TenderTrends

Rykstsjinst foar Ûndernimmend Nederlân

TenderTrends is in model dat siket nei relevante oanbestegings basearre op ynfierde kaaiwurden en filters en werjûn gegevens fan harren. As bygelyks de wurden 'gers', 'maaien' en 'beammen' ynfierd wurde, dan komme tenders dy't ien of mear fan dizze wurden befetsje. De brûker kin in seleksje fan tenders omsette yn grafiken.

Lêst feroare op 16 jannewaris 2024 om 10:19 | Publikaasjestandaard 1.0

• Publicatiecategorie: Oare algoritmes
• Impacttoetsen: Fjild net ynfierd.
• Status: Yn ûntwikkeling

Algemene ynformaasje

Tema

Organisaasje en bedriuwsfiering

Begjindatum

2024-01

Kontaktgegevens

https://www.rvo.nl/onderwerpen/contact/formulier

Link nei publykspagina

tenderned.nl

Ferantwurde gebrûk

Doel en impact

It doel fan dit algoritme is om oannimmende autoriteiten te stypjen by it opstellen fan it kontrakt. Dat wurdt dien troch ynsjoch te jaan yn ferlykbere oanbestegingen.

Dit doel wurdt berikt yn in oantal stappen:

1. De oanbestegingstsjinst taret de oanbesteging op troch de behoeften, easken, skaaimerken en oare saken te formulearjen.
2. De opdrachtjouwer kin dan TenderTrends rieplachtsje troch trefwurden yn te fieren en oanfoljende kritearia op te jaan (bygelyks type opdrachtjouwer: 'gemeente').
3. De brûker krijt in list mei mooglik relevante oanbestegings basearre op syn sykfraach.
4. Ut dizze list selekteart de brûker de meast relevante oanbestegingen yn syn situaasje. Dit befettet in gearfetting fan histoaryske kaaisifers (gemiddeld oantal fragen fan merkpartijen, gemiddelde trochslachtiid, meast keazen prosedueres, ensfh.) en iepenbiere kontaktgegevens ferbûn mei dizze selektearre oanbestegings.
5. De brûker kin dizze gegevens tapasse op syn eigen oanbesteging om foarôf mear geskikte karren te meitsjen. De brûker kin ek kontakt opnimme mei kollega's om ûnderfinings op te dwaan.

De ynfloed fan TenderTrends is benammen te merken yn it effisjinter brûken fan publike middels en yn it jaan fan mear ynsjoch oan oannimmende autoriteiten. Fierder kin TenderTrends mear ferskaat oan oanbestegingen stypje troch alternative prosedueres te toanen foar ferlykbere oanbestegingen.

Gjin negative ynfloed is opmurken op TenderTrends, om't:

1. it gebrûk is opsjoneel;
2. gjin fertroulike ynformaasje (persoanlike of bedriuwsgegevens) wurdt toand;
3. de opdrachtjouwer nimt de besluten altyd sels.

Fierder kinne oanbestegings foar ûndernimmers fan it begjin ôf dúdliker opsteld wurde. Dit draacht by oan it gemak fan registraasje. In mooglik foarbyld: mei TenderTrends is in nije oanbesteging opsteld wêrby't de oanbestegingstsjinst opmurken hat dat by histoaryske oanbestegingen in soad fragen steld binne (gegevens fan TenderTrends). De oanbestegingstsjinst hat dat doe fierder ûndersocht en guon fan de faak stelde fragen foarôf oplost troch dúdlike kommunikaasje en easken op te stellen. Merkpartijen hoege dêr dan gjin fraach mear oer te stellen en kinne fierder mei de registraasje.

D'r is gjin direkte ynfloed foar boargers en bedriuwen.

Afwagings

TenderNed hat rekken hâlden mei de fragen: 'wat is tastien?', 'wat is mooglik?' en 'wat is winsklik?'. Der is ek rekken hâlden mei juridyske en etyske fragen.

Dit die bliken punten lykas privacy, korrektheid en ferantwurdlikens. Foar elk fan 'e potinsjele risiko's binne stappen nommen om de negative ynfloed te minimalisearjen. In foarbyld is gefoelige tenderynformaasje. Der is besletten om allinnich iepenbier tagonklike oanbestegingen te brûken.

