Geomarketing technieken bij het uitrollen van nieuwe netwerkinfrastructuur

Geomarketing technieken bij het uitrollen van nieuwe netwerkinfrastructuur Manon Sikkema

Promotoren: prof. dr. Mario Pickavet, ir. Sofie Verbrugge Begeleider: dr. ir. Koen Casier Masterproef ingediend tot het behalen van de academische graad van Master in de ingenieurswetenschappen: bedrijfskundige systeemtechnieken en operationeel onderzoek

Vakgroep Informatietechnologie Voorzitter: prof. dr. ir. Daniël De Zutter Faculteit Ingenieurswetenschappen Academiejaar 2009-2010

VOORWOORD In dit voorwoord wens ik iedereen te bedanken die heeft bijgedragen tot de realisatie van dit eindwerk. Graag had ik volgende mensen speciaal willen bedanken voor hun bijdrage. Mijn promotoren, Prof. dr. ir. M. Pickavet en dr. ir. S. Verbrugge, om me de kans te bieden me in het onderwerp van dit eindwerk te verdiepen. Mijn thesisbegeleiders, dr. ir. K. Casier en J. Van Ooteghem voor hun constante feedback en waardevol advies gedurende het hele traject. Stad Gent voor de samenwerking en het ter beschikking stellen van de nodige data. Mijn ouders, voor alle mogelijkheden die ze mij hebben geboden en hun onvoorwaardelijke steun gedurende mijn studies. Ook wil ik hen bedanken voor het nalezen van dit eindwerk. Mijn vriend Bart, voor zijn constante input en kritiek. Zonder zijn steun had dit eindwerk nooit kunnen worden wat het nu is. Ook wil ik hem bedanken voor zijn eindeloze geduld en het nalezen van dit eindwerk. Jonne en Dajo, om voor de aangename ontspannende momenten te zorgen Tom, voor de logistieke ondersteuning.

"De auteur(s) geeft(geven) de toelating deze masterproef voor consultatie beschikbaar

te stellen en delen van de masterproef te kopiëren voor persoonlijk gebruik. Elk ander gebruik valt onder de beperkingen van het auteursrecht, in het bijzonder met betrekking tot de verplichting de bron uitdrukkelijk te vermelden bij het aanhalen van resultaten uit deze masterproef." "The author(s) gives (give) permission to make this master dissertation available for consultation and to copy parts of this master dissertation for personal use. In the case of any other use, the limitations of the copyright have to be respected, in particular with regard to the obligation to state expressly the source when quoting results from this master dissertation."

Manon Sikkema, Juni 2010

1|

OVERZICHT GeoMarketing technieken bij het uitrollen van nieuwe netwerkinfrastructuur door Manon Sikkema Masterproef ingediend tot het behalen van de academische graad van BURGERLIJK INGENIEUR IN DE BEDRIJFSKUNDIGE SYSTEEMTECHNIEKEN EN OPERATIONEEL ONDERZOEK: Academiejaar 2009-2010 Promotoren: prof. dr. ir. M. Pickavet en dr. ir. S. Verbrugge begeleiders: dr.ir. K. Casier, Lic. J. Van Ooteghem Faculteit Ingenieurswetenschappen Universiteit Gent Vakgroep: Informatietechnologie (INTEC) Voorzitter: prof. dr. ir. D. De Zutter Samenvatting Door de toenemende vraag naar bandbreedte en toegangssnelheid moeten de netwerkoperatoren steeds hun breedband netwerken verbeteren. Voorlopig hebben deze dat in België dit gedaan door steeds meer koper of coax in het netwerk te vervangen door glasvezel. Een volledige uitrol van FttH is er nog niet gekomen omdat de operatoren het maximum uit hun aanzienlijke investeringen in koper/ coax willen halen. Aangezien het uitrollen van een nieuw breedband netwerk een zeer grote investering is, zoeken operatoren naar steeds betere uitrolmogelijkheden die hun winst maximaliseren en hun investeringen beperken. Een goede uitrolstrategie is dus cruciaal om op een efficiënte manier de infrastructuurkosten te minimaliseren en tegelijkertijd de meest winstgevende gebruikers het eerst aan te sluiten. In deze thesis hebben we onderzocht of het gebruik van GeoMarketing technieken de uitrolstrategie van een operator kan optimaliseren en dus een verbetering van de NPV kan realiseren. We hebben dit toegepast voor de uitrol van een FttH netwerk in de stad Gent. In deel I bespreken we kort de FttH technologie en de belangrijkste aspecten die bij een netwerk uitrol komen kijken. Daarnaast bekijken we de verschillende GeoMarketing technieken. In deel II stellen we het model voor dat ontwikkeld werd om de uitrol van een FttH netwerk te modelleren met GeoMarketing technieken. In deel III gaan we na of het uitrollen op basis van GeoMarketing een betere NPV oplevert en analyseren we de invloed van enkele belangrijke parameters in meer detail. Uit de resultaten blijkt dat het gebruik van GeoMarketing voor het uitrollen van FttH in de Stad Gent meer dan 20% beter is qua NPV na 15 jaar dan een gefaseerde uitrol. Ook de benodigde investeringen zijn meer dan 20% lager. Trefwoorden: GeoMarketing, Fiber to the Home, techno-economische analyse 2|

Influence of GeoMarketing on the roll-out of new network infrastructures EXTENDED

ABSTRACT

Manon Sikkema Supervisors: Mario Pickavet, Sofie Verbrugge, Koen Casier, Jan Van Ooteghem AbstractThe roll-out of new network infrastructures requires significant capital investments and often a long payback period. To increase the NPV and limit capital requirements a good roll-out strategy is crucial. This paper investigates the impact of using GeoMarketing techniques to optimize a roll-out strategy of an FttH network in the Belgium city Ghent. Keywords GeoMarketing, Fiber to the Home, TechnoEconomics I. INTRODUCTION

During the last few years we have seen a drastic increase of both broadband bandwidth demand and required connection speed. This is mainly driven by applications such as real-time video and HDTV. In Belgium providers have responded to this increased demand by gradually shortening the copper or coax part of their network and replacing it with fiber as fiber has limited attenuation allowing both higher speed and overall bandwidth. Although so far providers have been able to keep up with demand, it is unlikely that the existing networks will be able to fulfill future demand. A new all fiber broadband infrastructure, Fiber to the Home (FttH) is a viable alternative. In Belgium, providers are hesitant to roll-out such a network as this will require significant capital investments and they have only recently invested heavily in either DSL or cable. Providers are therefore looking for ways to optimize their return on investment while limiting the overall capital spending. This paper will try to determine an economic optimal roll-out strategy for an FttH network in Ghent using GeoMarketing. II.

GEOMARKETING

User segmentation is a widely used tool in the marketing world and leads to an adapted marketing and sales plan for each user segment to increase the NPV. In GeoMarketing we include spatial data in the segmentation and thus create geographical segments, or clusters, of users with similar characteristics. GeoMarketing has a wide set of applications such as branch network optimization, real estate expertise, customer localization, direct marketing, etc… Spatial data is managed in a Geographic Information System (GIS). Each information element in a GIS has coordinates which can tie it back to a unique location on earth. Besides that, each element possesses attributes which

contain additional information such as street names, number of inhabitants, etc… Typically GIS information consists of multiple layers, e.g. street layer, building layer, river layer, etc… The power of GIS consists of combining all the information and presenting the results in a visual and attractive way. II.

GEOMARKETING MODEL

A. Overall model In Figure 1 the developed model is shown. The focus of the research in this paper was on part 1, the clustering. Part 2 was based on [1] with some adaptations for the specific analysis in this paper. We will discuss the key parts of the model in the next paragraphs.

Figure 1: GeoMarketing model

B. Part 1: Clustering To determine which users show the greatest similarities and should be grouped we use clustering techniques. In this paper we have chosen to use an agglomerative hierarchical clustering algorithm. This starts from a situation in which each cluster contains a separate user. In an iterative process the two clusters that show the greatest similarity are combined into a new cluster until the target number of clusters is reached. As distance parameter between two clusters we have used the difference in user profiles. Based on income and age data per sector we created a profile for each household. Profiles were each given a rating from 1-5 indicating their likely potential for FttH adoption. After linking this data with the spatial data we clustered the buildings by developing a JAVA program. The developed algorithm clusters households based on both spatial and user profile data.

3|

Using the average user profile and user density of each cluster we rank the clusters on both potential and roll-out cost per user. Based on the combined ranking of both we determine an optimal roll-out strategy. This information is then fed to an Excel model [1] that models adoption, costs and revenues and calculates a 15-year NPV. The result is compared with a random phased roll-out and a 1-year rollout, respectively representing the situation with a feelingbased cherry-picking and a situation without GeoMarketing. IV. RESULTS

We applied the explained model to the city of Ghent for which we have detailed demographic information as well as spatial data. A. Base case: 40 clusters and 7 year roll-out Table 1 shows the results for the base case. We see that when using GeoMarketing the results are significantly better: the 15 year NPV is ~20% higher, with a 2 year earlier breakeven point and ~20% less minimal NPV.

We clearly see that for all roll-out speeds the GeoMarketing solutions result in better NPV’s. The difference varies from ~10% at a one to three year roll-out to over 100% at a 15 year roll-out. The minimal NPV in each case remains ~10-20% better for GeoMarketing. C. Impact of varying number of clusters In Figure 3 we look at the impact of varying number of clusters.

Ratio "Geomarketing NPV" to "Phased roll-out NPV"

C. Part 2:Economic Analysis

130% 125% 120% 115% 110% 105% 100% 0

20

40

60

80

100

Number of clusters

Figure 3: Impact of varying number of clusters Table 1 Base Case: 40 clusters, 7 year roll-out

GeoMarketing random phased roll-out

NPV 15y ($M) 74,5 60,4

BreakEven year 2019 2021

Minimal NPV ($M) -31,4 -40,5

It is important to note that the cluster roll-out strategy is based on both the user profiling as well as the cluster density, which implies that we look both at revenue potential and expected cost when deciding the roll-out sequence. B. Impact of varying roll-out speed In Figure 2 the impact of varying the roll-out speed is illustrated.

As expected, increasing the number of clusters results in an increased advantage of GeoMarketing over a random rollout. This advantages levels out at 25% around 40-50 clusters, implying that increasing the level of clusters beyond 40 is unnecessary (also the minimal NPV levels out at ~35% better). V. CONCLUSION

It is clear that GeoMarketing is a valuable tool for network operators to optimize their network roll-out. In previous analysis we have illustrated that after 15 years the NPV is higher than the random phased roll-out, the project will sooner reach break-even and will require less capital investment. Increasing the number of clusters or years required to roll-out the network will increase the benefits over a normal phased roll-out. REFERENCES [1] Bart Wouters, Invloed van Stadsnetwerken op de breedbandmarkt gemodelleerd met behulp van Speltheorie, UGent, 2007.

Figure 2: Impact of varying roll-out speed

4|

INHOUD Voorwoord ..................................................................................................................................................................... 1 Overzicht ......................................................................................................................................................................... 2 Extended abstract ....................................................................................................................................................... 3 Lijst van Afkortingen.................................................................................................................................................. 7 Inleiding .......................................................................................................................................................................... 8 1 Deel 1: INLEIDEND OVERZICHT........................................................................................................................ 9 1.1

1.1.1

Inleiding ............................................................................................................................................. 9

1.1.2

Architectuur ................................................................................................................................... 11

1.1.3

Componenten ................................................................................................................................ 13

1.1.4

Uitrol ................................................................................................................................................. 16

1.1.5

Besluit............................................................................................................................................... 19

1.2

2

Hoofdstuk 2: GeoMarketing .............................................................................................................. 20

1.2.1

Inleiding .......................................................................................................................................... 20

1.2.2

Geografisch Informatie Systeem (GIS)................................................................................ 21

1.2.3

Clusteren ......................................................................................................................................... 22

1.2.4

Besluit............................................................................................................................................... 25

Deel2: THESISMODEL ................................................................................................................................... 26 2.1

Hoofdstuk 1: Opbouw van het model ........................................................................................... 26

2.1.1

Algemene aanpak ........................................................................................................................ 26

2.1.2

Clustering ........................................................................................................................................ 28

2.1.3

Economische analyse ................................................................................................................. 44

2.2

3

Hoofdstuk 1: Technologie ..................................................................................................................... 9

Hoofdstuk 2: Invulling en aanpassing model voor Gent ....................................................... 52

2.2.1

Inleiding .......................................................................................................................................... 52

2.2.2

Input data........................................................................................................................................ 53

2.2.3

Creatie dataset .............................................................................................................................. 55

2.2.4

Gezinprofilering ........................................................................................................................... 56

2.2.5

Clustering ........................................................................................................................................ 59

2.2.6

Economische analyse ................................................................................................................. 67

2.2.7

Besluit............................................................................................................................................... 69

DEEL 3: Resultaten ......................................................................................................................................... 70 3.1

Hoofdstuk 1: Analyse van de resultaten ...................................................................................... 70

3.1.1

Inleiding .......................................................................................................................................... 70 5|

3.1.2

Vergelijking oorspronkelijk en aangepast clusteralgoritme ..................................... 70

3.1.3

Algemene oplossing Gent ......................................................................................................... 72

3.1.4

Variatie van het aantal clusters ............................................................................................. 77

3.1.5

Variatie van de uitrolsnelheid ................................................................................................ 78

3.1.6

Variatie van zowel uitrolsnelheid als aantal clusters ................................................... 79

3.1.7

Wijziging van aantal gezinsprofielen .................................................................................. 80

3.1.8

Wijziging van de uitrolstrategie ............................................................................................ 81

3.2

Hoofdstuk 2: Besluit ............................................................................................................................. 83

Bijlagen ......................................................................................................................................................................... 86 scoretabel ................................................................................................................................................................ 86 Referenties .................................................................................................................................................................. 88 Lijst van figuren ........................................................................................................................................................ 90 Lijst van tabellen....................................................................................................................................................... 92

6|

LIJST VAN AFKORTINGEN ADSL APF AON ATM CAPEX CO DSL DSLAM FID FttC FttH GIS ISP MGI MSI MST NIS NPV OLT ONU OPEX PCS PON P2P SCS SSI VDSL VRP

Asymmetric Digital Subscriber Line All Plastic Fiber Active Optical Network Automated Teller Machine Capital Expenditures Central Office Digital Subscriber Line DSL Acces Multiplexer Feature Identity Fiber to the Curb Fiber to the Home Geografisch Informatie Systeem Internet Service Provider Multimode Graded Index Multimode Step Index Minimal Spanning Tree Nationaal Instituut van de Statistiek Net Present Value Optical Line Terminator Optical Network Unit Operational Expenditure Plastic Clad Silicium Passive Optical Network Point to Point Silicium Clad Silicium Singlemode Step Index Very High Speed Digital Subscriber Line Vehicle Routing Problem

7|

INLEIDING Het uitrollen van een netwerk is een zeer kost intensieve activiteit waarbij de plaatsing van de infrastructuur een van de grootste kostenposten is. Omdat het hele proces zeer duur en tijdrovend is wordt er constant gezocht naar mogelijkheden om de kosten te beperken en de uitrol te optimaliseren. Een van de mogelijkheden hiervoor is het gebruik van GeoMarketing technieken. Dit eindwerk wil nagaan wat de invloed is van het opnemen van bewonersinformatie in de bepaling van de uitrolstrategie. We willen gebruik maken van geografische en demografische informatie om verschillende subregio’s de creëren op basis van de bewoners profielen. Aan de hand van deze clustering in subregio’s willen we dan een optimale uitrolstrategie bepalen om een zo groot mogelijke globale NPV te realiseren.

Deze thesis wil een antwoord bieden op volgende vragen: Hoe kunnen we GeoMarketing technieken toepassen bij de uitrol van netwerken? Biedt het gebruik van GeoMarketing technieken voordelen? Hoe verhouden de kosten/opbrengsten zich tot huidige beslissingsmethoden? Wat is een optimale uitrolstrategie voor Gent wanneer we gebruik zouden maken van GeoMarketing technieken?

Deel I van deze thesis is tweeledig. In een eerste deel bespreken we benodigdheden van een FttH netwerk en de uitrolproblematiek. Het tweede deel behandelt de GeoMarketing technieken en de verschillende onderdelen die hier bij komen kijken. In deel II van de thesis gaan we het model opbouwen aan de hand waarvan we een uitspraak zullen kunnen doen over het gebruik van GeoMarketing technieken als hulpmiddel. Tevens introduceren we de case, namelijk het uitrollen van FttH in de stad Gent, waarop we de GeoMarketing technieken zullen toepassen. We gaan daarbij direct ook dieper in op de verschillende problemen die in de data opduiken. Tenslotte zullen we in deel III de resultaten van het opgebouwde model toegepast op de case in verschillende praktische scenario’s analyseren. Deze finale analyse zal dan ook de voordelen van GeoMarketing voor de uitrol van een FttH netwerk duidelijk maken.

8|

1

DEEL 1:

INLEIDEND OVERZICHT

1.1 HOOFDSTUK 1: TECHNOLOGIE 1.1.1 INLEIDING De laatste jaren hebben internet verbindingssnelheden een zeer sterke groei gekend. Dit heeft er toe geleid dat het scala aan toepassingen ook exponentieel is toegenomen met een steeds sterkere vraag naar bandbreedte en snelheid. Denken we maar aan toepassingen zoals YouTube, Google Earth, TV, etc. Deze vraag naar bandbreedte heeft er dan ook voor gezorgd dat netwerkoperatoren op zoek gaan naar mogelijkheden om hun netwerkcapaciteit verder uit te breiden. In een eerste fase werd er vooral aandacht besteed aan de verbetering van de bestaande netwerkinfrastructuur. De verbetering die de laatste jaren heeft plaatsgevonden bestond voornamelijk uit het verkorten van de koper –of coaxlengte in het netwerk, waarbij deze gradueel vervangen werden door glasvezel. Dit wordt ook wel de verglazing van het netwerk genoemd. In de meeste gevallen wordt de koperlijn tussen de centrale en de wijkkast vervangen door glasvezel; het stuk tussen de wijkkast en de eindgebruiker blijft bestaan uit koper. Door het koperdeel korter te maken zorg je voor lagere verliezen en dus een hogere gebruikersnelheid.

9|

Een van de mogelijkheden die tegenwoordig als een volwaardig alternatief voor de bestaande koper-en coaxnetwerken beschouwd wordt is Fiber to the Home (FttH). Hierbij wordt ook het laatste deel van het netwerk, van de wijkkast tot de eindgebruiker, vervangen door glasvezel, waardoor er bijna geen verliezen meer op het netwerk zitten. De recente populariteit en opmars van FttH netwerken schuilt in de combinatie van een aantal factoren. Enerzijds zijn er de grote voordelen van glasvezelnetwerken zoals de quasi onbeperkte bandbreedte, de betrouwbaarheid en lage verliezen. Anderzijds heeft er de laatste jaren een sterke prijsdaling van de vroeger dure glasvezel en de optische componenten plaatsgevonden. Dit is belangrijk aangezien een glasvezelnetwerk immers nog volledig uitgerold moet worden, waardoor de investeringen aanzienlijk zijn. Het verbeteren van bestaande netwerken is momenteel in veel landen nog steeds de meest kostefficiënte manier om aan de stijgende vraag te beantwoorden. In Europa lopen Scandinavië en enkele kleinere landen, zoals Nederland, voorop als het gaat om de aanleg van FttH . Wereldwijd zijn vooral Japan en Zuid Korea de grote spelers wanneer het gaat over aanleg en gebruik. [1]

Figuur 1: Aantal FttH gebruikers wereldwijd [2]

België was in het vorige decennium een pionier op het gebied van ADSL en momenteel is er reeds 100% dekkingsgraad voor ADSL. Belgacom is momenteel al volop bezig met de uitrol van VDSL en had begin 2009 al een dekkingsgraad van 69% met als doel om 80% van de bevolking te dekken tegen 2011. [3] Dit maakt Belgacom 1 van de top 5 VDSL2 spelers wereldwijd. Wereldwijd heeft DSL een aandeel van 62%, kabel 29% en glasvezel 7%. [4] In 2008 is Belgacom begonnen met het testen van een eerste FttH netwerk door 50 huizen in Rochefort aan te sluiten. Op het einde van de proefperiode zal de mogelijkheid bekeken worden om dit op een grotere schaal uit te rollen. [5] Door de grote investeringen die Belgacom in ADSL en VDSL heeft gedaan is het waarschijnlijk dat Belgacom zolang mogelijk deze kopernetwerken wil gebruiken om de gemaakte investeringen te kunnen laten renderen.

10 |

1.1.2 ARCHITECTUUR Op dit moment bestaan er 2 belangrijke types architecturen die glasvezel tot in de woonkamer brengen, namelijk Active Optical Networks (AON) en Passive Optical Networks (PON). In de volgende paragrafen gaan we dieper in op deze netwerkarchitecturen. De keuze voor één van beide zal immers een grote impact hebben op de performantie en kosten. In Figuur 2 illustreren we het verschil in kosten1.

Figuur 2: Netwerk opties en bijhorende kosten [26]

1.1.2.1 Passive Optical Network (PON) In een Passive Optical Network (PON) wordt een gebruiker aan het netwerk aangesloten door middel van een point to multipoint netwerk, waardoor verschillende gebruikers dezelfde bandbreedte delen. Een PON maakt gebruik van optische splitters die zorgen voor de verdeling en verzameling van signalen wanneer deze zich door het netwerk bewegen. Deze splitters bevinden zich tussen de gebruiker en de Central Office (CO). Dit wordt geïllustreerd in Figuur 3.

Figuur 3: Passive Optical Network

1

De AON kost is afhankelijk van het type netwerk, Active star of home run

11 |

1.1.2.2 Active Optical Network (AON) In het geval van een Active Optical Network wordt de gebruiker verbonden met het netwerk door middel van een point to point verbinding. De Optical Network Unit van de gebruiker is dan rechtstreeks verbonden met de Optical Line Terminator zonder dat er hier splitters tussen zitten. Dit type netwerk kunnen we opnieuw opsplitsen in twee types op basis van de locatie van de apparatuur. Wanneer de OLT zich in de CO bevindt spreken we van een Home Run Fiber Netwerk en wanneer deze zich in een straatkabinet bevindt spreken we van een Active Star Ethernet. Beiden worden geïllustreerd in Figuur 4.

Figuur 4: Home Run Fiber Netwerk (links) – Active Star Etherne (rechts)

1.1.2.3 Vergelijking tussen AON en PON Een van de voordelen van PON’s is dat de investeringen beperkter zijn in de zin dat één glasvezeldraad door verschillende gebruikers kan worden gedeeld. Ook zal het onderhoud van een PON goedkoper zijn dan bij een AON. Verder heeft de PON architectuur nog als voordeel dat de enige elektrische onderdelen van het netwerk zich bij de gebruiker en in de CO bevinden waardoor er relatief weinig mis kan gaan. Deze voordelen brengen ook enkele nadelen mee. PON’s beschikken over een minder grote reikwijdte dan AON’s, wat wil zeggen dat de gebruikers zich geografisch dichter bij de bron van de data moeten bevinden. Ook, omdat de volledige bandbreedte in een PON niet aan 1 gebruiker kan toegewezen worden, zullen data transmissie snelheden afnemen tijdens piek uren. Momenteel wordt er gebruik gemaakt van Time Division Multiplexing protocollen om de bandbreedte te verdelen over de verschillende gebruikers. In dit protocol wordt er aan iedere gebruiker een timeframe toegekend waarbinnen de gebruiker in staat is om data te versturen en te ontvangen. Het splitsen zorgt ook telkens voor verzwakking van het signaal. De AON heeft als voordeel dat er geen splitters nodig zijn en er dus geen verzwakking door splitsing zal optreden. Het gevolg hiervan is dat dit type netwerk over een grotere reikwijdte beschikt. Verder hebben deze netwerken nog als voordeel dat de bandbreedte volledig aan de gebruiker wordt toegekend waardoor geen hinder ondervonden zal worden van andere gebruikers. Een nadeel is echter dat de investeringskost groter zal zijn doordat iedere 12 |

gebruiker een eigen glasvezel heeft. Dit zal ook zorgen voor een complexer systeem en hogere onderhoudskosten.

1.1.3 COMPONENTEN Zoals uit de vorige paragrafen gebleken is hebben we voor de aansluiting van het glasvezelnetwerk tot bij de gebruiker een aantal specifieke onderdelen nodig. Hoewel de prijs van deze onderdelen de laatste jaren sterk gedaald is blijft deze toch zeer duur [4] en zullen in grote mate de kost van het netwerk beïnvloeden. Het is dus belangrijk om de verschillende fabrikanten te vergelijken op o.a. performantie, investering en onderhoudskost. Het is tevens belangrijk om apparatuur te kiezen die werkt volgens open en onafhankelijke standaarden. Op deze manier is het netwerk niet afhankelijk van één bedrijf en blijft het toegankelijk voor nieuwe ontwikkelingen van andere spelers. In de volgende paragrafen gaan we in op elk van de nodige onderdelen. Figuur 5 geeft een overzicht van de verschillende delen die we in de volgende paragrafen zullen behandelen.

Figuur 5: Overzicht onderdelen

1.1.3.1 Optische vezel Eerst en vooral hebben we de glasvezel zelf, die het licht geleidt. Het geleiden van licht wordt bewerkstelligd door de vezel samen te stellen uit materialen met verschillende brekingsindices, zodat in de vezel als het ware een spiegelend vlak tussen de kern en de mantel ontstaat dat het licht binnenhoudt. De voortbeweging van een lichtstraal doorheen een glasvezel gebeurt door een opeenvolging van interne reflecties. Dit wordt weergegeven in Figuur 6.

13 |

Figuur 6: Optische vezel [7]

De optische vezel is opgebouwd uit een kern (core) waar de lichtstraal gevangen zit, dankzij een omhulling (cladding) waarvan de brekingsindex kleiner is dan deze van de kern. Deze vezel wordt beschermd door een kunststof beschermlaag die de optische functies van de kern en de cladding beschermt tegen schokken en andere invloeden. Belangrijk bij het geleiden van de lichtsignalen is om het optisch verlies te minimaliseren. Dit verlies wordt veroorzaakt door drie effecten: strooiing, absorptie en afbuiging. Deze zorgen ervoor dat niet alle golflengtes evengoed door de vezel propageren. De attenuatie fluctueert in functie van de golflengte van het licht. De golflengtes waarbij deze attenuatie het laagst is zijn precies die golflengtes waar het FttH netwerk gebruik van maakt. [7] We kunnen verschillende types glasvezel onderscheiden op basis van het materiaal waaruit deze zijn vervaardigd. We hebben de All Plastic Fiber (APF) waarbij zowel cladding als core van kunststof zijn, de Plastic Clad Silicium (PCS) die bestaat uit glasvezel met een kunststof mantel, en de Silicium Clad Silicium (SCS) waarbij zowel cladding als core van glas zijn. Naast een onderscheid in materialen kunnen we glasvezels ook indelen naar geleidingsprincipe, namelijk de Multimode Step Index (MSI), de Multimode Graded Index (MGI) en de Single mode Step Index (SSI). De keuze voor een type kabel wordt gemaakt op basis van het type netwerk architectuur, de grootte van het netwerk en de afstand. Voor de uitrol van een FttH netwerk wordt meestal gebruik gemaakt van SCS – SSI kabels. [8]

1.1.3.2 Optical Line Terminator De OLT zorgt voor de aggregatie van de verschillende lijnen en verbindt de gebruikers met de verschillende ISPs. Deze component bevindt zich in de CO. Bij een actief netwerk bestaat de OLT uit P2P Ethernet line cards. Elke poort op de kaart is dan voor één unieke gebruiker. Bij PONs wordt Elke poort wordt nu gedeeld door meerdere verbindingen. Een foto van een OLT wordt weergegeven in Figuur 7.

14 |

Figuur 7: Optical Line Terminator [32]

1.1.3.3 Splitter Een splitter komt enkel voor bij passieve netwerken en verdeelt de gemeenschappelijke glasvezel over de verschillende gebruikers waarbij verscheidene splitsingsratio’s mogelijk zijn. Bij deze splitsing zal het signaal steeds verzwakken.

1.1.3.4 Optical Network Unit De Optical Network Unit (ONU) zet optische signalen, getransporteerd door glasvezel, om in elektrische signalen. Deze elektrische signalen worden dan tot aan de gebruiker gebracht. De ONU kan zich zowel binnen- als buitenhuis bevinden en is te vergelijken met een modem bij DSL of kabeltechnologie. Een illustratie wordt weergegeven in Figuur 8.

Figuur 8: Optical Network Unit

1.1.3.5 Andere Behalve de verschillende elektrische apparatuur hebben we voor het netwerk ook een aantal infrastructuur onderdelen nodig, zoals straatkabinetten, palen, kruipgaten, etc. Deze onderdelen zijn ongeveer dezelfde voor de verschillende architecturen en verschillen ook weinig van bestaande netwerken.

15 |

1.1.4 UITROL In het FttH toegangsnetwerk kunnen we drie belangrijke delen onderscheiden, namelijk de inside plant, de outside plant en de customer premises.[9] Deze opsplitsing wordt geïllustreerd in Figuur 9.

Figuur 9: Onderdelen toegangsnetwerk

De inside plant bevindt zich meestal dichtbij het geografische centrum van het uit te rollen gebied en is afhankelijk van het aantal klanten en het type netwerk een Central Office of een straatkabinet. In de inside plant wordt typisch de terminatie van de glasvezels uitgevoerd. De outside plant wordt gekenmerkt door de afwezigheid van actieve componenten en overbrugt de afstand tussen de inside plant en de customer premises. Op het moment dat de glasvezel het huis binnenkomt en dus in aanraking komt met actieve apparatuur stopt de outside plant en begint de customer premises. Op de customer premises wordt de glasvezel binnenshuis gebracht en aangesloten op de ONU van de klant. Het uitrollen van deze outside plant is qua kosten bepalend voor de totale investering van de operator. Deze kost kan worden opgesplitst worden in een loonkost en een kost voor de fysieke componenten, die samen ook wel capital expenditures of CapEx genoemd worden. Deze kosten zullen minstens 45% van de gehele investeringskost bedragen en kunnen oplopen tot 70% .[20] [21] [22] [23]

Figuur 10: FttH cost breakdown for Zele [20]

16 |

De kost van de outside plant wordt gedreven door de topologie van het netwerk. De straten waarlangs het netwerk uitgerold moet worden bieden immers serieuze beperkingen. Hierdoor is het belangrijk om over actuele accurate data te beschikken om zo een optimale kosten schatting en uitrol planning te bekomen. We kunnen geen uniform kostenplaatje per gebied of per huis opstellen aangezien iedere straat unieke karakteristieken heeft die de kosten en uitrolmoeilijkheid zullen bepalen. Zo zullen bruggen en tunnels een grotere kost met zich mee brengen en zal ook het feit of er bovengronds of ondergronds moet uitgerold worden mee de kosten bepalen.

1.1.4.1 Uitrolmogelijkeden van de outside plant Zoals reeds eerder gezegd wordt het totale kostenplaatje van een FttH toegangsnetwerk voornamelijk beïnvloed door de plaatsing van de outside plant. Dit omvat alle passieve netwerkonderdelen zoals de kabels, de kabelgoten, de straatkabinetten, de vezels, splitters, etc. Gezien de grote kost die hier aan vast hangt zullen we dieper ingaan op de verschillende uitrolmogelijkheden. Deze zijn bovengronds – op palen of aan de gevels – en ondergronds.

1.1.4.1.1 Bovengronds In deze sectie zullen we zowel het netwerk bevestigd aan palen (aerial) als het netwerk bevestigd aan gevels (façade) beschouwen aangezien deze twee types veel gelijkenissen vertonen. Het aerial netwerk is, zoals de naam al doet vermoeden, een bovengronds netwerk en maakt gebruik van palen om de kabels aan te bevestigen. Het façade netwerk verschilt hiervan in het feit dat het gebruik maakt van de gevels van woningen om de kabels aan te bevestigen. Een van de grote voordelen van deze types netwerken is dat het de graafwerken overbodig maakt. Een aerial netwerk heeft als bijkomend voordeel dat het gebruik kan maken van de bestaande paalinfrastructuur. Het ontbreken van de graafkost zal een grote (positieve) impact hebben op de totale uitrolkosten die dus eerder beperkt zullen blijven. In Figuur 11 worden deze types netwerken schematisch weergegeven

Figuur 11: Bovengrondse netwerken [9]

17 |

1.1.4.1.2 Ondergronds Dit type netwerk vereist het graven van kabelgoten waarin de glasvezelkabels geplaatst kunnen worden. Het heeft als groot voordeel dat het een veilige en verborgen omgeving creëert voor de kabels. Het grote nadeel is de extreem grote kost veroorzaakt door het openleggen van de bestaande infrastructuur en de kost van reparatie bij kabelbreuken. Bij keuze voor dit type uitrol is een goede planning dan ook van cruciaal belang, zowel voor de kostprijs als voor mogelijke schade aan reeds ingegraven netwerken. Indien mogelijk wordt dit in parallel gedaan met bestaande wegenwerken. Een andere mogelijkheid voor het ondergronds aanleggen van kabels is trekken. Hierbij worden de kabels van het nieuwe netwerk getrokken door pijpen die reeds aanwezig zijn. Een ondergronds netwerk wordt geïllustreerd in Figuur 12.

Figuur 12: Ondergronds network [9]

1.1.4.2 Vergelijking tussen verschillende uitrolmogelijkheden Tabel 1 geeft een overzicht van de verschillende uitrolmogelijkheden, de kost die hiermee gepaard gaat en de voor- en nadelen. Tabel 1: Vergelijking uitrolmogelijkheden

Bovengronds

Ondergronds graven

trekken

kost ($/m)

6

40

2

Voordeel

goedkoop

goedkoop

Snellere uitrol

Geode bescherming van kabels veilig

Minder goede bescherming

duur en trage uitrol

Er moeten reeds pijpen liggen

Nadeel

veilig

18 |

1.1.5 BESLUIT Daar de nadruk van deze thesis ligt op het toepassen van GeoMarketing technieken gaan we verder werken op een reeds bestaand kostenmodel, namelijk het model opgebouwd in [4], om de kosten en opbrengsten van het gebruik van GeoMarketing in te schatten. Om hier gebruik van te kunnen maken is het noodzakelijk dat we kiezen voor eenzelfde type netwerk, waardoor we kiezen voor een actief home run fiber netwerk.

19 |

1.2 HOOFDSTUK 2: GEOMARKETING 1.2.1 INLEIDING Het segmenteren van de gebruikersmarkt is een bekend fenomeen in de marketing wereld. Het is gebaseerd op het principe dat niet iedereen geïnteresseerd is in dezelfde producten of diensten en deze ook niet op dezelfde wijze of in dezelfde hoeveelheid aanschaft. Segmenteren van markten heeft als doel het marketing- en verkoopprogramma te focussen op een subset van potentiële klanten die met een grotere waarschijnlijkheid de producten of diensten zullen kopen. Op deze manier verhoogt segmentatie de kans op een hogere return op de marketing- en verkoopinspanningen en verbetert dus de efficiëntie. De laatste jaren zijn sommige bedrijven hier heel ver in gegaan, door zelfs iedere klant in een eigen segment te stoppen. Zo stuurt Colruyt bijvoorbeeld naar iedere klant andere kortingsbonnen op basis van zijn aankoopgedrag dat wordt bijgehouden met zijn klantenkaart. [10] Wanneer we deze indeling maken op basis van geografische informatie spreken we over geografische segmentatie waarop dan geografische marketing technieken toegepast worden, kortweg GeoMarketing genoemd. Hierbij worden de subsets van potentiële klanten gegroepeerd op basis van hun geografische locatie en de kenmerken die hier aan vast hangen. Een onderliggende veronderstelling bij GeoMarketing is dat individuen in een bepaalde regio meer overeenkomsten met elkaar hebben dan personen buiten de regio. De kracht van GeoMarketing bestaat erin om geografisch gerelateerde informatie op een transparante wijze cartografisch zichtbaar te maken. Enkele toepassingen van GeoMarketing worden in Figuur 13 weergegeven.

Figuur 13: Toepassingen van GeoMarketing [13]

20 |

Tegenwoordig worden GeoMarketing technieken gebruikt in tal van toepassingen in verschillende sectoren. Zo heeft MasterCard gebruik gemaakt van GeoMarketing om de locaties van nieuwe ATM machines te bepalen. Op basis van data van bewoners en data van concurrentie en reeds bestaande ATM machines waren ze in staat om ATM machines te plaatsen waar de bewoners deze nodig hadden en frequent langs kwamen. Ook worden de onderliggende principes van GeoMarketing tegenwoordig gebruikt in vehicle routing problems (VRP). [14][13] Bij het uitrollen van netwerken kan het gebruik van GeoMarketing technieken interessante gevolgen hebben voor de winstgevendheid van de investering. Door GeoMarketing technieken te gebruiken kan een telecom operator op voorhand bepalen waar de klanten met de laagste aansluitingskost en hoogste verwachte opbrengst zich bevinden. Door deze gebieden eerst uit te rollen en andere, minder winstgevende, gebieden niet of later uit te rollen kan hij zijn kans op winst verhogen. Deze techniek noemt men ook wel “cherrypicking”. Andere voordelen zijn betere marketing van de netwerk diensten, optimalisatie van de capaciteit van het netwerk, bepalen van de geografische locatie van de CO. Om GeoMarketing technieken op grote schaal toe te passen wordt er voornamelijk gebruik gemaakt van “Geografisch Informatie Systeem” (GIS) data en verscheidene clustering technieken. Deze twee belangrijke onderdelen zullen we in de volgende secties uitgebreider bespreken.

1.2.2 GEOGRAFISCH INFORMATIE SYSTEEM (GIS) Een Geografisch Informatie Systeem (GIS) is een informatiesysteem waarmee ruimtelijke gegevens over geografische objecten, zogenaamde geo-informatie, kan worden beheerd. GIS data hebben een geografische dimensie zodat deze gerelateerd kunnen worden naar een bepaalde plek op aarde. De kracht van een GIS ligt in het vastleggen, combineren, analyseren en presenteren van gegevens met een ruimtelijke component om zo meer informatie te verkrijgen. Veel gegevens en informatie bevatten een ruimtelijke component zodat we die een plaats op een landkaart kunnen geven en vervolgens de gegevens ruimtelijk met elkaar in verband kunnen brengen. Naast visualisatie van geografische data is de analyse van geografisch gebonden informatie een belangrijke toepassing binnen het GIS. Door bewerkingen, berekeningen en analyses binnen een GIS-systeem, is het mogelijk om objecten waarvan hun ligging ruimtelijk bekend is beter te beheren. Om dit concreter te maken geven we een klein voorbeeld. GIS informatie van een stad is meestal opgebouwd uit verschillende lagen. Voor Gent bestaat deze bijvoorbeeld uit een laag sectoren, een laag straten, een laag gebouwen, een laag percelen, een laag waterlopen, enzovoort. Wanneer we al deze data met elkaar combineren in een GIS systeem, kunnen we op basis van de geografische referenties nagaan hoe deze lagen zich tot elkaar verhouden. We kunnen dan nagaan in welke sector bepaalde straten zich bevinden en welke huizen hier aan gekoppeld worden. Als we nog een stap verder gaan en aan ieder huis attributen zoals aantal inwoners, inkomen, leeftijd gekoppeld zijn kunnen we ook per sector of zelfs straat gaan

21 |

kijken hoeveel mensen er wonen en wat het gezamenlijke inkomen is. Dit wordt geïllustreerd in Figuur 14.

[sectoren]

[percelen]

[straten]

[gezinnen]

Figuur 14: Gelaagdheid van GIS data

In combinatie met GeoMarketing worden GIS systemen vaak gebruikt om potentiële klanten uit te zetten op een kaart. Dit laat bedrijven toe om de gebieden te identificeren waar de grote klanten zitten Aan de hand hiervan kunnen ze hun marketing strategie optimaliseren. De lagen in een GIS kaart die hiervoor gebruikt worden zullen vaak informatie bevatten zoals het gemiddelde inkomen van de bewoners, het aantal en type winkels, en hoogstwaarschijnlijk informatie over concurrentie en bestaande klanten.

1.2.3 CLUSTEREN Om te bepalen welke elementen of bewoners de grootste gelijkheid vertonen maken we gebruik van clustering technieken. Clusteren is het toekennen van observaties of gegevens aan een kleinere groep, een zogenaamde cluster, van gegevens zodat de elementen van eenzelfde cluster een grote gelijkheid tonen. Elementen van eenzelfde cluster tonen dan een grote gelijkheid maar verschillen van elementen van een andere cluster. Clusteren is een unsupervised learning probleem wat wilt zeggen dat men probeert te achterhalen hoe de gegevens georganiseed zijn. Het onderscheidt zich van supervised learning in het feit dat er geen training sets voorhanden zijn om het principe aan te leren. Door de data voor te stellen in een aantal groepen, of clusters, worden weliswaar de details van ieder datapunt verloren maar verkrijgen we wel beter overzicht van het geheel2. Een belangrijk aspect bij het clusteren bestaat uit het berekenen van de afstand parameter die zal bepalen hoe de gelijkheid tussen twee elementen berekend zal worden. Deze afstand parameter zal een grote invloed uitoefenen op de vorm van de cluster aangezien elementen dicht bij elkaar kunnen liggen op basis van een bepaalde afstand maar verder van elkaar op basis van een andere. Deze afstand kan uiteraard ook rekening houden met niet-geografische elementen zoals inkomen. Er bestaan verschillende soorten clustering algoritmes en we zullen de twee groepen namelijk hiërarchische en niet- hiërarchische of partitionerende methoden, verder uitdiepen. Een overzicht van de verschillende algoritmen wordt in Figuur 15 gegeven.

2

We kunnen deze details later wel opnieuw gebruiken

22 |

Clustering

Hierarchical

Agglomerative

Partitional

Decisive

Square error

Graph theoretic

K-means

Mixture resolving

Mode seeking

Expectation maximization

Figuur 15: Overzicht clusteralgoritmen

1.1.1.1.1 Hiërarchische methoden Hiërarchische clustermethoden kunnen nog verder onderverdeeld worden in opbouwende en verdelende methoden. Bij een opbouwende hiërarchische clustermethode wordt in de eerste fase elke observatie gezien als een aparte cluster. Tussen de verschillende clusters wordt dan de afstandsparameter berekend die zal bepalen welke clusters het dichtst bij elkaar liggen. De clusters die het dichtst bij elkaar liggen worden dan samengevoegd en vormen een nieuwe cluster. Deze stap wordt herhaald tot alle observaties tot een vooraf bepaald aantal clusters behoren. De verdelende hiërarchische clustermethode werkt in de omgekeerde richting. Dit algoritme vertrekt van 1 cluster en splitst deze vervolgens in de twee meest homogene clusters en blijft dit herhalen tot een stop criteria (aantal clusters) bereikt wordt. Dit proces wordt visueel voorgesteld door een dendogram. Zie Figuur 16 voor een illustratie hiervan.

23 |

Figuur 16: Hiërarchische clustering [29]

De afstandsparameter, die gebruikt wordt om na te gaan hoever twee clusters van elkaar verwijderd liggen kan een effectieve afstand zijn maar kan ook uitgaan van de gelijkheid tussen de observaties. Bij de Ward-methode is het uitgangspunt voor de toewijzing van observaties aan clusters de homogeniteit binnen de groep. Bij elke stap wordt een observatie toegewezen aan een cluster zodanig dat de variantie in de clusters geminimaliseerd wordt. [27] Het voordeel van hiërarchische clustermethodes is dat op voorhand geen startpunten van clusters bepaald moet worden. De verschillende oplossingen kunnen geanalyseerd worden om te bepalen welke oplossing het meest relevant is. Het nadeel van deze clustermethode is dat wanneer een observatie aan een cluster wordt toegewezen deze niet meer aan een andere cluster kan toegewezen worden.

1.1.1.1.1 Niet- hiërarchische of partitionerende methoden

Figuur 17: Partitionerende clustering methode [17]

Dit type start met een vooraf bepaald aantal clusters en clustermiddens die stap voor stap worden herzien en geoptimaliseerd. Bij iedere stap wordt voor elk datapunt herberekend tot welke cluster het behoort. We illustreren dit aan de hand van de werking van k-means, wellicht het bekendste partitionerende clusteralgoritme.

24 |

We introduceren de volgende notatie: D = de verzameling datapunten waarover geclusterd wordt. Het k-means algoritme kent de volgende stappen: 1.

Opgeven van het aantal clusters k.

2.

Generatie van k random punten, de zogeheten clustercentra.

3.

Koppelen van elk punt in de verzameling D aan het dichtstbijzijnde clustercentrum.

4.

Per clustercentrum - verzameling het nieuwe clustercentrum berekenen.

5.

Herhalen van de punten 3 en 4 totdat de verzameling punten behorend bij de clustercentra niet meer veranderen of dat de verandering van een fout < is.

Toekenning van de punten uit D aan de clustercentra vindt plaats op basis van de euclidische afstand. De nieuwe clustercentra worden berekend door in elk cluster het gemiddelde van alle punten in dat cluster te berekenen. Dit gemiddelde vervangt het oude clustercentrum. Vervolgens worden de punten uit D toegekend aan deze nieuwe clustercentra. Dit proces wordt herhaald tot de verzamelingen clusterpunten niet meer veranderen, of de verandering van de som van de euclidische afstanden kleiner is dan , een willekeurig klein getal. [30]

1.2.4 BESLUIT In deze thesis wordt uitgebreid gebruik gemaakt van zowel GIS data als verschillende clusteralgoritmes. De clusteralgoritmes gebruiken we voor twee doeleinden. . In een eerste fase zullen we klanten bundelen volgens hun profiel. Hierna zullen we opnieuw een clusteringalgoritme toepassen, dit keer om bewoners te bundelen op basis van geografische afstand. Hoe we dit precies implementeren bespreken we uitgebreid in het volgende hoofdstuk.

25 |

2

DEEL2:

THESISMODEL

2.1 HOOFDSTUK 1: OPBOUW VAN HET MODEL 2.1.1 ALGEMENE AANPAK Bij de uitrol van een nieuwe netwerkstructuur zullen veel verschillende parameters een belangrijke rol spelen. Het doel van dit eindwerk bestaat erin om op basis van de geografische en bewoners informatie een inschatting te maken van de NPV bij installatie van de nieuwe netwerkstructuur. De regio wordt opgesplitst, of geclusterd, in subregio’s met een gelijkaardig potentieel. Aan de hand van deze clustering wordt dan een optimale uitrolstrategie bepaald van deze subregio’s om een zo groot mogelijke NPV te realiseren. Om tot dit resultaat te komen splitsen we het probleem op in twee grote stappen, namelijk het clusteren van de data tot subregio’s, en de economische analyse waarin we de optimale uitrolstrategie en de kosten en opbrengsten van de clusters bepalen. Dit wordt geïllustreerd in Figuur 18.

26 |

Figuur 18: Algemene aanpak

27 |

2.1.2 CLUSTERING In deze thesis ligt de nadruk op de clustering, dat is het bepalen van de clusters, of subregio’s, op basis van de bewonersinformatie en geografische data. Het is in deze stap dat we gebruik maken van de GeoMarketing technieken om te bepalen welke clusters het meest potentieel bezitten om een grotere winst voor de operator te genereren. In de andere stap hebben we ons vooral gefocust op het bepalen van de uitrolstrategie. De andere delen zijn gebaseerd op [4].(met lichte aanpassing) In de volgende paragrafen zullen we de clustering aanpak in meer diepgang bespreken aan de hand van Figuur 19. Hieronder worden de verschillende stappen geïllustreerd die we nodig hebben en de bijhorende programma’s die we daarvoor gebruiken.

Figuur 19: Clustering aanpak

De input gegevens bestaan uit twee types, namelijk geografische informatie en demografische informatie. De data die we ontvangen bestaat uit verschillende bestanden en lagen waardoor we deze eerst nog moeten combineren en analyseren alvorens we naar de volgende stap kunnen gaan. Wanneer we over een gecondenseerde dataset beschikken kunnen we deze gebruiken om de gebouwen en bewoners op te delen in verschillende profielen. Elk profiel zal gelinkt worden aan een bepaalde FttH adoptie en opbrengst. Op deze dataset, bestaande uit de geografische data en de profielen van de gezinnen, kunnen we dan ons clusteralgoritme toepassen dat de regio zal opdelen in subregio’s, waarvan we vervolgens de minimal spanning tree berekenen.

28 |

Van de resulterende clusters, of subregio’s, kunnen we dan kosten en opbrengsten berekenen aan de hand waarvan we een vergelijking maken tussen verschillende uitrolstrategieën. Hieruit zal blijken wat de toegevoegde waarde van het toepassen van GeoMarketing technieken is.

2.1.2.1 Input Om tot goede resultaten te komen is het belangrijk om van accurate data te vertrekken. Hoe meer en hoe exacter de data, hoe gedetailleerder we het gezinsprofiel kunnen bepalen. De data die we zullen verwerken bestaat uit twee verschillende dataformaten, namelijk Shapefiles voor de geografische data en spreadsheet bestanden voor de aanvullende demografische informatie.

Geografische informatie Een Shapefile is een uitwisselingsbestand voor niet topologische geografische informatie. Dit type bestand is geschikt voor geometrieën of polygonen die bestaan uit stuksgewijs rechte lijnen. Hierbij biedt een Shapefile ook de mogelijkheid om voor elk object bijhorende attributen op te slaan. Deze attributen kunnen variëren van een straatnaam tot het type woning tot het inkomen van bewoners. Drie componenten die aanwezig moeten zijn voor het goed functioneren van de Shapefile zijn: een .shp-bestand met de ligging van de objecten dat we zullen gebruiken om een graaf op te stellen een .dbf-bestand met de attributen van de objecten. Deze gebruiken we om de koppeling te maken tussen het gezin en het gebouw een .shx-bestand dat voor elk object de index in het .shp bestand bevat In Figuur 20 zien we een voorbeeld van een Shapefile.

29 |

Figuur 20: Voorbeeld Shapefile Gent

In het geval van deze thesis worden Shapefiles gebruikt om data weer te geven die aan een geografische locatie gekoppeld is. Typisch worden voor verschillende types objecten andere Shapefiles gebruikt. De belangrijkste Shapefiles voor deze thesis zijn: Stratennetwerk Gebouwen & handelspanden Sectoren Gezinslocaties

Aangezien iedere Shapefile maar uit één type geometrie kan bestaan kan het aantal Shapefiles aanzienlijk oplopen. Deze verschillende datalagen bevatten elk nog verschillende attributen. Zo kunnen we bijvoorbeeld in de laag sectoren de sectornaam en de sectorcode opvragen, in de bewonerslaag kunnen we te weten komen hoeveel mensen er wonen en van de handelspanden kunnen we opvragen over welk type het gaat (buurtwinkel/frituur/supermarkt/...). Elk object in elke laag beschikt over een unieke feature ID (FID) aan de hand waarvan we de objecten karakteriseren.[33]

Demografische informatie Geografische data alleen zal ons niet toelaten om een accurate inschatting te maken van het gezinsprofiel. Hiervoor zullen we meer informatie nodig hebben die ons per gebouw (of per gebied) zal toelaten om een inschatting te maken van verschillende gegevens over de bewoners zoals leeftijd en inkomen. Daarom worden er naast de Shapefiles ook aanvullende bestanden gebruikt die meer informatie bevatten over de bewoners. In een ideaal geval zouden we data per bewoner krijgen waarbij deze rechtstreeks gekoppeld is aan een locatie. Voor een telecom operator of een overheid behoort dit zeker tot de mogelijkheden. In deze

30 |

thesis is dit echter niet mogelijk en werken we, omwille van de gevoeligheid van de data, met gemiddelden van deelgebieden die we dan distribueren over het aantal bewoners. Een aantal kenmerken van gezien die interessant kunnen zijn voor de bepaling van het potentieel zijn: Inkomen Leeftijd Gezinsamenstelling Opleiding Huidige internetuitgave Type abonnement

31 |

2.1.2.2 Creatie dataset We hebben hierboven aangehaald dat we met een aanzienlijk aantal Shapefiles werken waarvan we de informatie moeten combineren. Hiervoor maken we gebruik van GeoTools, een open source JAVA bibliotheek. De interfaces ontwikkeld door GeoTools ondersteunen de data structuren en manipulatie methoden nodig voor de bewerking van GIS applicaties. [34] Het laat ons toe om de Shapefile data in te lezen, te manipuleren en te bewerken om tot het gewenste resultaat te komen. Om de visualisatie te vergemakkelijken maken we ook nog gebruik van het programma ArcGis. ArcGis is een compleet geografisch informatie systeem dat ondersteuning biedt voor het analyseren en visualiseren van geografische informatie. [35]

2.1.2.2.1 Combinatie van data De combinatie van de verschillende datatypes (Shapefiles en spreadsheet) zal ons toelaten om een inschatting en classificatie te maken van het klantenprofiel. Hieronder bespreken we hoe deze combinatie juist plaats zal vinden.

Geografische informatie In een eerste fase behandelen we de geografische data. Zoals reeds eerder gezegd is de belangrijkste geografische data voor deze thesis de straten, de gezinnen, de sectoren, de handelspanden en de huizen. Doordat deze allemaal eenzelfde geografisch referentiepunt bezitten kunnen we deze uitzetten en combineren. In Figuur 21 geven we een schematische voorstelling van een gezin in een huis in een sector.

Figuur 21: Koppeling Shapefiles

32 |

Als resultaat van deze eerste fase willen we graag een bestand bekomen waarin informatie van verschillende Shapefiles gecombineerd wordt. Meer bepaald willen we van een huis kunnen zien hoeveel gezinnen er wonen, of het een handelspand is, en zo ja, welk type, en in welke sector het gelegen is. Dit laatste is belangrijk omdat de gedetailleerde bewonersinformatie op sectorniveau gegeven is. De associatie tussen de verschillende lagen wordt gedaan met ArcGis. Voor ieder object gaan we na of het volledig binnen een object van een andere laag valt. Is dit het geval, dan kennen we aan het object de karakteristieken van de bovenliggende laag toe. Bijvoorbeeld, we gaan voor elk gebouw na of het volledig binnen de grenzen van een sector valt en als dit het geval is kennen we aan dat huis de attributen (naam en code) van de sector toe. Op deze manier kunnen we van ieder gebouw achterhalen in welke sector het ligt. Wanneer we dit herhalen voor de bewoners en gebouwen kunnen we van elke bewoner te weten komen in welk gebouw deze woont. Door nu gebruik te maken van de ID’s van de gebouwen kunnen we nagaan hoeveel gezinnen er in elk gebouw wonen. Als resultaat hebben we dus een lijst van gebouwen met daaraan het aantal gezinnen en de sector gekoppeld. Dit principe laat zich gemakkelijk herhalen voor de handelspanden. Hiervan willen we namelijk ook te weten komen in welk gebouw en sector deze gelegen zijn. Het resultaat hiervan, een lijst gebouwen met daaraan de handelspanden en sectoren gebonden, laat zich gemakkelijk koppelen met de vorige lijst op basis van de gebouw ID’s.

Koppeling demografische informatie Nu we alle informatie op niveau van het gebouw kennen kunnen we de tweede stap van de combinatie, het koppelen van de geografische informatie aan de bewonersinformatie, uitvoeren. De gezinsinformatie bevat immers nog geen inkomen, leeftijd, etc. Hiervoor zullen we de geografische data uitschrijven naar Excel. Zoals eerder vermeld beperkt bewonersinformatie zoals inkomen en leeftijd zich tot niveau van het gebied en zullen we rond het gemiddelde per gebied een distributie moeten opstellen om aan ieder gebouw de nodige gegevens toe te kennen. De data die we per gezin kunnen toevoegen is zeer veelzijdig. In deze thesis zullen we werken met de voor ons beschikbare data waarvan inkomen en leeftijd de belangrijkste zijn. Hoe we deze zullen toekennen aan de gezinnen bespreken we hieronder.

1. Inkomen Inkomen zal een belangrijke rol spelen in het bepalen van het potentieel en het is dus belangrijk om deze op een juiste manier te distribueren. Verschillende studies wijzen erop dat we inkomen kunnen modelleren aan de hand van een lognormale distributie. [37] [38] Een lognormale verdeling wordt dikwijls gebruikt om een variabele te modelleren die gezien kan worden als het multiplicatieve resultaat van een aantal kleine, onafhankelijke factoren. 33 |

De lognormale verdeling wordt gekarakteriseerd aan de hand van een gemiddelde waarde en een standaardafwijking. Daar de standaardafwijking niet gegeven is maken we gebruik van een waarde die algemeen aanvaard wordt bij het modelleren van een inkomensverdeling, namelijk 1.45. [36] Deze inkomensverdeling wordt in Figuur 22 weergegeven.

Figuur 22: Lognormale distributie

2. Leeftijd Naast inkomen zullen we ook leeftijd moeten verdelen over de verschillende gebouwen. Hiervoor hebben we gekozen voor een uniforme verdeling. Als we naar de leeftijdspiramide van België kijken [39], zie Figuur 23 , dan lijkt dit aanvaardbaar. We kiezen ervoor om het interval [22, 75] te gebruiken om de eenvoudige reden dat mensen meestal niet zelfstandig wonen wanneer ze ouder zijn dan 75 of jonger dan 22 en dus ook geen gezinshoofd zijn.

Figuur 23: Leeftijdspiramide België [39]

Na de allocatie van inkomen en leeftijd aan de verschillende huizen bekomen we een dataset die ons per gebouw, het aantal gezinnen, het type handelspand, de sector, het totale inkomen, en de gemiddelde leeftijd weergeeft. Aan de hand van deze dataset bepalen we het profiel en het bijhorende potentieel van de gezinnen en gebouwen. 34 |

2.1.2.2.2 Analyse dataset Vooraleer we de gezinsprofielen kunnen bepalen analyseren we de data echter nog grondig om ervoor te zorgen dat er geen onjuistheden of onvolledigheden in voorkomen. Eén voornaamste reden waarom er fouten of onvolledigheden in onze dataset zitten is door incorrecte geografische data. Hierdoor zullen bijvoorbeeld bepaalde bewoners niet binnen een gebouw vallen, waardoor we hier ook geen kenmerken aan kunnen toewijzen. We kunnen dus niet weten aan welk gebouw we dit gezin moeten toewijzen en zullen deze dan ook buiten beschouwing laten. In Figuur 24 zijn een aantal onjuistheden geïllustreerd die uit de dataset gefilterd worden, zoals bewoners in het midden van een rivier, gebouwen waar we de functie niet van kennen en waar ook geen bewoners aan worden toegekend (tuinhuizen, etc.), etc.

Figuur 24: Illustratie probleem data analyse

Naast onjuistheden bevat de data ook verschillende ontbrekende velden. Dit zal moeilijkheden opleveren bij de verwerking. Zo zal gevoelige informatie, zoals inkomens, niet bekend gemaakt worden als het aantal inwoners in een gebied te klein is. De redenering hierachter is dat we dan gemakkelijk kunnen nagaan hoeveel deze individuele inwoners verdienen. Wanneer deze situatie zich voordoet vullen we de ontbrekende informatie aan met algemene informatie op niveau van de wijk of stad. Nadelig aan deze algemene informatie is dat het een veel grotere groep in beschouwing neemt waardoor de informatie minder accuraat is.

35 |

2.1.2.3 Gezinprofilering Nu we over een volledige dataset beschikken die alle informatie bevat die we nodig hebben kunnen we per gezin het profiel bepalen bij een FttH uitrol. Hiervoor zijn er verschillende manieren. Een eerste manier is op basis van de verschillende parameters een profielfunctie te schrijven en deze dan uit te rekenen. Een tweede manier is om de dataset aan een cluster programma mee te geven, die deze data dan in verschillende profielen zal clusteren waaraan we dan een potentieel toekennen. In deze thesis hebben we beide methodes geïmplementeerd, de resultaten zullen we in het volgende hoofdstuk verder bespreken.

2.1.2.3.1 Clusteren Overzicht beschikbare tools Voor het verdelen in profielen zullen we gebruik maken van een bestaand programma. Het programma om de geografische clustering uit te voeren schrijven we zelf en bespreken we in 2.1.2.4. Hoewel er een waaier aan verschillende clusteringprogramma’s bestaat, zijn ze niet allemaal even geschikt voor ons doeleinde. We lijsten de nodige voorwaarden hieronder op: 1. 2. 3. 4. 5.

Programma moet kunnen clusteren Verschillende clusteralgoritmen moeten beschikbaar zijn Grote hoeveelheden data moeten kunnen verwerkt worden Programma moet uitbreidbaar zijn en dus best open source Programma moet gratis zijn

Hieronder geven we een overzicht van de verschillende programma’s die we hebben onderzocht.

Figuur 25: Vergelijking verschillende tools

36 |

Op basis van deze criteria hebben we gekozen voor het programma RapidMiner.

Bespreking geselecteerde tool Rapidminer RapidMiner (het vroegere YALE) is een geïntegreerd platform voor data mining en machine learning applicaties. Deze tool werd ontwikkeld door de Artificial Intelligence Unit van de universiteit van Dortmund in 2001 en omvat verschillende modules, waaronder een gratis en een betalende versie. Hoewel de betalende versie nog veel extra mogelijkheden biedt volstaan de mogelijkheden van de gratis versie voor de doeleinden van dit eindwerk [40]. Behalve zeer uitgebreide selectie mogelijkheden voor machine learning procedures, waaronder clustering, biedt RapidMiner ook de mogelijkheid tot het verwerken van data en uitgebreide visualisatie mogelijkheden. Bijkomend levert deze tool ook ondersteuning aan de WEKA tool, die we hierboven hebben aangehaald als een van de mogelijke opties. We hebben RapidMiner initieel getest op een dataset die de stad Gent nabootst. We hebben een dataset gecreëerd die gebaseerd is op de data uit de wijkmonitors van de stad Gent door per wijk verdelingen op te stellen rond het gemiddelde inkomen en de gemiddelde leeftijd. [50] Op basis van deze verdelingen hebben we aan het aantal bewoners van iedere sector een inkomen en een leeftijd toegekend. Daar elk van de 25 wijken van Gent andere kenmerken bezit zal ook de informatie die we aan de bewoners hebben toegekend per wijk verschillen. De test die we vervolgens RapidMiner hebben opgedragen is om omgekeerd te werk te gaan en uit de volledige dataset die we hebben meegegeven de 25 wijken te halen. RapidMiner bleek hier zeer succesvol en was in staat om deze wijken te genereren. Aangezien de data rond gemiddelde waarden gegeneerd werd en er overlap bestaat tussen de verschillende wijken was de tool uiteraard niet in staat om perfect alle bewoners aan de juiste wijk toe te kennen.

Keuze cluster methode De keuze van het clusteralgoritme zal bepalend zijn voor de vorming van de potentieelclusters waardoor we hier de nodige aandacht aan besteden. We hebben in deze thesis gekozen voor het X- means clusteralgoritme. X-means is een algoritme dat voortbouwt op k-means. De gebruiker geeft in dit geval niet de waarde k (= het aantal clusters) op, maar een interval waarbinnen k moet vallen. X-means begint met de ondergrens van k,k-means uit te voeren en voegt vervolgens lokaal clusters toe. De beslissing om clustercentra toe te voegen wordt genomen op basis van de Bayesian Information Criterion score (BIC - score). Deze score gaat na hoe goed de data door het model verklaard wordt. [30] [31]

37 |

2.1.2.3.2 Profielfunctie Hoewel dit clusterprogramma in theorie perfect in staat is om de voor ons nodige clusters te gaan bepalen blijkt in latere stappen dat dit niet altijd het geval is waardoor we ook een andere manier geïmplementeerd hebben, namelijk een profielfunctie. Het klantenprofiel is dan een functie van de verschillende beschikbare attributen. Hierin bepalen we zelf aan welke attributen we meer belang hechten en hoe deze het uiteindelijke profiel van het gezin zal bepalen. Door gebruik van verschillende scores bepalen we welke gezinnen een hoog en welke een laag potentieel toegekend worden. Om dit te doen bepalen we van de verschillende attributen afzonderlijk een score tussen een en vijf. Een hoog inkomen zal dan een score van vijf krijgen en een grote ouderdom een score van 1. Door hier een combinatie van te nemen bekomen we clusters die door alle attributen bepaald worden. De gebruikte scoretabel is terug te vinden in bijlage.

profiel

f (inkomen / gezin, aantal gezinnen / gebouw, leeftijd , abonnement type) Vergelijking 1: Algemen profielfunctie

38 |

2.1.2.4 Clustering De laatste stap in het bepalen van de geografische clusters is het clusterprogramma zelf. Dit programma hebben we geschreven in JAVA en maakt gebruik van zowel de profielen van de verschillende gezinnen als hun geografische locatie. De combinatie van deze twee factoren zal leiden tot clusters samengesteld uit gebouwen met een gelijkaardig potentieel die aansluiten. Hieronder geven we een schematisch overzicht van de verschillende stappen van het programma waarna we deze afzonderlijk zullen bespreken.

Figuur 26: Clustering aanpak

2.1.2.4.1 Inlezen en data voorbereiding Vooraleer we het clusteralgoritme kunnen uitvoeren moeten we de nodige data inlezen. Om tot de gewenste clusters te komen hebben we twee Shapefiles nodig, namelijk de Shapefile die het volledige stratenplan bevat en de Shapefile met gebouwen. De Shapefile met gebouwen is het resultaat uit de vorige stap, het bepalen van de profielen.

39 |

Eenmaal we het stratennetwerk hebben ingelezen zetten we deze om in een graaf. Hierdoor worden de lijnstukken van de Shapefile omgezet in knopen “nodes” en lijnstukken “edges”. Aangezien een Shapefile enkel uit rechte lijnstukken bestaat wordt iedere straat opgebouwd door meerdere lijnstukken en bestaat de graaf uit zeer veel knopen en lijnstukken. We hebben deze graaf nodig om de afstanden en lengtes over de verschillende lijnstukken te gaan bepalen. In een ideaal geval zouden de gebouwen aan de graaf kunnen worden toegevoegd als extra knopen en zouden we tussen de voorkant van het gebouw en de straat een extra lijnstuk toevoegen. In Figuur 27 wordt dit geïllustreerd. Daar GeoTools ons deze mogelijkheid niet biedt en dit ervoor zou zorgen dat de complexiteit van ons programma bijna zeven keer groter zou zijn voor zeer beperkte voordelen hebben we ervoor gekozen om dit op een andere manier te implementeren.

Figuur 27: Ideale situatie

We kiezen er hier voor om enkel de knopen te gebruiken die gegenereerd werden bij de opstelling van de graaf en de gebouwen hier aan te koppelen. Daar de gebouwen in de Shapefile beschreven worden door polygonen bepalen we hier eerst het middelpunt van. Op deze manier kunnen we gemakkelijk de euclidische afstand berekenen tussen twee punten en het gebouw toekennen aan de dichtstbijzijnde knoop. Dit wordt geïllustreerd in Figuur 28 Door de gebouwen op deze manier aan knopen toe te kennen maken we een kleine fout in de berekening van de afstand maar verminderen we de complexiteit van het programma. Gezien de kleine lengte van de lijnstukken zal de gemaakte fout ook zeer klein zijn.

Figuur 28: Geïmplementeerde manier

40 |

2.1.2.4.2 Clusteren Om te bepalen welke gebouwen tot eenzelfde cluster (=regio) behoren gaan we gebruik maken van een hiërarchisch opbouwend clusteralgoritme. Dit algoritme hebben we aangepast om de afstand tussen twee knopen in rekening te brengen. Hoe dit precies in zijn werk gaat bespreken we hieronder. Een belangrijke veronderstelling die we in deze thesis gemaakt hebben is om enkel knopen samen te nemen die aan elkaar grenzen. Indien we dit niet zouden doen zouden deze impliciet toch meegenomen worden bij het uitrollen. We leggen dit uit aan de hand van Figuur 29, dat een stratennetwerk voorstelt. Stel dat we besloten hebben om knopen A en B samen te nemen in eenzelfde cluster. Wanneer we deze cluster zouden willen uitrollen zouden we langs knoop C moeten gaan om deze twee knopen met elkaar te verbinden. Om deze reden hebben we ervoor gekozen om enkel naburige knopen te gaan samen nemen bij de vorming van clusters.

Figuur 29: Gebruik van naburige knopen

Om te bepalen welke clusters we zullen samen nemen maken we gebruik van onderstaand algoritme. Alle knopen zijn verschillende clusters Zolang het gewenste aantal clusters niet bereikt is o Stap 1: Bepaal van elke cluster de naburige clusters o Stap 2: Neem twee clusters en ga na of het om naburige clusters gaat. Indien dit het geval is ga naar Stap 3. Indien niet, herhaal Stap 2. o Stap 3: Bepaal de kost van de twee clusters  Deze wordt bepaald door het verschil in potentieel van de twee clusters  De afstand zullen we later, in het kostenmodel, in rekening brengen o Stap 4: Zijn alle clusters overlopen? Indien niet, herhaal Stap 2. Anders, neem de twee clusters met de kleinste kost samen.

41 |

Figuur 30: Output verschillende clusters

Als een laatste stap zullen we van de bekomen clusters de minimal spanning tree berekenen om de totale lengte te bepalen die nodig is om alle knopen in de cluster te verbinden.

Minimal spanning tree (MST) Per cluster willen we nu de kortste weg zoeken om alle knopen met elkaar te verbinden om de graafkosten te minimaliseren. Hiervoor maken we gebruik van een minimal spanning tree Voor een gewogen graaf bestaande uit n knopen is de minimal spanning tree de subgraaf verbonden door n-1 lijnstukken die het kleinste gewicht oplevert. Deze subgraaf is altijd een boom, dat wil zeggen, een graaf zonder cycli.[41] Er bestaan verschillende algoritmes voor het bepalen van een minimal spanning tree, waarvan de bekendste waarschijnlijk het algoritme van Prim en het algoritme van Kruskal zijn. In deze thesis hebben we het algoritme van Kruskal geïmplementeerd.

Figuur 31: Voorbeeld van een minimal spanning tree

42 |

Kruskal’s Algoritme Kruskal’s algoritme zoekt een deelverzameling van lijnstukken die een boom vormen waartoe alle knopen behoren en waarbij daarenboven het totale gewicht minimaal is. Het algoritme gaat als volgt te werk: Creëer een verzameling F van bomen zodat elke knoop van de graaf in een aparte boom zit Creëer een verzameling S die alle lijnstukken van de graaf bevat Zolang S niet leeg is o Verwijder het lijnstuk met het minimale gewicht uit S o Ga na of dit lijnstuk twee verschillende bomen verbindt, als dit het geval is, voeg dit dan toe aan F zodanig dat we twee bomen combineren tot 1 boom o Indien niet, verwijder het lijnstuk Bij afloop van het algoritme bevat F slechts 1 component en vormt dit de minimaal opspannende boom. De totale lengte van deze minimaal opspannende boom gebruiken we bij de berekening van de plaatsing en glasvezelkosten.

2.1.2.4.3 Uitschrijven Output Nu we de verschillende clusters als resultaat hebben willen we hier het kostenmodel van bepalen. Hiervoor is het nodig dat we de verschillende onderdelen uitschrijven naar Excel. Om een voldoende gedetailleerd kostenmodel op te stellen zullen we volgende elementen per cluster uitschrijven: Het aantal gezinnen Het potentieel van de cluster Het profiel van ieder gezin De minimal spanning tree

43 |

2.1.3 ECONOMISCHE ANALYSE

Figuur 32: Algemeen overzicht

Dit thesis model wil de invloed van GeoMarketing technieken op het uitrollen van netwerken evalueren. Het economisch model dat we hebben opgebouwd bouwt verder op het model van B. Wouters [4]. Bepaalde aspecten, zoals adoptie, hebben we dieper uitgewerkt en andere, met name competitie en het verschil industrieel/residentieel, achterwege gelaten. Verder hebben we nog een deel rond uitrolstrategie toegevoegd. Om een goede schatting te maken van de invloed van GeoMarketing technieken maken we een vergelijking tussen een uitrol met behulp van GeoMarketing technieken en een uitrol zonder. Aan de hand hiervan kunnen we dan op een objectieve manier oordelen of het gebruik van GeoMarketing technieken voordelen biedt. Hoewel er verschillende manieren zijn om de verschillende strategieën met elkaar te vergelijken zullen we hier voornamelijk gebruik maken van Net Present Value (NPV).

2.1.3.1 Net Present Value Bij het beoordelen van het potentieel van een investering is het van belang een idee te hebben van alle (toekomstige) cashflows (=geldstromen). Deze cashflows mogen echter niet zomaar gebruikt worden, maar moeten eerst verdisconteerd worden. Reële cashflows houden immers geen rekening met factoren, zoals tijdswaarde van geld, inflatie, intrest,…De verdisconteerde cashflow is de huidige geldelijke waarde van een toekomstige cashflow en wordt als volgt berekend:

44 |

Vergelijking 2: Verdisconteerde cashflow

CFv CF i t

verdisconteerde cashflow reële cashflow de samengestelde intrest of verdisconteringvoet jaar waarin de cashflow plaats vindt na het eerste jaar van het project

We bekomen nu de Net Present Value (NPV) door de grootte en timing van de toekomstige verdisconteerde geldstromen te schatten. De NPV is dan de som van al deze verdisconteerde geldstromen:

Vergelijking 3: NPV vergelijking

NPV CFt

Net Present Value Cashflow in jaar t

Een NVP > 0 betekent echter niet altijd dat een project zal uitgevoerd worden. Bedrijven beschikken immers meestal over vele mogelijke investeringen en niet over oneindig veel kapitaal. Indien er meerdere projecten zijn, zal vermoedelijk gekozen worden voor het project met de hoogste NPV. Uiteraard kunnen er ook andere strategische opties meespelen in de uiteindelijke keuze. [4]

2.1.3.2 Adoptie Om correct in te kunnen schatten hoeveel mensen zich per jaar zullen laten aansluiten op de nieuwe technologie maken we gebruik van adoptiecurven. De adoptiecurve geeft de adoptie van de gebruikers van de verschillende technologieën in functie van de tijd weer. Het voorspellen hiervan is vrij complex aangezien er heel veel variabelen een invloed hebben op de adoptie. In deze thesis maken wij gebruik van het Bass diffusie model om de adoptie van de FttH technologie te modelleren. Een uitbreiding op het bestaande model is dat we veronderstellen dat de verschillende gebruikersprofielen een andere adoptiecurve zullen volgen. Naar analogie met [4] maken we in dit model ook gebruik van een naijling op introductie, maar geven we deze een licht andere betekenis. Gebieden die op een later tijdstip worden uitgerold dan het startjaar van de uitrol zullen niet dezelfde adoptiesnelheid hebben als waneer ze in het startjaar uitgerold zouden zijn . Om dit in rekening te brengen maken we 45 |

gebruik van een naijlings factor. Deze factor voegt als het ware een vertraging toe aan de adoptiecurve. Zo zal bijvoorbeeld een gebied dat pas in 2016 uitgerold wordt een vertraging van 2 jaar op de adoptiecurve hebben. Voor dat gebied zullen we dus telkens 2 jaar vroeger op de curve moeten kijken3 .

Bass model voor opeenvolgende technologieën Het Bass diffusie model [42] beschrijft mathematisch hoe nieuwe producten aanvaard worden door interactie tussen bestaande gebruikers en nieuwe gebruikers. Het is zeer succesvol gebleken in het voorspellen van technologie adoptie. In deze thesis maken we gebruik van een uitbreiding op dit Bass model, dat in staat is de adoptie van opeenvolgende technologieën te beschrijven. Dit model werd beschreven door F. Bass en J. Norton in [43]. Het mathematische model voor drie opeenvolgende technologieën wordt weergegeven in Vergelijking 4.

Vergelijking 4: Bass model voor opeenvolgende innovaties

Vergelijking 5

Si,t mi

pi qi

adoptie van technologie i op tijdstip t Incrementeel marktpotentieel van technologie i (%), dit is het extra potentieel van de technologie dat nog niet door een vorige technologische generatie werd bereikt Jaar waarin technologie i geïntroduceerd wordt. Innovatie coëfficiënt van technologie i (ook wel externe invloed) Imitatie coëfficiënt van technologie i (ook wel interne invloed)

Bepalen waarden parameters Bass model Om het model te gebruiken moeten we nog de parameters uit Vergelijking 5 schatten. We veronderstellen drie opeenvolgende technologieën. Gezien de opsplitsing in verschillende potentieelcategorieën veronderstellen we ook dat de adoptiecurven mee zullen veranderen met het potentieel. Hoe de verschillende parameters van het Bass model zullen variëren hangt af van gebied tot gebied en we zullen hier in de case ( Hoofdstuk 2: Invulling en aanpassing model voor Gent) dan ook meer aandacht aan besteden.

3

Bijvoorbeeld voor de adoptie in 2017 moeten we dus op de basis curve de waarde van 2015 nemen

46 |

Gompertz Bij de uitrol van de nieuwe breedbandnetwerken krijgen de bewoners de mogelijkheid op voorhand in te tekenen. Voor de telecom operatoren is het immers goedkoper om een gebruiker aan te sluiten als de straat open ligt, dan achteraf nogmaals de straat te moeten openbreken. De gebruiker krijgt voor het vroegtijdige intekenen bijvoorbeeld gratis installatie en modem. Het aantal intekenaars moet uiteraard gemodelleerd worden. Hiervoor hebben we gebruik gemaakt van het Gompertz adoptie model [44].

Vergelijking 6: Gompertz

y(t) k a b

adoptie maximale adoptie (%) bepaalt buigpuntjaar (op 37% adoptie), vanaf dit jaar zal de adoptie minder snel stijgen bepaalt de snelheid van de adoptie

Het aantal intekenaars zal dus een percentage van de adoptie volgens het Bass model bedragen. Dit percentage wordt bepaald door het Gompertz model, waarvan de parameters hieronder worden weergegeven. Aangezien we de verschillende potentieel categorieën reeds verwerkt hebben in de adoptiecurven zullen we deze hier niet nog eens in rekening brengen. Tabel 2: Gompertz waarden

PARAMETER k

WAARDE 50%

a

2008

b

0,7

Gompertz 60% 50% 40% 30% 20% 10% 0% 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Figuur 33: Gompertz curve

47 |

2.1.3.3 Kosten

Figuur 34: Kosten structuur

In deze thesis zullen we enkel rekening houden met de kosten en opbrengsten die zullen wijzigen bij de verschillende scenario’s. Om deze reden houden we geen rekening met de Cental Office kost. We gaan ervan uit dat deze in de verschillende scenario’s dezelfde blijft en onze uitkomst niet zal beïnvloeden.

Plaatsing en Glasvezelkosten De plaatsing en glasvezelkosten worden bepaald door de plaatsing van de pijpen waarin de glasvezels komen te liggen en de bijhorende installatie. We onderscheiden drie plaatsingsmogelijkheden, graven, trekken en bovengrondse aanleg, die alle drie gebruikt zullen worden. De gegevens gebruikt voor de berekening van de plaatsing en glasvezelkosten worden in Tabel 3 en Tabel 4 weergegeven. [4] Tabel 3: Plaatsingkosten

PLAATSINGSOPTIES Graven

KOST($/M) 40

AANDEEL (%) 80%

Trekken

2

10%

Bovengronds

6

10%

Samenvallend met stadsnetwerken4

4

10%

Deze worden verondersteld niets te kosten

48 |

Tabel 4: Glasvezelkosten

KOST

AANTAL

GLASVEZEL (SINGLE MODE) PER M Glasvezel installation/m

0.065$/M

# glasvezels/pijp

40

Gemiddeld aantal glasvezels/m Overdimensionering

150

1.3$

20% 1500m

Gemiddelde glasvezellengte per huis

Aansluitingskosten Voor de berekening van de aansluitingskosten worden de klanten opgedeeld in twee groepen, namelijk de intekenaars en de latere aansluitingen. Doordat de straatwerken onmiddellijk uitgevoerd kunnen worden tijdens het leggen van de glasvezel zal dit een aanzienlijke kostenreductie met zich meebrengen. Het is daarom ook interessant voor de telecom operator om dit te stimuleren, bijvoorbeeld door een gratis ONU aan te bieden. De gebruikte waarden worden in de onderstaande tabel weergegeven. Tabel 5: Aansluitingskosten

INITIËLE INTEKENAARS aantal

Kost ($)

Optical Network Terminal Meter straat openleggen Werkuren

1

Installatiekosten ONT (uur) Glasvezel installatie Glasvezel (m) Connector Totaal

LATERE AANSLUITINGEN Kost ($)

250

Betaald door operator 0

1

40

1

40

40

1

80

6

240

4

60

1

240

1

240

10

1.3

1

13

1

13

10

0.065

1

0.65

1

0.65

1

30

1

30

1

30

Kost ($)

250

Betaald door operator 1

1

40

2

654

0

564

49 |

Operationele kosten Het modelleren van de operationele kosten van een telecom operator is zeer belangrijk. De operationele kosten over de levensduur van een netwerk zijn van dezelfde grootte of zelfs groter dan de investeringskosten. In deze thesis werd ervoor gekozen om de operationele kost als vast bedrag per gebruiker te nemen. Een andere mogelijkheid zou zijn om de operationele kost als een vast percentage van de investeringskost te beschouwen.

Learning curve Daar de kosten van glasvezel en elektronica componenten dalen in de tijd is het belangrijk om gebruik te maken van een learning curve om de kosten op een accurate manier te kunnen schatten. We hebben in deze thesis, naar analogie met [4] gebruik gemaakt van het Wright – Crawford model [45]. Dit is een exponentiële functie waarbij de daling in productietijd een functie is van het geproduceerde volume. Deze functie is afhankelijk van drie parameters, namelijk het geproduceerde volume in referentie jaar 0 nr, de tijd voor het geaccumuleerde volume om te groeien van 10% tot 90%, Δ T, en een learning curve coëfficiënt K. De gebruikte waarden worden weergegeven in Tabel 6 en zijn gebaseerd op [4]. Tabel 6: Learning curve

Elektrisch

NR 0,1

ΔT 10

K 0,9

Optisch

0,01

8

0,8

2.1.3.4 Inkomsten Voor de bepaling van de inkomsten maken we gebruik van drie types abonnementen die zich van elkaar onderscheiden door bandbreedte en prijs. De prijzen van de FttH abonnementen zijn gebaseerd op deze van de huidige ADSL prijzen en zijn vergelijkbaar met de prijzen voor FttH in andere projecten [4]. Zoals bij de bepaling van de kosten, en dan meer bepaald de adoptie curven, hebben we getracht hier ook de verschillende gezinsprofielen in rekening te brengen. Dit hebben we gedaan door de marktaandelen van de abonnementen te laten variëren in functie van het gezinsprofiel. Deze zullen afhangen van het gebied dat in beschouwing wordt genomen. Hoe dit precies gebeurt zal afhangen van de kenmerken van het gebied waar het netwerk uitgerold zal worden. We bespreken dit dan ook gedetailleerder in 2.2.

50 |

2.1.3.5 Uitrolstrategie We beschikken nu over de verschillende subregio’s gekenmerkt door een potentieel en de bijhorende kosten en opbrengsten. In een laatste fase willen we bepalen in welke volgorde we de verschillende gebieden gaan uitrollen. Om een volgorde te bepalen maken we gebruik van twee parameters, namelijk een dichtheidsratio en het potentieel van een gebied. De ratio wordt bepaald door de verhouding van de aantal bewoners in een gebied tot de minimal spanning tree. Aan de hand hiervan kunnen we nagaan of een gebied dicht of dun bevolkt is en wat de gemiddelde afstand is die we per huis zullen moeten afleggen. Het potentieel is dan een indicatie voor de opbrengsten. We zullen voor beide parameters de clusters rangschikken van meest positief naar meest negatief en hier de bijhorende waarde aan toekennen. (voorbeeld: Aan de cluster met het hoogste potentieel zullen we waarde 1 toekennen). Door de som van de twee parameters opnieuw te rangschikken bekomen we de uitrolvolgorde. We illustreren dit in onderstaande tabel. Tabel 7: Uitrolstrategie

CLUSTER

POTENTIEEL

1 2 3 4 5

4,2 2,8 2,7 4,5 3,9

RANKING POTENTIEEL 2 4 5 1 3

KOST RATIO 300 100 500 400 200

RANKING KOST RATIO 3 5 1 2 4

SOM 5 9 6 3 7

UITROL VOLGORDE 2 5 3 1 4

51 |

2.2 HOOFDSTUK 2: INVULLING EN AANPASSING MODEL VOOR GENT In het vorige hoofdstuk hebben we de opbouw van het model in zijn algemene vorm besproken. In dit hoofdstuk willen we onderzoeken wat de resultaten zijn wanneer we dit model toepassen op een bestaand gebied, in dit geval Gent. We zullen hier nagaan hoe de verschillende parameters veranderen en met welke extra restricties we rekening moeten houden.

2.2.1 INLEIDING Om het ontwikkelde model uitgebreid te testen en de verschillende mogelijkheden hiervan te achterhalen gebruiken we Gent als testgebied. Door de samenwerking met Stad Gent hebben we nodige data gekregen om het model op toe te passen. [46] Gent, de hoofdstad van Oost-Vlaanderen, heeft een oppervlakte van 156,18 km² en telt ruim 237.000 inwoners (2008) waarmee het naar inwonertal de op één na grootste stad van Vlaanderen is. Omwille van de grootte beschouwen we Gent als een geschikt testgebied om ons model op te testen. Voor de analyse van de case zullen we dezelfde volgorde aanhouden als deze voor de algemene opbouw.

Figuur 35: Gent

52 |

2.2.2 INPUT DATA Gent bestaat uit 25 wijken (NIS niveau 9) die nog eens onderverdeeld zijn in 223 sectoren (NIS niveau 6). De verschillende types data, op verschillende niveaus van detaillering, zullen de input vormen voor deze case.

2.2.2.1 Geografisch De geografische data die we ontvangen hebben van Stad Gent [46] bestaat uit negen Shapefiles, namelijk: Waterlopen Percelen Gebouwen Handelspanden Straten Groenparken Spoorwegen Sectoren Gezinnen Hieronder worden de vier belangrijkste, namelijk sectoren, gebouwen, straten en gezinnen, weergegeven. Deze informatie wordt gegeven op niveau van elk individueel gebouw en is dus ook de meest accurate data waarover we kunnen beschikken. Een minpuntje dat we hier moeten vermelden is dat de data niet volledig is. Als attribuut van de laag gezinnen wordt het aantal mannen en vrouwen dat hier deel van uitmaakt meegegeven. Helaas is deze data niet volledig voor elk gezin waardoor we hier aan detail verliezen en onze data minder accuraat is. De data die we gebruikt hebben bestaat uit ~134.000 gezinnen en 143.000 gebouwen.

Figuur 36: Verschillende Shapefiles

53 |

2.2.2.2 Demografisch Naast deze geografische informatie hebben we ook nog verschillende demografische gegevens ontvangen, deze telkens op sectorniveau. We hebben de volgende data ontvangen. [46] Fiscale inkomens Leeftijden Nationaliteiten Aantal huishoudens en type Niet werkende werkzoekende per leeftijd en geslacht Aan de hand van deze verschillende datasets en data types zullen we ons bestand opbouwen. In Tabel 8 geven we een voorbeeld van de voor ons beschikbare data.

Tabel 8: Beschikbare data

WIJK

Binnenstad

...

SECTOR Kuip

AANTAL INWONERS 851

GEMIDDELD INKOMEN €22.049

Sint Jacobs

2.532

€20.817

Kouter

950

€23.909

Patershol

908

€19.884

…

…

…

54 |

2.2.3 CREATIE DATASET Gezien de gevoeligheid van de economische data, werd deze niet vrijgegeven voor sectoren met minder dan 100 gebouwen. We hebben ervoor gekozen om deze leegtes op te vullen met data op wijkniveau. Hoewel deze minder accuraat is dan de sector data zal de fout kleiner zijn dan als we deze op 0 laten staan. Een andere aanpassing die we hebben doorgevoerd betreft de waarde voor de standaardafwijking in de lognormale verdeling. De waarde die we aanvankelijk gekozen hadden wordt voornamelijk gebruikt mij het modelleren van de inkomensverdeling op landniveau. Gezien we hier over data op sectorniveau beschikken nemen we voor de standaardafwijking een lagere parameter. De populatie op sectorniveau zal een grotere gelijkheid vertonen waardoor er minder spreiding rond het gemiddelde zal optreden. We kiezen daarom ook voor een waarde van 1,2 in plaats van 1,45 voor de standaardafwijking. Als we dit geografisch gaan bekijken zien we ook dat het gebruik van de lagere standaardafwijkingen ons een betere profielverdeling geeft. We merken op dat huizen die dicht bij elkaar gelegen zijn meer naar hetzelfde potentieel neigen, hetgeen we zouden verwachten. Verder hebben we geen problemen ondervonden bij de combinatie van de verschillende datatypes. In Figuur 37 wordt het resultaat van de combinatie van de verschillende geografische datalagen weergegeven. We zien enkele onmogelijke situaties, zoals gezinnen in rivieren, maar deze kunnen we er zonder problemen uitfilteren.

Figuur 37: combinatie verschillende datatypes

55 |

2.2.4 GEZINPROFILERING In deze stap gaan we de gebouwen bundelen volgens hun kenmerken om zo tot een aantal verschillende potentieelgroepen te komen. We hadden hier gekozen voor het X-means clusteringalgoritme. Hoewel deze aanpak bij eerdere, zelfgegenereerde, data succesvol bleek te zijn krijgen we hier toch minder goede resultaten. Bij het clusteren wordt er voornamelijk met één attribuut rekening gehouden waarbij de anderen verwaarloosd worden. Op deze manier krijgen we clusters die een goede spreiding vertonen op basis van bijvoorbeeld inkomen, maar voor de andere attributen eerder een gemiddelde waarde aannemen. Hieronder geven we het resultaat weer van twee clusteringresultaten, één waarbij er voornamelijk rekening wordt gehouden met het leeftijd, Tabel 9, en een andere waar inkomen bepalend is, Tabel 10. Daar we gebruik maken van X – means, wordt het aantal clusters binnen de opgegeven grenzen bepaald, en kunnen deze dus verschillende zijn. Ook zien we wanneer inkomen bepalend is dat we twee zeer grote clusters bekomen en meerdere kleine. Tabel 9: Leeftijd bepalend - inkomen gemiddeld

AANTAL ELEMENTEN Cluster 1

17.929

GEMIDDELD INKOMEN PER GEBOUW(€) 44.518

GEMIDDELDE LEEFTIJD 68

GEMIDDELD INKOMEN PER GEZIN (€) 40.470

Cluster 2

1.173

95.302

70

39.654

Cluster 3

16.649

45.319

55

45.319

Cluster 4

1.328

120.446

55

43.291

Cluster 5

16.688

44.638

42

44.638

Cluster 6

1.288

85.089

42

38.453

Cluster 7

18.035

45.629

29

45.629

Cluster 8

1.287

102.718

28

40.239

Cluster 9

3.013

269.423

62

38.394

Cluster 10

3.024

215.264

35

35.625

Tabel 10: Inkomen bepalend, leeftijd gemiddeld

AANTAL ELEMENTEN Cluster 1

2.491

GEMIDDELD INKOMEN PER GEBOUW 318.441

GEMIDDELDE LEEFTIJD 48

GEMIDDELD INKOMEN PER GEZIN 40.879

Cluster 2

26.261

66.809

48

57.047

Cluster 3

418

1.258.684

47

85.616

56 |

Cluster 4

5

11.582.693

36

48.467

Cluster 5

28

4.383.376

45

40.845

Cluster 6

50.978

34.226

48

28.025

Cluster 7

4

4.532.442

43

36.756

Cluster 8

229

1.059.713

48

38.453

We wensen echter verschillende clusters die bepaald worden door zowel het inkomen als de leeftijd. Enkel leeftijd of inkomen als criteria zal ons onvoldoende informatie geven over de klant om het potentieel ervan te schatten. Daar dit niet de gewenste resultaten zijn hebben we besloten om op een andere manier te werk te gaan. We hebben er voor gekozen om een profielfunctie te schrijven en deze uit te werken. In deze thesis hebben we gekozen voor volgende gewichten van de attributen om het profiel van de bewoner te bepalen:

Vergelijking 7: Gebruikte profielvergelijking

Wanneer we dit toepassen op onze dataset krijgen we onderstaande resultaten waarbij cluster 1 de lage profielen en cluster 5 de hoge profielen voorstellen. We vinden een goede splitsing over de verschillende profielen terug waarbij clusters twee, drie en vier het grootste deel van de bevolking bevatten.

Tabel 11: Resultaat profielfunctie

AANTAL ELEMENTEN Cluster 1

2.205

GEMIDDELD INKOMEN PER GEBOUW 26.798

GEMIDDELDE LEEFTIJD 67

GEMIDDELD INKOMEN PER GEZIN 17.953

Cluster 2

20.814

43.586

56

24.575

Cluster 3

27.107

59.482

48

33.359

Cluster 4

24.892

74.096

44

49.512

Cluster 5

5.235

78.146

38

64.867

In Figuur 38 geven we de verschillende profielen weer voor twee delen van Gent, het Rabot en het miljoenenkwartier. Zoals je kan zien vinden we een groot verschil terug in de bewonersprofielen. Zo kleurt het Miljoenenkwartier hoofdzakelijk groen, wat wijst op een hoog profiel en kleurt het Rabot roze/rood, wat duidt op een lager potentieel.

57 |

Figuur 38: Resultaat profiel vergelijking: rechts Miljoenenkwartier, links Rabot

58 |

2.2.5 CLUSTERING De voornaamste aanpassingen in het model dienden te gebeuren in het clustering algoritme. De belangrijkste uitdagingen zijn hieronder opgesomd en zullen we in de volgende paragrafen in meer detail bespreken: Performantie van het programma bij grote datasets Keuze tussen som of gemiddelde voor knoop potentieel Knopen met “nul” potentieel5 Gebalanceerde clustergroottes Niet-volledig geconnecteerde graaf

2.2.5.1 Performantie van het programma bij grootte datasets Aangezien we met vrij grote datasets werken (56.000 knopen & ~140.000 huizen) is de performantie van het JAVA programma cruciaal. Onderstaande tabel geeft een overzicht van de initiële snelheid van de Java code.

Tabel 12: Performantie6

AANTAL KNOPEN ~1.000

TIJD ~3,5 min

~2.000

~24 min

~4.000

~190 min

~56.000

~1 jaar (niet getest)

Dit komt bij benadering overeen met een complexiteit van N³, waarbij N het aantal knopen zijn waaruit de graaf bestaat. Wanneer we het algoritme theoretisch analyseren verwachten we inderdaad een 3de machtscomplexiteit. Dit wordt hieronder vereenvoudigd geïllustreerd met het belangrijkste deel code in de methode “Calculate”:

5 6

Dit zijn knopen waar geen gebouwen aan gekoppeld zijn of gebouwen die geen potentieel bevatten Computer specificaties: kloksnelheid- Dell Notebook, CPU 2 GHz, RAM- 2GB

59 |

Figuur 39: Complexiteit

Hoewel het inlezen en voorbereiden van de file voor clustering bij de volledige file reeds 3u duurt, is het duidelijk dat de focus voor de snelheidsverbetering op bovenstaande code moet liggen. Dit wordt ook bevestigd door een korte analyse van de code met de Eclipse profiler toolkit. In eerste stap optimaliseren we de code voor snelheid zonder het algoritme of de accuraatheid van het algoritme aan te passen. Hiervoor wordt de methode die het meest wordt opgeroepen, namelijk “IsClusterAdjacent”, geoptimaliseerd. Deze methode heeft tot doel te kijken of twee cluster naburig zijn. Origineel bepaalde deze methode of twee clusters naburig zijn door op te zoeken voor elke knoop van een cluster of deze naburig was aan één van de knopen van de andere cluster. Voor grotere clusters kan dit echter al heel wat tijd vragen (complexiteit N²) en is dit ook weinig efficiënt aangezien vele knopen geen randknopen zijn. Daarom breiden we de code uit en wordt nu ook voor elke cluster bijgehouden welke knopen naburig zijn. Dit leidt tot een serieuze snelheidsverbetering. Daarnaast voeren we ook nog enkele algemene JAVA aanpassingen door zoals het “inlinen” van veel gebruikte methodes, het aanpassen van de toegewezen geheugengrootte, en het gebruik maken van optimale functies & assignatiemethodes. Dit alles leidde tot meer dan een halvering van de tijd nodig om 1.000 knopen te clusteren. Een halvering van de tijd is echter nog steeds niet genoeg om de ~56.000 knopen in een aanvaardbare tijd te clusteren. Daarom hebben we in een tweede stap enkele kleine aanpassingen doorgevoerd in het algoritme zelf. Dit leidt tot een suboptimale oplossing, die echter wel een heel stuk sneller zal zijn. ( zie 3.1.2: Vergelijking oorspronkelijk en aangepast clusteralgoritme) Ten eerste delen we hele gebied nu op in een 100-tal subgebieden. Vervolgens voeren we het clusteralgoritme uit op elk van deze subgebieden waarna we de uitkomsten van deze verschillende subgebieden samen nemen en opnieuw clusteren. Aangezien de subgebieden van grootte zullen variëren tussen 500- 2000 knopen zal elk subgebied meestal in minder dan 5 minuten uitgerekend kunnen worden en het geheel dus in 60 |

enkele uren. Tot slot laten we ook het algoritme toe twee clusters onmiddellijk samen te nemen als het verschil in potentieel kleiner is dan 0,05 (of 1%van het totale bereik), het algoritme moet dan niet meer verder itereren om nog gelijkaardigere clusters te zoeken. De veronderstelling is hier dat clusters die slechts heel weinig verschillen in potentieel sowieso in één van de volgende stappen zouden samen genomen worden. Een vergelijking van de uitkomst van het originele algoritme en het aangepaste algoritme met 9 subgebieden is te zien in Figuur 40. De clusters hebben over het algemeen een gelijkaardige vorm maar de grenzen verschillen.

Figuur 40: Vergelijking oorspronkelijk(links) een aangepast clusteralgoritme (rechts)

Door het doorvoeren van bovenstaande wijzingen aan het programma slagen we er in om het volledige programma te laten uitvoeren in minder dan 8u wat ongeveer 1.000 keer sneller is dan het origineel. Bijna 3u van de tijd wordt in het finale programma gespendeerd aan het inlezen en voorbereiden van de clustering. Tegenover deze snelheidsverbetering staat wel een suboptimale oplossing.

2.2.5.2 Keuze tussen som of gemiddelde voor knoop potentieel In [2.2.4] werd het potentieel van een gezin bepaald op basis van het inkomen en de leeftijd van het gezinshoofd gebruik makende van de profielfunctie. Echter om tot het potentieel van een knoop te komen moeten de klantenprofielen omgezet worden in potentiëlen van huizen die op hun beurt omgezet moeten worden in potentiëlen van knopen. Dit wordt geïllustreerd in Figuur 41.

61 |

Figuur 41: Keuze tussen som of gemiddelde (het getal geeft het potentieel weer)

In “Situatie 1” is er een één op één relatie tussen een gezin, een huis en een knoop. In dat geval is het potentieel van een knoop gelijk aan het potentieel van het gezin. In “Situatie 2” echter bestaat een knoop uit twee gebouwen en één van die gebouwen bestaat op zijn beurt uit twee gezinnen7. Het potentieel van een gebouw en van een knoop kan nu op verschillende manieren bepaald worden. In onderstaande tabel bespreken we er twee: Tabel 13: som vs. gemiddelde

METHODE Potentieel bepaling Voordelen Nadelen

GEMIDDELDE Gemiddelde van de gezinnen die wonen in huis/ rond knoop. Realistisch beeld van het type gezin dat rond knoop woont

SOM Som van de gezinnen die wonen in huis/ rond knoop

Houdt geen rekening met dichtheid

Geen realistisch beeld van type gezin (en dus adoptie)

Houdt rekening met dichtheid

Aangezien we mensen met een gelijkaardig potentieel samen willen brengen lijkt het logischer om te kiezen voor de “Gemiddelde” methode. Dat we de dichtheidsinformatie niet gebruiken in deze stap zullen we compenseren door in het model (2.1.3.5) rekening te houden met de dichtheid van een cluster voor de bepaling van zijn uitroldatum.

7

Dit is bijvoorbeeld een huis opgedeeld in twee appartementen

62 |

2.2.5.3 Knopen met “nul” potentieel Na de eerste testen van het programma kwam nog een probleem aan het licht. Een groot aandeel van de knopen had potentieel nul. Dit komt enerzijds door het relatief laag aantal gebouwen ten opzichte van het aantal knopen (ratio van 1:2,5) en anderzijds doordat 42% van de gebouwen potentieel nul hebben8. Dit groot aantal “nullen” zorgt er echter voor dat naburige knopen / clusters met gelijkaardig potentieel maar gescheiden door één nul knoop niet samen worden genomen. Deze nul drukt echter niet uit dat er geen potentieel is, enkel dat er niemand woont. Dit wordt geïllustreerd in onderstaande Figuur 42.

Figuur 42: scheiding door nullen

Om dit probleem op te lossen hebben we in de JAVA code de knopen met potentieel nul, steeds een potentieelverschil van “nul” gegeven tot naburige knopen, ongeacht het potentieel van deze naburige knopen. Hierdoor zal de situatie in Figuur 42 zich niet meer voordoen en krijgen we de situatie van Figuur 43, waarin de 5 knopen één cluster vormen.

Figuur 43: Abstractie van nullen

Uiteraard kan dit in sommige gevallen tot rare situaties leiden, wanneer er bijvoorbeeld één knoop van potentieel 5 omringd is door tientallen knopen met potentieel 0. In de nieuwe situatie zou dit leiden tot één cluster met potentieel 5. Dit wordt echter opgevangen op twee manieren. Enerzijds wordt om het potentieel te bepalen van twee clusters enkel gekeken naar de “reële” elementen die een potentieel groter dan nul hebben. Het gewogen gemiddelde

8

Veel gezinsloze gebouwen zoals tuinhuizen, scholen, fabrieken,…

63 |

van een nieuwe gecombineerde cluster is dus het gewogen gemiddelde van alle knopen die een potentieel hebben verschillend van nul. Daarnaast kijken we in het Excel model ook naar de ratio van aantal huizen tot totale straatlengte om te bepalen wanneer een gebied zal uitgerold worden. In het geval waarbij er veel knopen met potentieel nul zijn, zal de ratio van het aantal huizen tot totale straatlengte laag zijn en zal dit gebied dus laat of zelfs helemaal niet uitgerold worden.

2.2.5.4 Gebalanceerde clustergroottes Een andere uitdaging bestaat erin de clustergroottes gebalanceerd te houden. Dat wil enerzijds zeggen dat iedere cluster een minimale grootte moet hebben, maar anderzijds ook dat geen enkele cluster te dominant mag zijn qua grootte. Het probleem van minimale clustergroottes wordt geïllustreerd in Figuur 44. Doordat het potentieel van de naburige knopen sterk verschillend is, is de kans dat deze samengenomen worden heel klein. Indien we hiervoor niet corrigeren zullen op het einde van het clusteralgoritme verscheidene clusters van zeer kleine grootte overblijven.

Figuur 44: sterk verschillende naburige knopen

Om de clustergrootte te balanceren werden dus minimale9 en maximale clustergroottes10 gevoerd. Dit werd gedaan op basis van “trial-and-error” omdat er verscheidene effecten spelen en er ook links bestaat met aantal clusters, grootte van het clustergebied, potentieel,… De link tussen minimale/ maximale clustergrootte, het aantal knopen en het aantal finale clusters wordt in onderstaande formule11 weergegeven en wordt geïllustreerd in Tabel 14. Merk op in Tabel 14 dat wanneer het aantal knopen groter is dan 15.000 we handmatig de minimale clustergrootte aanpassen. Dit doen we omdat gebleken is dat dit beter resultaten oplevert.

in het algoritme moeten eerst alle clusters groter zijn dan de minimale clustergrootte voordat andere clusters mogen samen genomen worden 10in het algoritme mag geen cluster verder geclusterd worden indien deze groter is dan de maximale clustergrootte 11 enkel geldig voor kleine clustergroottes 9

64 |

#knopen/# finale clusters) Vergelijking 8: Bepaling clustergrootte

Tabel 14: Keuze clustergrootte

# KNOPEN

# FINALE CLUSTERS

GEMIDDELD # KNOPEN PER CLUSTER

MINIMAAL # KNOPEN PER CLUSTER

MAXIMAAL # KNOPEN PER CLUSTER

500

12

42

4

104

1.000

22

45

6

114

2.000

42

47

11

119

4.000

82

49

21

122

56.000

150 - 10

N/A

200

14.000

2.2.5.5 Niet-volledig verbonden graaf Een laatste probleem dat we opmerkten bij het clusteren was dat de graaf niet volledig verbonden was. Dit zorgt uiteraard voor problemen aangezien hierdoor verschillende kleine “niet-verbonden” clusters overbleven. Een illustratie hiervan is te zien in Figuur 45.

Figuur 45: Niet volledig verbonden graaf

65 |

Dit strookt uiteraard niet met de realiteit aangezien elke straat op een of andere manier verbonden is met een andere. In het geheel ging het over 23 clusters en minder 0.8% van de huizen12. Een eerste mogelijkheid om alle “niet verbonden straten” te verwijderen bleek echter moeilijk haalbaar omdat dit manueel diende te gebeuren en het visueel niet altijd duidelijk was welke straten niet verbonden zijn. Daarom besloten we om de huizen die in deze clusters zaten te verwijderen zodanig dat deze niet meer geclusterd zouden worden. Aangezien het hier over een beperkt aantal huizen en kleine clusters gaat zal de invloed op het resultaat beperkt blijven.

12

1100 huizen

66 |

2.2.6 ECONOMISCHE ANALYSE Na het doorlopen van het gehele clusterproces willen we de kosten en opbrengsten van de verschillende clusters berekenen. Gezien we hier gebruik willen maken van de verschillende bewonersprofielen zullen we ook de verschillende parameters hieraan moeten aanpassen. Welke dit zijn en hoe deze precies veranderen bespreken we hieronder.

2.2.6.1 Bass adoptie model Tabel 15: Bass waarden

POTENTIEEL

UITROLJAAR

P

Q

M

1

2008

0,008

0,2

65%

2

2008

0,01

0,25

72.5%

3

2008

0,02

0,3

80%

4

2008

0,025

0,4

87.5%

5

2008

0,03

0,5

95%

Om het Bass model te kunnen gebruiken moeten we de verschillende parameters uit Vergelijking 5 schatten in functie van de verschillende adoptiecurven. Tabel 15 geeft de waarden weer voor de verschillende profielen. Marktpotentieel m Voor de bepaling van het marktpotentieel baseren we ons op de verschillende profielen. We gaan ervan uit dat het totale marktpotentieel lager ligt bij de lagere profielen en laten het markpotentieel variëren tussen 65% en 95%. Introductiejaar τ Voor het introductiejaar τ hebben we 2008 gekozen [4] .We gaan ervan uit, gezien de grootte van de stad Gent, dat dit introductiejaar bij de verschillende profielen dezelfde zal zijn. Innovatie coëfficiënt p en imitatie coëfficiënt q Meestal zijn de waarden voor p & q voor opeenvolgende generaties dezelfde. Uit [47] en [48] halen we dat de parameter p meestal tussen 0,01 en 0,03 ligt. Voor q vinden we waarden tussen 0,3 en 0,5. Om de adoptie van de verschillende profielen goed te kunnen modelleren hebben we de waarden van innovatie en imitatie coëfficiënt laten variëren over de verschillende potentiëlen. Uit [49] blijkt ook dat deze beïnvloed worden door het inkomen. In

67 |

deze thesis hebben we verondersteld dat ze tussen de boven en ondergrens zullen variëren13. De verschillende adoptie curven worden geïllustreerd in Figuur 46.

Figuur 46: Adoptiecurven voor de verschillende profielen

2.2.6.2 Inkomsten Ook de inkomsten zullen beïnvloed worden door de verdeling van de verschillende profielen in een gebied. Een gezin met een hoog profiel zal typisch meer interesse tonen in deze technologie en ook meer bereid zijn om hier geld aan te spenderen. Op basis hiervan hebben we ervoor gekozen om de marktaandelen van de abonnementen te laten variëren in functie van het gebruikersprofiel. De marktaandelen vinden we terug in Tabel 16. Tabel 16: Marktaandelen

ECO 35$/MAAND

STANDAARD 60$/MAAND

PREMIUM 80$/MAAND

Potentieel1

10%

50%

40%

GEMIDDELDE ABONNEMENTPRIJS $/MAAND $66

Potentieel2

20%

60%

20%

$59

Potentieel3

25%

65%

10%

$56

Potentieel4

40%

55%

5%

$51

Potentieel5

60%

40%

0%

$45

We verwachten dat bij een uitrol deze waarden verder onderzocht worden. Daar dit niet de focus van de thesis was hebben we deze waarden niet verder onderzocht. We verwachten dat bij een uitrol de operator hier meer in detail op zal ingaan om dit exacter te kunnen bepalen. 13

68 |

2.2.7 BESLUIT In dit hoofdstuk hebben we besproken hoe we het model opgebouwd in 2.1 hebben aangepast om het te kunnen gebruiken voor Gent. In het volgende hoofdstuk gaan we na wat de resultaten zijn van het bekomen model en hoe deze zich verhouden tot een “standaard” uitrol.

69 |

3

DEEL 3:

RESULTATEN

3.1 HOOFDSTUK 1: ANALYSE VAN DE RESULTATEN 3.1.1 INLEIDING In deze laatste stap willen te weten komen hoe de winstgevendheid van deze GeoMarketing aanpak zich verhoudt tot een “standaard” uitrol. Ook kijken we hoe deze verhouding verandert wanneer we het aantal clusters of de totale uitrolduur laten variëren. We bekijken ook nog het effect van 10 in plaats van 5 gebruikersprofielen en onderzoeken een verbetering van de uitrolstrategie. Om te beginnen gaan we ook nog na wat het verschil in NPV is tussen het oorspronkelijk clusteralgoritme en de aanpassing14 die we hebben doorgevoerd om de snelheid te verhogen.

3.1.2 VERGELIJKING OORSPRONKELIJK EN AANGEPAST CLUSTERALGORITME Om de performantie van het programma te verhogen hebben we ervoor gekozen om het te clusteren gebied op te delen in een aantal verschillende subgebieden. Deze clusteren we dan apart om vervolgens de bekomen clusters weer samen te brengen en deze opnieuw te clusteren tot het gewenst aantal bereikt is. We hebben reeds vermeld dat dit tot licht 14

het apart opdelen in gebieden en de clusters hiervan later samenbrengen om opnieuw te clusteren

70 |

aangepaste clustervormen leidt, zoals weergegeven in Figuur 47. In dit puntje zullen we nagaan wat het effect hiervan is op de NPV.

Figuur 47: Verschil tussen origineel (links) en aangepast clusteralgoritme (rechts)

We hebben dit getest op een gebied van 1.000 knopen. In Tabel 17 worden de resultaten weergegeven voor beide methodes.

