big data - piet daas (cbs)
TRANSCRIPT
Statistiek en Big Data:De kracht vandatavisualisaties
Piet Daas, Martijn Tennekes, Edwin de Jonge,Alex Priem en Merijn van Pelt
Centraal Bureau voor de Statistiek
Big Data Symposium, 27 September Nyenrode
Big Data Symposium 27 Sept. Nyenrode
Centraal Bureau voor de Statistiek
• Taak: “het publiceren van betrouwbare ensamenhangende statistische informatie, dieinspeelt op de behoefte van de samenleving”.• in 2012 zo’n kleine 5000 officiële publicaties & tabellen
• Doel: maximale vermindering van administratievelasten• Door bestaande administratieve bestanden te
hergebruiken.• Kijken naar de nieuwe bronnen van informatie: Big Data!
1
Big Data Symposium 27 Sept. Nyenrode
CBS en gegevens
Flinke verandering in gebruik beschikbare informatie voorstatistiekproductie:
1. Enquêtegegevens (steeds minder) Per enquête tot max. 100.000 records per jaar
2. Administratieve bronnen (steeds meer) Per bron tot 20 miljoen records per maand
3. Ook steeds meer ‘nieuwe’ bronnen (Big Data) Per bron zo’n ~80 miljoen records per dag
2
Big Data Symposium 27 Sept. Nyenrode
• Er is steeds meer en steeds vaker data beschikbaar:
• Van ‘Data schaarste’ (steekproef-) naar ‘Data overdaad’• Steeds grotere hoeveelheden data moeten snel
gecontroleerd, verwerkt en geanalyseerd worden• Meer aandacht voor selectiviteit en datatransformatie• Meer mogelijkheden voor snelle cijfers (‘real-time
statistics’)
• Behoefte aan nieuwe methoden en tools• Statistische methoden geschikt voor grote datasets• Denk aan: visualisatie methoden en data-, tekst- en
stream-mining technieken
CBS en gegevens (2)
3
Big Data Symposium 27 Sept. Nyenrode
Nieuwe ontwikkelingen
• Voorbeelden uit de praktijk1) Visualisatie-methoden om snel inzicht te krijgen
in grote hoeveelheden gegevensa. Virtuele Volkstelling (17 miljoen records)b. Polisadministratie (20 miljoen records)
2) Bevindingen van onderzoek gebruik Big Databronnen
c. Verkeerslusgegevens (80 miljoen records)d. Mobiele telefonie (~500 miljoen records)e. Sociale media (12 milj. - 1 miljard records)
4
Big Data Symposium 27 Sept. Nyenrode
Voorbeeld a. Virtuele Volkstelling
• Volkstelling is verplicht, eens in 10-jaar• In Nederland niet meer met vragenlijsten• Laatste traditionele volkstelling in 1971
• Nu door (her)gebruik van reeds verzameldeinformatie• Grootschalig koppelen van administratieve bronnen en
enquêtegegevens• Controleren en bijschatten• Hoe controleren?• Met een visualisatiemethode: Tableplot
5
Big Data Symposium 27 Sept. Nyenrode
Uitleg maken Tableplot
1. Bestand laden 17 miljoen records2. Records sorteren op waarde 17 miljoen records
van sleutelvariabele• in dit geval leeftijd
3. Samenvoegen records 100 groepen (elk 170.000 records)• Numerieke variabelen
• Bereken gemiddelde (gem. leeftijd)• Categoriale variabelen
• Verhouding aanwezige categorieën (man vs vrouw)
4. Plaatje ‘plotten’ van geselecteerd aantal variabelen• Kleurgebruik belangrijk
6
Big Data Symposium 27 Sept. Nyenrode Een tableplot van het testbestand
Big Data Symposium 27 Sept. Nyenrode
Voorbeeld b: Polisadministratie
• Bestand met de financiële gegevens vanalle banen, uitkeringen en pensioenen inNederland• Verzameld door Belastingdienst en UWV• Elke maand 20 miljoen records
• Hoe krijgen we inzicht in deze enorme bakdata?• Met een visualisatie: heat map
8
Big Data Symposium 27 Sept. Nyenrode
Heatmap: Leeftijd, ‘Inkomen’
9
Big Data Symposium 27 Sept. Nyenrode
leeftijd
In 3D heatmap: Leeftijd, Inkomen, AantalNa ‘indikken’
leeftijd
10
Big Data Symposium 27 Sept. Nyenrode
Voorbeeld c: Verkeerslusgegevens
• Verkeerslussen• Elke minuut (24/7) wordt het aantal
passerende voertuigen op ~10.000meetpunten in Nederland geteld• Totaal en in verschillende lengtecategorieën
• Mooie bron om verkeer- en vervoerstatistiekenmee te maken• Veel data, zo’n 80 miljoen records per dag
11
Big Data Symposium 27 Sept. Nyenrode
Aantal gedetecteerde voertuigen op één dag in NL
Alle locaties
12
Big Data Symposium 27 Sept. Nyenrode
Registratie activiteit verkeerslussen (eerste 10 min)
13
Big Data Symposium 27 Sept. Nyenrode
Aantal gedetecteerde voertuigen op één dag in NL
Alle locaties
14
Totaal = ~ 295 miljoen
Big Data Symposium 27 Sept. Nyenrode
Grote voertuigen vs alle voertuigen
Wagens > 5.6 m(vrachtwagens)
Alle voertuigen
Na normaliseren
15
Big Data Symposium 27 Sept. Nyenrode 16
Op niveau van de afzonderlijke lussen
Big Data Symposium 27 Sept. Nyenrode
Voorbeeld d: Mobiele telefoon
• Vrijwel elke Nederlander heeft een ‘mobieltje’• Bijna altijd bij zich en staat vrijwel altijd aan• Steeds meer mensen hebben een smartphone!
• Ideale informatiebron om:• Met behulp van registraties van providers:• Verplaatsingsgedrag (‘Dag’-populatie)• Toerisme (nieuwe aanmeldingen op netwerk)• Mensenmassa’s (bijv. bij evenementen)
• Als meetinstrument te gebruiken voor:• Vragenlijsten (via App, SMS of browser)• Maken van foto’s van producten, kassabonnen en streepjescodes• Doorgeven exacte locatie (GPS)• Etc.
17
Big Data Symposium 27 Sept. Nyenrode
Verplaatsingsgedrag mobiele telefoons
18
Verplaatsingen van zeeractieve mobiele gebruikers
- gedurende 14 dagen- van één provider
Gebaseerd op:- Bel- en SMS-activiteit
meer dan 1x / dag- Locatie telefoonmasten
Duidelijk selectief:- Wel de grote steden- Nauwelijks ‘t noordenen Zeeland
Big Data Symposium 27 Sept. Nyenrode
Voorbeeld e: Sociale media
• Nederlanders zijn erg actief op sociale media• Bijna altijd bij zich en staat vrijwel altijd aan• Steeds meer mensen hebben een smartphone!
• Mogelijke informatiebron voor:• Welke onderwerpen zijn actueel:• Aantal berichten en sentiment hierover
• Als meetinstrument te gebruiken voor:• .
Map by Eric Fischer (via Fast Company)
19
Big Data Symposium 27 Sept. Nyenrode
Sociale media: Nederlandstalige berichten
Database met meer dan een miljard openbare Nederlandstalige berichten
• Nederlanders zijn erg actief op sociale media• Mogelijke informatiebron:• Aantal berichten over en sentiment t.a.v. bepaalde
onderwerpen (snel beschikbaar!)• Testen om het nut te controleren
20
Big Data Symposium 27 Sept. Nyenrode
Sociale media: Twitter onderwerpenOnderwerpen Twitter
Bijdrage (%)
0 10 20 30 40 50
Thema's
OverigeMediaSport
Cultuur/eventsVakantieVrije tijdVervoer
VeiligheidPolitiek
OnderwijsGezondheid
ICTWeerMilieu
EconomieWonen
RelatiesWerk
21
(46%)
(10%)
(7%)
(3%)
(5%)
12 miljoen berichten
Big Data Symposium 27 Sept. Nyenrode
Afsluitend: Statistiek en ‘Big Data’• Geschikt maken voor statistisch gebruik is veel werk• Vooronderzoek nodig, kost veel tijd• Informatiereductie nodig (‘indikken’; ‘small’ data)• Risico: ‘garbage in’ ‘garbage statistics out’
• Traditionele aanpak schiet te kort• Het zijn geen steekproefgegevens meer• Betreft vaak een selectief maar groot deel van de populatie• Soms te veel data (overdekking & teveel detail)• Bij standaard analyses wordt alles significant!
• Meer behoefte aan:• Visualisatiemethoden (om snel inzicht te krijgen)• Snelle methoden en niet-lineaire schatters• ‘Computational statistics’ (& snelle hardware)• Privacy-eisen worden hoger!
22
Big Data Symposium 27 Sept. Nyenrode De toekomst van het CBS?