In oare maatregel is Human in the loop (HITL), of de minske dy't it model kontrolearret en dy't úteinlik kiest hokker gegevens relevant binne foar de gearfetting. It model is sûnder tafersjoch, dat betsjut dat it model trainearre wurdt sûnder te witten wat goed of ferkeard is. It model sjocht suver nei hoefolle wurden oerienkomme en hokker wurden it meast ynformatyf binne. Dat betsjut dat it wurd 'gers' mear ynformatyf is as 'tender' om't it wurd 'tender' yn hast alle teksten foarkomt. Yn it gefal fan TenderTrends betsjut dit dat wat it model foarseit statistysk korrekt kin wêze, mar de resultaten sille net altyd relevant wêze foar de brûker. Wy fiere periodyk ynterne falidaasje út troch in oantal sykopdrachten te testen en manuell te bepalen oft se echt relevant binne. Ek makket de einbrûker altyd it definitive beslút sadat de relevânsje fan 'e gearfette gegevens garandearre is. It model kin bygelyks foarsizze dat in sykfraach oer parkûnderhâld tige ferlykber is mei dykûnderhâld. De einbrûker kin dit dan opmerke en dizze 'foarsizzing' negearje.

Elk fan 'e fûne risiko's is oplost of foarkommen. De risiko's binne ek besprutsen mei ferskate domeineksperts (brûkers, juristen, ensfh.).

De konsideraasje dy't oerbliuwt nei it oplossen fan de risiko's, giet oer it brûken fan TenderTrends of trochgean mei de aktuele stân fan saken, sûnder TenderTrends. It beslút waard makke om troch te gean omdat TenderTrends:

1. is opsjoneel, de opdrachtjouwer is net ferplichte om TenderTrends te brûken.
2. hat gjin negative ynfloed. It is in net-direktive, neutrale applikaasje dy't allinich ynsjoch jout.
3. kin resultearje yn besparring yn iepenbiere middels. Ynformaasje oer fergelykbere oanbestegingen kin rapper sammele wurde.

Fierder, nei it útfieren fan de Impact Assessment for Human Rights in the Use of Algorithms (IAMA), is oantoand dat der gjin negative ynfloed is.

Minskele tuskenkomst

Binnen dit model is d'r minsklike yntervinsje. Koartsein, it model wurket as folget:

1. De brûker fiert sels sykbegripen yn.
2. It model berekkent de relevânsje fan alle histoaryske oanbestegingen yn 'e dataset.
3. It model presintearret in maksimum oantal relevante oanbestegings (de brûker bepaalt it maksimum oantal) ynklusyf it bedrach fan oerienkomst fan 0 (gjin oerienkomst) oant 100 (folsleine oerienkomst).
4. De brûker sjocht de titel, beskriuwing en oankeapkategory fan elke oanbesteging.
5. Op grûn fan dizze ynformaasje kin de brûker in seleksje meitsje fan de oanbestegings dêr't in analyze foar plakfine moat.
6. De applikaasje (net it algoritme) makket in oantal grafiken fan 'e selekteare oanbestegings basearre op' e beskikbere kaaisifers (leadtiid, priis, proseduere, oantal fragen, ensfh.).

Dit makket dúdlik dat de TenderTrends-applikaasje yn totaal bestiet út 3 dielen: de sykfraach, de foarseleksje troch it algoritme, en as lêste, de minsklike yntervinsje.

Dizze splitsing soarget derfoar dat de brûker in soad kontrôle hat oer de analyze en der sels oan wurkje kin. Oan 'e foarkant (de sykfraach) bepaalt de brûker easken (ferplichte kaaiwurden, regio fan oanbesteging, ensfh.). It model siket mear dan 50.000 histoaryske oanbestegingen en toant de wichtichste resultaten. De brûker beoardielet de resultaten en nimt de relevante oanbestegingen yn 'e analyse.

