeg, maar omdat het een schaalbare oplossing voor realtime dataverwerking is. Bovendien hielden we zo de optie open om steeds meer databronnen toe te voegen, bijvoorbeeld over het weer en nationale feestdagen.

Big Data-technologie, wat kun je daar nou eigenlijk mee? Kort samengevat:

· Enorme hoeveelheden data verwerken
· Gestructureerde én ongestructureerde data verwerken
· Realtime data verwerken

Traditionele database-systemen kunnen deze acties niet uitvoeren. Bovendien zijn reguliere rekenalgoritmes niet geoptimaliseerd om uit oudere database-systemen te putten. Voor het Proof of Concept was een Big Data-oplossing dus eigenlijk heel logisch!

bezoekers in beeld

Vervolgens hingen we op verschillende plekken in het park camera’s met edge-devices op, die continu maten hoeveel mensen er langsliepen. Bijvoorbeeld – in het simpelste geval – aan het begin en einde van een wachtrij. Via een algoritme in het Big Data-cluster konden we vervolgens voor elke attractie berekenen hoeveel bezoekers er in de rij stonden, en hoe lang hun wachttijd was. Het mooie aan deze manier van meten is dat we hem steeds verder kunnen verfijnen. Bijvoorbeeld door het aantal meetpunten uit te breiden, of ook de rondetijden van attractiewagentjes mee te nemen.

inzicht in wachttijden: het is ergens goed voor

Maar wat levert dat inzicht in wachttijden nou eigenlijk op? Nou, veel! Om te beginnen kun je de informatie gebruiken om bezoekersstromen te sturen en de drukte over verschillende attracties te verdelen. Maar pas echt interessant wordt het als er een datahistorie is opgebouwd. Dan kun je bijvoorbeeld voorspellen op welke dagen het druk zal zijn, welke attracties de meeste bezoekers trekken en onder welke omstandigheden het park goed bezocht wordt.

Op basis van deze inzichten kun je weer per dag, of zelfs per moment, bepalen hoeveel karretjes er ingezet moeten worden en hoeveel personeel er nodig is. Ook kun je zien op welke plekken je het beste reclameborden of eettentjes kunt neerzetten. En als er een rustige periode aan zit te komen, kun je hier bijvoorbeeld met kortings- of klantenacties op anticiperen. Deel je de inzichten met je leveranciers, dan kunnen zij hun aanbod afstemmen op de behoeften van je park.

niet alleen voor de achtbaanfans

Wat de technologie extra interessant maakt, is dat ‘ie niet alleen in attractieparken toepasbaar is, maar eigenlijk op alle plekken waar maar wachtrijen of grote groepen mensen zijn: supermarkten, dierentuinen, winkelstraten, noem maar op. Ben je benieuwd of de technologie ook in jouw werkgebied tot nuttige inzichten kan leiden? Neem dan eens contact met ons op!

deze software hebben we gebruikt

  • Hadoop
  • Cloudera
  • Kafka
  • Flink

lees verder: