Samen met Reinis ontwikkelden we een datastrategie waarin we onderzochten of historische data en externe factoren voldoende basis bieden om betrouwbare voorspellingen te doen over vulgraden en ledigingsmomenten. We analyseerden jaren aan historische data uit de sensoren, brachten operationele processen en kostenstructuren in kaart, en onderzochten patronen, externe factoren en seizoensinvloeden. Op basis daarvan ontwikkelden en toetsten we voorspellende modellen, en evalueerden we de logistieke en financiële impact van een model-based aanpak. Gedurende het project werkten we iteratief, met regelmatige terugkoppelingen om inzichten direct te toetsen aan de praktijk.

Uit het onderzoek bleek dat het op dit moment nog niet mogelijk is om volledig te vertrouwen op een voorspellend model als vervanging van de huidige sensoren. De beschikbare data en variabelen boden onvoldoende basis voor consistente en nauwkeurige voorspellingen op containerniveau, waardoor real-time metingen voorlopig noodzakelijk blijven.

Wel leverde het project waardevolle inzichten op voor de datastrategie van Reinis: duidelijkheid over de meerwaarde van het huidige sensorsysteem, inzicht in welke data ontbreekt voor betere voorspellingen, concrete handvatten voor een hybride aanpak en begrip van de logistieke en financiële impact van alternatieve scenario's. Deze inzichten helpen Reinis om beter onderbouwde strategische keuzes te maken richting een toekomstbestendige en kostenefficiënte afvalinzameling in de regio Rotterdam, een mooi voorbeeld van datagedreven werken in de praktijk.