It proses nei dizze analyze leit by de opdrachtjouwer. TenderTrends biedt oan

Risikobehear

De folgjende mitigearjende maatregels binne nommen binnen it model:

• Foarôfgeand oan de data-analyze makket de brûker in kar út de eins relevante oanbestegingen. Dit betsjut dat der minsklike yntervinsje is en kontrolearre wurdt op hokker gegevens it model de analyze basearret.
• TenderTrends toant en brûkt allinich iepenbier beskikbere gegevens. Dit foarkomt dat gefoelige ynformaasje yn it model opnommen wurdt en dêrom iepenbier beskikber wurdt.
• It model brûkt in 'lokale gegevensset' dy't frij is fan gefoelige ynformaasje. It model kommunisearret dus net direkt mei in ynterne databank. Dit betsjut dat d'r minder ôfhinklikens binne tusken ûnderlinge systemen (databank moat tagonklik wêze) en d'r is gjin risiko fan in oanfal op 'e databank (ynformaasjefeiligens).
• Oare mitigearjende maatregels omfetsje saken lykas de wize fan presintearjen fan gegevens, sadat se mear tagonklik binne foar de brûker. It bêste foarbyld is de útfier fan it model, dat is in statyske skoare dy't lestich te begripen is foar minsken dy't net bekend binne mei it mêd fan taalgegevens. Der waard besletten om de partituer om te neamen yn 'graad fan oerienkomst' en wer te jaan as in gevulde balke. Hoe foller de balke, hoe grutter de oerienkomst mei de sykfraach.

Wurking

Gegevens

Gegevens dy't brûkt wurde foar it algoritme binne: de nammen fan alle Nederlânske iepenbiere oanbestegingen, de byhearrende beskriuwings en oanbestegingstsjinsten. De folgjende oanbestegingsgegevens waarden brûkt:

• Karakteristyk fan de oanbesteging
• Namme fan oannimmende autoriteit
• Soart oannimmende autoriteit
• Lokaasje fan de oanbestedende autoriteit
• Namme fan de oanbesteging
• Beskriuwing fan de oanbesteging
• Finale wearde fan 'e oanbesteging
• Faluta fan 'e definitive wearde fan' e oanbesteging
• Soart opdracht fan 'e oanbesteging
• Oanbestegingsproseduere
• Priiskritearia fan 'e oanbesteging
• Status fan de oanbesteging
• CPV-koade fan 'e oanbesteging
• CPV-beskriuwing fan 'e oanbesteging
• Tender begjindatum
• Eindatum fan de oanbesteging
• Startdatum fan de oanbesteging
• Oantal oanbestegingsprizen
• Oantal ûndernimmers registrearre foar de oanbesteging
• Opdracht aard fan de oanbesteging
• ID fan 'e earste publikaasje ferbûn mei de oanbesteging
• Oantal ynformaasje notysjes foar de oanbesteging
• Oantal fragen steld oer de oanbesteging
• Oantal fragen beantwurde yn 'e oanbesteging
• Oantal lotten yn 'e oanbesteging
• Bekende bedriuwen yn 'e oanbesteging
• Kontaktpersoan fan de oanbestedende autoriteit
• Tillefoannûmer fan de kontaktpersoan fan de oanbestedende autoriteit
• Jou oan oft de oanbesteging om in merkkonsultaasje giet

Links nei gegevensboarnen

Datasets aanbestedingen: https://www.tenderned.nl/cms/nl/aanbesteden-in-cijfers/datasets-aanbestedingen

Technyske wurking

TenderTrends brûkt in taalmodel - basearre op spesifisearre kaaiwurden en filters - om te sykjen nei de meast relevante meidielings foar de brûker (keapers fan (de)sintrale oerheden, publike rjochtsynstellingen en bedriuwen yn 'e spesjale sektor). De brûker hat dan de opsje om fierder te selektearjen de oankundigingen dy't relevant binne foar har. Dizze seleksje wurdt dan omset yn ynsjoch foar de brûker fia grafiken en tabellen (bgl. gemiddelde oantal plots).

It taalmodel wurdt trainearre mei histoaryske en iepenbiere oanbestegingsgegevens. De titel en beskriuwing fan de oanbestegings binne oaninoar plakt. Typysk Nederlânske stopwurden binne doe út de tekst helle (bgl. de, het, een, als, want). Mei de oerbleaune teksten waard in wurdboek makke dêr't alle wurden yn teld waarden. Uteinlik wurdt der út it model in nûmer útgien dat oanjout oft in wurd in soad ynformaasje (in heech getal) of in bytsje ynformaasje (in leech nûmer) befettet. Hoe faker in wurd brûkt wurdt, hoe leger it nûmer. Dizze nûmers wurde nei in bepaalde tiid opnij berekkene. It berekkenjen fan dizze nûmers is it selslearende diel.