Tabel 17: Verschil NPV tussen origineel en aangepast clusteralgoritme

1 gebied

NPV 2025 ($M) 1,7

MINIMALE NPV ($M) -1,0

9 subgebieden

1,4

-1,2

Zoals te verwachten was blijkt dat we door het opdelen van het gebied een suboptimale oplossing bekomen, waarbij deze ~20% minder goed is. Dit is deels te verklaren door de vrij kleine oppervlakte van het gekozen testgebied. Indien we dit testen op een gebied dat drie keer zo dichtbevolkt is zien we dat het verschil minder dan 5% bedraagt. Hierdoor kunnen we besluiten dat we door het gebied op te delen een suboptimale oplossing bekomen, maar dat deze niet zoveel afwijkt van de optimale oplossing, en verbetert naarmate de subgebieden groter zijn15.

In het volledige programma zijn de subgebieden typisch groter dan 500 knopen wat significant meer is dan in bovenstaand voorbeeld. 15

71 |

3.1.3 ALGEMENE OPLOSSING GENT Voor de toepassing op Gent hebben we gekozen voor een model met 40 clusters die we zullen uitrollen over een periode van 7 jaar16. In Tabel 18 geven we een overzicht van de inputwaarden die we gebruikt hebben om tot het resultaat te komen.

Tabel 18: Inputwaarden

AANTAL KM/JAAR

AANTAL FINALE CLUSTERS 40

150

INTREST/ DISCOUNT RATE 10%

START UITROL 2011

Het resultaat van de clustering bestaat dus uit 40 clusters. In Figuur 48 illustreren we deze clusters voor een deel van Gent. De kleuren zijn gekozen op basis van de volgorde van uitrol. Donkergroen wijst op gebieden die eerst uitgerold zullen worden, donkerrood op deze die als laatst, of helemaal niet, uitgerold worden.

17

Figuur 48: Output clusters Gent

De uitrolvolgorde is, zoals vermeld in 2.1.3.5, een combinatie van enerzijds het clusterpotentieel en anderzijds de gezinsdichtheid ten opzichte van de totale straatlengte. Gebieden met een hoog potentieel en hoge gezinsdichtheid zullen dus het eerst worden uitgerold. Een overzicht van alle clusters met hun kernwaarden is terug te vinden in Tabel 19.

De rationale voor 40 clusters zal verduidelijkt worden in 3.1.4, 7 jaar is een realistische schatting voor de totale uitrolduur 16

72 |

Illustratief merken we op dat cluster 17 een ranking heeft van 4 wat overeenkomt met donkergroen in Figuur 48. Tabel 19: Output clusters Gent

CLUSTER

GEM POT

# GEZIN

MST (KM)

RANK POT

RANK DICHTHEID

TOTALE RANK

UITROL JAAR

NPV 2025 (IN K$)

NPV/ KM ($)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

2,0 2,9 3,2 2,6 2,8 3,8 2,3 3,9 3,8 3,2 2,4 3,6 3,6 2,7 3,1 3,5 3,9 3,6 2,6 3,3 4,0 2,7 3,2 3,0 2,8 3,2 2,9 3,0 3,5 2,3 3,5 3,2 3,6 3,0 3,5 3,8 3,1 3,7 2,5 3,2

2 1283 993 3507 21 4 2979 627 533 4301 1247 4313 486 12751 32 8622 142 1935 9754 8244 1 564 2279 652 14 14022 12709 5223 2598 764 2086 4248 26 1447 2216 3056 13053 4821 14 2068

2,1 4,5 6,4 33,6 7,1 4,6 9,3 10,8 7,8 29,5 4,7 48,3 13,6 40,9 21,7 40,4 1,7 37,5 41,1 22,9 6,6 4,7 14,1 1,9 2,3 67,9 40,0 27,6 55,9 6,3 21,6 66,2 4,8 7,3 9,9 79,3 42,4 100,5 18,8 84,9

40 28 19 35 31 6 39 2 4 18 37 10 9 32 24 14 3 11 34 16 1 33 22 26 30 20 29 25 15 38 13 21 8 27 12 5 23 7 36 17

37 7 16 20 35 38 3 26 24 17 8 22 31 5 36 11 23 27 9 1 40 19 15 2 33 12 4 14 29 18 21 25 34 13 10 30 6 28 39 32

40 17 17 34 38 29 26 7 7 17 30 10 23 19 36 3 4 20 27 1 24 33 19 7 37 10 11 21 29 35 12 31 26 23 2 17 8 17 39 32

2018 2014 2014 2017 2017 2016 2015 2011 2011 2014 2016 2012 2015 2014 2017 2011 2011 2015 2015 2011 2015 2017 2014 2011 2017 2012 2012 2015 2016 2017 2013 2016 2015 2015 2011 2014 2011 2014 2017 2017

-74 781 540 142 -265 -194 915 298 343 2414 274 2954 -141 5710 -832 7659 106 359 3818 7517 -312 76 1335 493 -81 11299 8555 2823 -196 0,1 1527 115 -197 594 2373 -2137 10879 549 -736 -1869

-35 174 84 4 -37 -42 98 28 44 82 58 61 -10 140 -38 190 62 10 93 328 -47 16 95 259 -35 166 214 102 -4 0,0 71 2 -41 81 240 -27 257 5 -39 -22

73 |

In Figuur 49 illustreren we grafisch het verschil tussen de ranking bepaald door het potentieel en een ranking op basis van het potentieel en de dichtheid van een gebied. We zien dat we door een combinatie te nemen van de twee factoren een andere volgorde bekomen. Het is deze rechter volgorde die we zullen gebruiken voor de uitrol. Merk op dat we zien dat het dichtbevolkte stedelijke gebied als het eerste wordt uitgerold en het dunner bevolkte havengebied bij de laatste, wat met de verwachting overeenstemt.

Figuur 49:Vergelijking gebieden op basis van potentieel en uitrolvolgorde links potentieel - rechts uitrolvolgorde

We zien in Tabel 19 dat enkele gebieden in 2025 nog steeds een negatieve NPV vertonen. Daar we de winst willen maximaliseren kiezen we ervoor om deze gebieden niet uit te rollen.17 Voor de berekening van de totale NPV worden deze clusters dus buiten beschouwing gelaten. Dit wordt geïllustreerd in Figuur 50 waar we de verschillende clusters uitzetten ten opzichte van de gezinsdichtheid en hun potentieel. De grootte van de cirkels is gelinkt met het aantal gezinnen in die cluster. Het kwadrant rechtsboven bevat dus de clusters die zowel een grote dichtheid hebben als een hoog potentieel, de gebieden die we dus als eerst zullen uitrollen. Merk ook de relatie op met de NPV per km die geïllustreerd wordt door de 3 kleuren. We zullen hier nog verder van gebruik maken in 3.1.8.

17

het zogenaamde ‘cherry-picking’

74 |

Figuur 50: Verhouding dichtheid tot potentieel en clustergrootte

Het is belangrijk om de correctheid van de bekomen resultaten te valideren met de realiteit. Aangezien we werken met distributies rond gemiddelde waarden is het mogelijk dat het potentieel van bepaalde gebieden over – of onderschat wordt. Ook informatie omtrent locaties van overheidsgebouwen, universiteiten, bedrijventerreinen enz., die een grote invloed kunnen hebben op het potentieel van een gebied, ontbreekt. Toch zien we dat de resultaten realistisch zijn. Zo behoort het miljoenenkwartier18 tot een van de gebieden die als eerst uitgerold zullen worden terwijl het havengebied19 bij een van de laatste gebieden hoort. Dit wordt geïllustreerd in Figuur 51.

Figuur 51: Illustratie uitrolvolgorde: rechts havengebied, links miljoenenkwartier

Om te kunnen nagaan of GeoMarketing een beter resultaat oplevert zullen we gebruik maken van twee andere uitrolstrategieën, namelijk een willekeurig gefaseerde uitrol en een 18 19

Cluster 17, gekend als hoog potentieel en gemiddelde dichtheid Cluster 40, gekend als laag potentieel en lage dichtheid

75 |

volledige uitrol in één jaar. In de gefaseerde uitrol zal het gebied evenredig in 7 jaren worden uitgerold, waarbij de dichtheid en de gebruikersprofielen gelijkaardig zijn aan het gemiddelde van het totale gebied. Hoewel de derde strategie, de volledige uitrol in één jaar, niet realistisch is maken we toch de vergelijking om het verschil na te gaan met een theoretisch oneindig snelle situatie. Om een goede vergelijking te maken tussen de verschillende scenario’s maken we gebruik van drie parameters, de NPV na 15 jaar (in 2025), het NPV breakeven jaar en de NPV op zijn laagste punt. De verschillende waarden voor de 3 scenario’s worden in Tabel 20 weergegeven en in Figuur 52 geïllustreerd. Tabel 20: NPV vergelijking verschillende strategieën

NPV 2025 (M$) 74,5

VERGELIJKING NPV (TOV GEFASEERDE 123% UITROL)

BREAKEVEN JAAR

MINIMALE NPV (M$)

2019

-31,4

VERGELIJKING MINIMALE NPV 78%

Volledige uitrol jaar 1

65,4

108%

2021

-81,6

201%

Gefaseerde uitrol

60,4

100%

2021

-40,5

100%

GeoMarketing

NPV vergelijking verschillende strategieën 100 80 60

NPV ($M)

40 20

Geomarketing

0 -20

Gefaseerd 2011

2013

2015

2017

2019

2021

2023

2025

1 jaar

-40 -60 -80 -100 Figuur 52: NPV vergelijking verschillende strategieën

Uit deze vergelijking trekken we drie belangrijke conclusies. Ten eerste ligt de totale NPV van de GeoMarketing aanpak 23% hoger dan deze van de gefaseerde uitrol. We merken op dat een derde van deze winst ($ 5M) komt door de beslissing om bepaalde clusters niet uit te rollen. Uit nader onderzoek van Tabel 19 blijkt dat deze clusters gekenmerkt worden door

76 |

een zeer hoge dichtheidsratio20. Dit betekent dat de FttH uitrol 1/3 sneller kan verlopen aangezien we slechts 71% van de uitrol effectief uitvoeren. Verder zien we dat het breakeven punt van de uitrol met behulp van GeoMarketing technieken twee jaar eerder valt dan de andere twee strategieën. Tot slot merken we nog op dat GeoMarketing als voordeel heeft dat de minimale NPV het minst negatief wordt, wat betekent dat de operator in dit scenario minder zal moeten investeren.

3.1.4 VARIATIE VAN HET AANTAL CLUSTERS In de vorige analyses hebben we het aantal clusters constant gehouden op 40. In dit onderdeel gaan we na wat de invloed is van het aantal clusters op de totale NPV door het aantal te laten variëren tussen 15 en 100. We vergelijken de NPV van elk resultaat steeds met de totale NPV van de gefaseerde uitrol in het jaar 2025. De relatie wordt weergegeven in Figuur 53. We houden de uitrolduur constant op 7 jaar.

Variatie aantal clusters NPV tov gefaseerde uitrol

130% 125% 120% 115% 110% 105% 100% 0

20

40

60

80

100

Aantal clusters Figuur 53: Variatie van het aantal clusters

We zien dat de NPV verhouding tot ~40 clusters blijft stijgen waarna deze uitvlakt. De toegevoegde waarde van extra clusters is miniem waardoor 40 clusters optimaal lijkt. Merk op dat dit ook realistisch en werkbaar is voor een gebied als de stad Gent aangezien de clusters typisch meer dan 2.000 gezinnen bevatten.

20

het betreft 6% van de gezinnen maar 29% van de straten

77 |

3.1.5 VARIATIE VAN DE UITROLSNELHEID In dit onderdeel gaan we na wat welke veranderingen er plaatsvinden als we de uitrolduur laten variëren. In onze basis case hebben we gewerkt met een uitrolsnelheid van 150km/jaar. Hier laten we de uitrolsnelheid variëren tussen 1000 km/jaar (volledige uitrol in één jaar) en 66 km/jaar (totale duur 15 jaar) en maken we de vergelijking tussen de uitrol met behulp van GeoMarketing technieken en de uitrol zonder. Dit wordt geïllustreerd in Figuur 54. We zien dat zelfs wanneer we alles in één jaar zouden uitrollen GeoMarketing een beter resultaat geeft. Dit komt doordat we de clusters die in 2025 nog steeds een negatieve NPV hebben niet uitrollen waardoor dus de totale NPV hoger ligt.

Variatie uitrolsnelheid 90 80

NPV (M$)

70 60 50 40

Geomarketing

30

Gefaseerd

20 10 0 0

5

10

15

Uitrolduur (jaar) Figuur 54: Variatie uitrolsnelheid

Uit de grafiek blijkt duidelijk dat de voordelen van een uitrol met behulp van GeoMarketing toenemen bij dalende uitrolsnelheid. Bij grote investeringen is het key om zo snel mogelijk inkomsten te genereren om zo de kosten terug te verdienen. Door de verdiscontering zijn inkomsten op latere datum minder waard, en omdat GeoMarketing technieken voorrang geven aan de clusters met hoogste potentieel, zullen de vroegste cashflows groter zijn dan die van willekeurige uitroltechnieken. De grafieken hebben ook een dalende trend in kost, wat een typisch gevolg is van de snelle daling van de kosten voor de optische (en elektronische) component in een FttH netwerk. De knik die we waarnemen in de grafiek is te wijten aan de aanvankelijk grote component kosten21 en de lage technologie adoptie.

21

Deze zal dalen met de learning curve

78 |

3.1.6 VARIATIE VAN ZOWEL UITROLSNELHEID ALS AANTAL CLUSTERS Laten we nu zowel de uitrolsnelheid als het aantal clusters variëren dan krijgen we de resultaten die weergegeven zijn in Tabel 21. Daar we in 3.1.4 hebben gezien dat de stijging van de NPV uitvlakt ~40-50 clusters hebben we hier de resultaten weergegeven tot 70 clusters daar de volgende gelijkaardig zullen zijn. Tabel 21: Variatie uitrolsnelheid en aantal clusters # CLUSTERS

15

20

30

40

50

60

70

NPV (M$) Min NPV NPV (M$) Min NPV NPV (M$) Min NPV NPV (M$) Min NPV NPV (M$) Min NPV NPV (M$) Min NPV NPV (M$) Min NPV

3 JAAR

4 JAAR

5 JAAR

6 JAAR

7 JAAR

8 JAAR

9 JAAR

10 JAAR

76

72

70

67

67

63

60

55

-64

-52

-50

-38

-38

-32

-32

-27

77

81

73

70

68

67

63

61

-65

-49

-49

-37

-30

-30

-24

-24

77

75

73

71

70

70

66

65

-60

-45

-44

-34

-28

-28

-21

-21

79

81

78

76

74

73

71

71

-54

-48

-41

-39

-31

-26

-26

-21

80

79

75

76

75

69

67

64

-48

-41

-32

-29

-30

-28

-26

-18

81

80

78

76

75

72

68

65

-47

-42

-35

-32

-29

-26

-26

-17

81

80

79

75

75

72

71

68

-49

-43

-36

-28

-26

-23

-22

-19

Uit bovenstaande tabel kunnen we de gecombineerde invloed van de variatie in uitrolsnelheid en het aantal clusters nagaan. Op basis hiervan blijkt het optimaal voor Gent om een 40-50 tal clusters uit te rollen over een periode van 5-6 jaar.

79 |

3.1.7 WIJZIGING VAN AANTAL GEZINSPROFIELEN Hier gaan we na wat de invloed is van het aantal gebruikersprofielen. In de vorige puntjes hebben we gewerkt met vijf profielen. We gaan hier na hoe de clusters en de NPV veranderen wanneer we gebruik maken van 10 profielen. In Figuur 55 worden de bekomen clusters met 10 gebruikersprofielen geïllustreerd en vergeleken met de oorspronkelijke clusters (5 profielen). We gebruiken dezelfde kleurschakeringen als voordien waarbij donkergroen een cluster voorstelt met een heel hoog potentieel en donkerrood een heel laag.

Figuur 55: Verschil tussen 5 en 10 profielen

We merken dat de vorm en het potentieel van de clusters niet significant gewijzigd zijn bij het gebruik van 10 profielen. Wanneer we de voorbeelden van de oorspronkelijke profielen aanhalen (het miljoenenkwartier en de haven) dan zijn er weinig verschillen zichtbaar.

Figuur 56: Verschil 5-10 profielen Miljoenenkwartier

80 |

Figuur 57: Verschil 5-10 profielen Haven

Daar de vorm en het potentieel van de gebieden niet significant gewijzigd zijn verwachten we ook geen groot verschil in de NPV, wat ook niet het geval is. Bij het gebruik van 10 profielen is de verhouding tussen GeoMarketing en de gefaseerde uitrol ongeveer 1% beter dan bij het gebruik van 5 profielen. De minimale NPV blijft nagenoeg ongewijzigd. Uit deze analyse kunnen we besluiten dat het gebruik van 10 profielen in de huidige situatie weinig voordelen biedt ten opzichte van het gebruik van 5 profielen. We merken hier wel op dat het gebruik van meer gedetailleerde data op gezinsniveau andere resultaten kan opleveren.

3.1.8 WIJZIGING VAN DE UITROLSTRATEGIE Wanneer we in Tabel 19 kijken naar de laatste kolom die de NPV per km weergeeft zien we dat de gebieden met de hoogste waarden meestal wel als eerste worden uitgerold maar niet altijd. Daarom hebben we gekeken naar de impact van een aanpassing van de uitrolstrategie op basis van deze waarden. Concreet wil dit zeggen dat we het economisch model nogmaals laten lopen maar met een volgorde die gebaseerd is op NPV per km. Dit iteratief proces leidt tot de resultaten weergeven in Tabel 22. Tabel 22: Vergelijking uitrolstrategie

Originele uitrolstrategie Nieuwe uitrolstrategie Gefaseerde uitrol

NPV 2025 ($M)

BREAKEVEN JAAR

MINIMALE NPV ($M)

74,5

2019

-31,4

79,4

2019

-36,8

60,4

2021

-40,5

81 |

We zien dat het gebruik van deze nieuwe uitrolstrategie een extra stijging van de NPV teweeg brengt. Ten opzichte van de gefaseerde uitrol gaat het hier over een stijging van 31% of 8% beter dan de originele uitrolstrategie. Hoewel de minimale NPV in deze nieuwe strategie iets lager ligt dan in de oorspronkelijke strategie ligt deze nog steeds hoger dan in de gefaseerde uitrol. In Figuur 58 geven we het verschil in NPV weer voor de verschillende uitrolstrategieën waarbij we het aantal clusters constant houden op 40.

Vergelijking uitrolstrategie 80 60

NPV ($M)

40

Nieuwe uitrolstrategie

20

Originele uitrolstrategie

0 2010 -20

2012

2014

2016

2018

2020

2022

2024

2026

Gefaseerde uitrol

-40 -60 Figuur 58: Vergelijking uitrolstrategie

82 |

3.2 HOOFDSTUK 2: BESLUIT Door de toenemende vraag naar bandbreedte en toegangssnelheid moeten de netwerkoperatoren hun breedband netwerken blijven verbeteren. Voorlopig hebben de operatoren in België dit gedaan door steeds meer koper of coax in het netwerk te vervangen door glasvezel. Een volledige uitrol van FttH is er voorlopig nog niet gekomen omdat de operatoren het maximum uit hun aanzienlijke investeringen in koper/ coax willen halen. Aangezien het uitrollen van een nieuw breedband netwerk een zeer grote investering is, zoeken operatoren naar steeds betere uitrolmogelijkheden die hun winst maximaliseren en hun investeringen beperken. De grootste investering is de plaatsing van infrastructuur. Een goede uitrolstrategie is dus cruciaal om op een efficiënte manier deze infrastructuurkosten te minimaliseren en tegelijkertijd de gebruikers met het meest potentieel het eerst aan te sluiten. In deze thesis hebben we onderzocht of het gebruik van GeoMarketing technieken deze uitrolstrategie kan optimaliseren en dus een verbetering van de NPV kan realiseren. Meer specifiek hebben we geantwoord op onderstaande vragen. 1. Hoe kunnen we GeoMarketing technieken toepassen bij de uitrol van netwerken? 2. Wat is een optimale uitrolstrategie voor de stad Gent wanneer we gebruik zouden maken van GeoMarketing technieken? 3. Biedt het gebruik van GeoMarketing technieken voordelen? Hoe verhouden de kosten/opbrengsten zich tot huidige beslissingsmethoden? Het antwoord op de eerste vraag hebben we besproken in 2.1. Hier hebben we het model opgebouwd dat ons toelaat om GeoMarketing technieken toe te passen op de uitrol van netwerken. Het overzicht van dit model wordt geïllustreerd in Figuur 59.

Figuur 59: Overzicht model

Een belangrijke uitbreiding die cruciaal is voor de toepassing van GeoMarketing bij de uitrol van netwerken, is de integratie van een parameter die de dichtheid van het aantal bewoners 83 |

ten opzichte van de totale straatlengte weergeeft. Deze dichtheid zal immers bepalend zijn voor de plaatsingskosten. De bekomen uitrolstrategie is dan gebaseerd op een combinatie van het gebruikersprofiel en de dichtheid van de cluster. De tweede vraag hebben we behandeld in 2.2 en 3.1. In 2.2 hebben we de verschillende aspecten aangehaald die aangepast moeten worden in het model om de toepassing voor stad Gent mogelijk te maken. Deze hadden voornamelijk te maken met het verwerken van zeer grote datasets en reële input. In Hoofdstuk 1: Analyse van de resultaten bespreken we dan de resultaten van GeoMarketing voor Stad Gent. Toepassing van het GeoMarketing model op de stad Gent heeft geleid tot een indeling in 40 clusters en een ideale uitroltijd van ~5 jaar. Deze uitrolsnelheid is waarschijnlijk in de realiteit niet haalbaar, maar dit gebeurt idealiter wel zo snel mogelijk22. Om de laatste vraag te beantwoorden gebruiken we de in 3.1 de verkregen resultaten en vergelijken we deze met een willekeurige gefaseerde uitrol. Hieruit blijkt dat het gebruik van GeoMarketing technieken wel degelijk significante voordelen biedt. Afhankelijk van de gekozen uitrolsnelheid en het aantal clusters kan de totale NPV tot 25% hoger liggen dan in een willekeurig gefaseerde uitrol. Daarenboven zijn de gevraagde investeringen een stuk minder aangezien de minimale NPV gedurende de periode ~30% beter is en we ~2 jaar sneller “NPV break-even” zijn. Ongeveer 30% van de NPV verbetering is te wijten aan de beslissing om bepaalde gebieden niet uit te rollen. Dit zorgt ervoor dat gebieden waarvan de NPV in 2025 nog negatief is niet in rekening gebracht worden waardoor de totale opbrengst stijgt. Het is ook gebleken dat het verder verfijnen van de uitrolstrategie significante voordelen met zich mee kan brengen. Zo leidde het iteratief aanpassen van de uitrolstrategie op basis van de gerealiseerde NPV per km straat tot een additionele verbetering ten opzichte van de gefaseerde uitrol van 8%23. Een kanttekening die we plaatsen bij deze resultaten heeft te maken met de beschikbare data. Belangrijk om hier op te merken is dat we werken met distributies rond sectorgemiddelden waardoor de resultaten niet altijd 100% de werkelijkheid reflecteren. Hoewel we er van overtuigd zijn dat de resultaten een realistisch beeld schetsen kunnen we moeilijk nagaan wat de invloed is van grotere hoeveelheden data op niveau van het gezin. Het werk in deze thesis geeft een goede aanzet voor verder onderzoek naar de mogelijkheden van GeoMarketing. De analyses in deze thesis kunnen nog verder verfijnd worden door: Ten eerste lijkt het ons het nuttig de input data verder te verbeteren door enerzijds gebruik te maken van reële data per gezin en anderzijds te kijken of additionele data kan bekomen worden zoals reële telecom uitgaven per gezin. Daarnaast is het verder optimaliseren van de gezinsprofielen een belangrijke stap. Momenteel maken we hiervoor gebruik van een profielfunctie op basis van de gezinsparameters. Deze zou verder kunnen gedetailleerd worden of vervangen worden door een clusteralgoritme. Daarnaast kan in het economisch model de link tussen de gebruikersprofielen, de adoptie en de opbrengsten verder verfijnd worden, door bijvoorbeeld de Bass adoptie curve parameters experimenteel te gaan bepalen. Ook kunnen we de kosten per gezin verder gaan verfijnen 22 23

minimum wel 5 jaar initieel 23% beter dan gefaseerde uitrol en na aanpassing van strategie 31% beter

84 |

door rekening te houden met de actuele locatie, die een invloed zal hebben op de afstand tot de CO en het type uitrol (e.g. ondergronds vs. bovengronds,…). Tot slot kunnen we misschien ook de locatie van de CO en andere netwerkapparatuur gaan bepalen op basis van de uitrolstrategie. Ook zou voor het bepalen van de verschillende eindclusters gekeken kunnen worden naar andere clusteralgoritmes om de invloed hiervan na te gaan. Voor het werken op grotere schaal zoals volledig België zou het JAVA programma nog versneld moeten worden door de code verder te optimaliseren en gebruik te maken van distributed computing. Uiteraard moeten de resultaten ook nog gevalideerd worden door te vergelijken met een werkelijke uitrol en moet het model verder getest worden op andere gebieden. Om af te sluiten herhalen we onze conclusie dat het gebruik van GeoMarketing bij het uitrollen van nieuwe netwerken zeker nuttig is en significante voordelen biedt: de totale winst wordt immers gemaximaliseerd en de investeringen worden beperkt.

85 |

BIJLAGEN SCORETABEL

LEEFTIJD RATING 22 3

INKOMEN RATING <5000 1

TOTALE RATING RATING 1 1

23

3

10000

1

2

1

24

3

15000

1

3

1

25

4

20000

2

4

1

26

4

25000

2

5

2

27

4

30000

3

6

2

28

5

35000

3

7

2

29

5

40000

4

8

3

30

5

45000

4

9

3

31

5

50000

4

10

3

32

5

>55000

5

11

4

33

5

12

4

34

5

13

4

35

5

14

5

36

5

15

5

37

5

38

5

39

5

40

5

41

4

42

4

43

4

44

4

45

4

46

4

47

4

48

4

49

4

50

4

51

3

52

3

53

3

54

3

55

3 86 |

56

3

57

3

58

3

59

3

60

2

61

2

62

2

63

2

64

2

65

2

66

1

67

1

68

1

69

1

70

1

71

1

72

1

73

1

74

1

75

1

87 |

REFERENTIES [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37]

Delployment and operations committee FttH council, FttH Handbook, 2009 IDATE – Fttx watch service, www.idate.org Point Topic, Belgian Broadband Overview, Juli 2009 Bart Wouters, Invloed van stadsnetwerken op de breedbandmarkt gemodelleerd met behulp van speltheorie, 2007 www.quickonomie.be R. Rubenstein, Optical Access Networks: Is Economics still the sickening point?, Fibresystems Europe http://www.telebyteusa.com/foprimer/foch2.htm Jo Eyckmans, Distributie van een 10 Mhz ijksignaal via glasvezelkabel, 1996 Koen Casier, Techno-Economic Evaluation of a Next Generation Access Network Deployment in a Competitive Setting, 2009 Promo op maat, www.standaard.be http://en.wikipedia.org/wiki/Geographic_information_system http://www.gisdevelopment.net/ GfK, GeoMarketing in practice: Achieving market optimization through spatial analysis P. Furness, European Geodemographics Conference, 2009 http://www.telebyteusa.com/foprimer/foch2.htm Pavel Berkhin, A survey of clustering data mining techniques T. Kanungo, D. M. Mount, N. S. Netanyahu, C.D. Piatko, R. Silverman, A.Y. Wu, An Efficient k-Means Clustering Algorithm: Analysis and Implementation, 2002 D.P. Mercer, Clustering Large Datasets, October 2003 Occam Networks, FTTx: Selecting the Best Architecture for the Access Network K. Casier, S. Verbrugge, R. Meersman, D. Colle, P. Demeester, On the cost of operating a next-generation access network, 2008 C. Lin, Broadband: Optical Access Networks and Fiber-to-the-Home: Systems Technologies and Deployment Strategies, Wiley, 2006 T. Mickelsson, ATM versus Ethernet, 1999 J. Farmer, L. Ray, Fiber-to-the-Home: Overview & Technical Tutorial, FttH Council S. White, FTTX in Europe: Technology Options and Economics, Lucent Technologies P. Garvey, Cost and Profitability Drivers for FttH, Corning inc., 2005 A. Banerjee, M. Sirbu, Towards Technologically and Competitively Neutral Fiber to the Home (FttH) infrastructure, Carnegie Mellon University, 2003 S. Sharma, Applied multivariate techniques, 1995 http://www.lightwaveonline.com/about-us/lightwave-issue-archives/issue/theglobal-ftthb-panorama-shifts-54892312.html A.K. Jain, M.N. Murty, P.J. Flynn, Data Clustering: A Review, 1999 P Hendrikson, X-means: clusteren met een onbekend aantal clusters, 2004 D. Pelleg, A. Moore, X-means: Extending K- means with Efficient Estimation of the Number of Clusters, 200X http://www.siscomm.com.tw/ ESRI, ESRI Shapefile Technical Description, Juli 1998 GeoTools, http://geoapi.sourceforge.net/ ESRI Developer Network, Arcgis: The Complete Geographic Information System C. Kleiber, S. Scheid, The Generalized Lognormal Distribution as an Income Distribution J. Tinbergen, On the Theory of Income Distribution 88 |

[38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52]

Why is consumption more lognormal than income? Nationaal instituut voor de statistiek, http://statbel.fgov.be/ Rapid-I: RapidMiner brochure W. Winston, Operations Research: Applications and Algorithms, fourth edition, 2004 F.M. Bass, A new Product Growth for Model Consumer Durables, Management Science, Vol.15, No.5, 1969 J.A Norton, F.M. Bass, A Diffusion Theory Model of Adoption and Substitution for Successive Generations of High-Technology Products, Management Science, Vol. 33, No. 9, 1987 L. K. Vanston, R. L. Hodges, Technology Forecasting for Telecommunications, Telektronik 4, 2004 B. T. Olsen, K. Stordahl, Models for Forecasting Cost Evolution of Components and Technologies, Telektronikk 4, 2004 Gis dienst Stad Gent V. Mahajan, E. Muller, F.M. Bass, Diffusion of New Products: Empirical Generalizations and Managerial uses, Marketing Science, Vol. 14, No. 3, Part 2, 1995 I. Cluyse, Diffusie van het Internetgebruik in Europa: Analyse door middel van het Bass Model, 2006 S. Nam, Empirical test of the Bass Diffusion Model using exogenous shocks on word of mouth effect, 2009 Stad gent, www. Gent.be E. Aksoy, Clustering with Gis, an Attempt to Classify Turkish District Data, October 2006 S. Verbrugge, K. Casier, J. Van Ooteghem, B. Lannoo, White paper: practical steps in techno- economic evaluation of network deployment planning, 2009

89 |

LIJST VAN FIGUREN Figuur 1: Aantal FttH gebruikers wereldwijd [2] .......................................................................................... 10 Figuur 2: Netwerk opties en bijhorende kosten [26] .................................................................................... 11 Figuur 3: Passive Optical Network ...................................................................................................................... 11 Figuur 4: Home Run Fiber Netwerk (links) – Active Star Etherne (rechts) ......................................... 12 Figuur 5: Overzicht onderdelen............................................................................................................................ 13 Figuur 6: Optische vezel [7] ................................................................................................................................... 14 Figuur 7: Optical Line Terminator [32] ............................................................................................................ 15 Figuur 8: Optical Network Unit ............................................................................................................................ 15 Figuur 9: Onderdelen toegangsnetwerk ........................................................................................................... 16 Figuur 10: FttH cost breakdown for Zele [20] ................................................................................................ 16 Figuur 11: Bovengrondse netwerken [9] .......................................................................................................... 17 Figuur 12: Ondergronds network [9] ................................................................................................................. 18 Figuur 13: Toepassingen van GeoMarketing [13] ......................................................................................... 20 Figuur 14: Gelaagdheid van GIS data ................................................................................................................ 22 Figuur 15: Overzicht clusteralgoritmen............................................................................................................ 23 Figuur 16: Hiërarchische clustering [29] ......................................................................................................... 24 Figuur 17: Partitionerende clustering methode [17] ................................................................................... 24 Figuur 18: Algemene aanpak ................................................................................................................................ 27 Figuur 19: Clustering aanpak ............................................................................................................................... 28 Figuur 20: Voorbeeld Shapefile Gent .................................................................................................................. 30 Figuur 21: Koppeling Shapefiles .......................................................................................................................... 32 Figuur 22: Lognormale distributie ..................................................................................................................... 34 Figuur 23: Leeftijdspiramide België [39] .......................................................................................................... 34 Figuur 24: Illustratie probleem data analyse ................................................................................................. 35 Figuur 25: Vergelijking verschillende tools ..................................................................................................... 36 Figuur 26: Clustering aanpak ............................................................................................................................... 39 Figuur 27: Ideale situatie ....................................................................................................................................... 40 Figuur 28: Geïmplementeerde manier ............................................................................................................... 40 Figuur 29: Gebruik van naburige knopen......................................................................................................... 41 Figuur 30: Output verschillende clusters .......................................................................................................... 42 Figuur 31: Voorbeeld van een minimal spanning tree................................................................................. 42 Figuur 32: Algemeen overzicht ............................................................................................................................ 44 Figuur 33: Gompertz curve .................................................................................................................................... 47 Figuur 34: Kosten structuur .................................................................................................................................. 48 Figuur 35: Gent........................................................................................................................................................... 52 Figuur 36: Verschillende Shapefiles .................................................................................................................... 53 Figuur 37: combinatie verschillende datatypes ............................................................................................. 55 Figuur 38: Resultaat profiel vergelijking: rechts Miljoenenkwartier, links Rabot ............................ 58 Figuur 39: Complexiteit........................................................................................................................................... 60 Figuur 40: Vergelijking oorspronkelijk(links) een aangepast clusteralgoritme (rechts) ............... 61 Figuur 41: Keuze tussen som of gemiddelde (het getal geeft het potentieel weer) ........................... 62 Figuur 42: scheiding door nullen ......................................................................................................................... 63 Figuur 43: Abstractie van nullen ......................................................................................................................... 63 Figuur 44: sterk verschillende naburige knopen ........................................................................................... 64 90 |

Figuur 45: Niet volledig verbonden graaf ........................................................................................................ 65 Figuur 46: Adoptiecurven voor de verschillende profielen ........................................................................ 68 Figuur 47: Verschil tussen origineel (links) en aangepast clusteralgoritme (rechts) ...................... 71 Figuur 48: Output clusters Gent ........................................................................................................................... 72 Figuur 49:Vergelijking gebieden op basis van potentieel en uitrolvolgorde links potentieel rechts uitrolvolgorde................................................................................................................................................ 74 Figuur 50: Verhouding dichtheid tot potentieel en clustergrootte ......................................................... 75 Figuur 51: Illustratie uitrolvolgorde: rechts havengebied, links miljoenenkwartier ....................... 75 Figuur 52: NPV vergelijking verschillende strategieën ............................................................................... 76 Figuur 53: Variatie van het aantal clusters ..................................................................................................... 77 Figuur 54: Variatie uitrolsnelheid ....................................................................................................................... 78 Figuur 55: Verschil tussen 5 en 10 profielen ................................................................................................... 80 Figuur 56: Verschil 5-10 profielen Miljoenenkwartier ................................................................................ 80 Figuur 57: Verschil 5-10 profielen Haven ......................................................................................................... 81 Figuur 58: Vergelijking uitrolstrategie ............................................................................................................. 82 Figuur 59: Overzicht model ................................................................................................................................... 83

91 |

LIJST VAN TABELLEN Tabel 1: Vergelijking uitrolmogelijkheden....................................................................................................... 18 Tabel 2: Gompertz waarden .................................................................................................................................. 47 Tabel 3: Plaatsingkosten ........................................................................................................................................ 48 Tabel 4: Glasvezelkosten ......................................................................................................................................... 49 Tabel 5: Aansluitingskosten................................................................................................................................... 49 Tabel 6: Learning curve .......................................................................................................................................... 50 Tabel 7: Uitrolstrategie ........................................................................................................................................... 51 Tabel 8: Beschikbare data ...................................................................................................................................... 54 Tabel 9: Leeftijd bepalend - inkomen gemiddeld ........................................................................................... 56 Tabel 10: Inkomen bepalend, leeftijd gemiddeld ........................................................................................... 56 Tabel 11: Resultaat profielfunctie ....................................................................................................................... 57 Tabel 12: Performantie ........................................................................................................................................... 59 Tabel 13: som vs. gemiddelde................................................................................................................................ 62 Tabel 14: Keuze clustergrootte ............................................................................................................................ 65 Tabel 15: Bass waarden .......................................................................................................................................... 67 Tabel 16: Marktaandelen ....................................................................................................................................... 68 Tabel 17: Verschil NPV tussen origineel en aangepast clusteralgoritme ............................................. 71 Tabel 18: Inputwaarden ......................................................................................................................................... 72 Tabel 19: Output clusters Gent ............................................................................................................................. 73 Tabel 20: NPV vergelijking verschillende strategieën ................................................................................. 76 Tabel 21: Variatie uitrolsnelheid en aantal clusters .................................................................................... 79 Tabel 22: Vergelijking uitrolstrategie ............................................................................................................... 81

92 |