De vooruitgang in AI technologie heeft een revolutie teweeggebracht in de manier waarop we "harde" eigendommen beheren en onderhouden.

Een opkomende toepassing is het Intelligent Asset Register, dat het beheer van kritieke bedrijfsmiddelen zoals liften, elektrische poorten, alarmen en diverse machines in uitgebreide vastgoedportefeuilles optimaliseert.

De uitdaging

Het beheren van een grote portefeuille van activa is inherent complex en kostbaar. Neem een grote woningbouwvereniging die toezicht houdt op honderdduizenden woningen in Londen en het zuidoosten. Zij beheren een groot aantal activa, waaronder honderden liften, boilers, elektrische poorten en watersystemen. Alleen al hun jaarlijkse uitgaven aan liften kunnen aanzienlijk zijn en miljoenen ponden bedragen.

Voor dergelijke organisaties gaat de complexiteit van liftbeheer verder dan financiële overwegingen. De verscheidenheid aan liftmodellen betekent verschillende onderhoudsschema's en servicevereisten. Siemens liften, bijvoorbeeld, bieden een hoge betrouwbaarheid en langlopende servicecontracten, maar brengen hogere initiële kosten met zich mee. Aan de andere kant kunnen goedkopere modellen van Aziatische fabrikanten lagere aanloopkosten hebben, maar hogere storingspercentages, onderhoudskosten en frequente reparaties, wat leidt tot onverwachte stilstand. Tijdens de plannings- en ontwikkelingsfase van constructies worden dergelijke zaken heel vaak over het hoofd gezien of wordt er niet voldoende rekening mee gehouden, wat in grote mate bijdraagt aan de uitdaging.

Bovendien verschillen de liftfabrikanten ook wat betreft de mate van openheid van een serviceovereenkomst. Er zijn er zoals KONE en Otis die de voorkeur geven aan eigen serviceovereenkomsten, en er zijn goedkopere liften die over het algemeen niet geïnteresseerd zijn in wie hun liften onderhoudt, zoals de Koreaanse fabrikant Sigma. Met zo'n diversiteit die inherent is aan het systeem, zijn de huidige handmatige benaderingen van activabeheer inefficiënt, wat leidt tot hoge kosten en suboptimale prestaties van de activa.

Deze situatie wordt nog verergerd door de behoefte aan tijdige en nauwkeurige informatie om beter geïnformeerde beslissingen te kunnen nemen. Stel bijvoorbeeld dat een lift regelmatig kapot gaat in een flatgebouw waar oudere of gehandicapte bewoners wonen. In dat geval is er niet alleen sprake van ongemak, maar van een kritieke kwestie die van invloed is op het welzijn en de veiligheid van de bewoners. De psychologische impact van het 'vastzitten' door een onbetrouwbare lift kan leiden tot aanzienlijke onrust en mogelijke psychische problemen, vooral in sociale woningen of grote flatgebouwen.

Daarnaast is het naleven van veiligheidsvoorschriften en noodzakelijke wettelijke normen een grote zorg voor vastgoedorganisaties. Het bestaan van talrijke en diverse gebouwen (HVAC-systemen (verwarming, ventilatie en airconditioning), liften, beveiligingssystemen, enz.) op meerdere locaties en in verschillende soorten vastgoed kan betekenen dat het bijhouden van de naleving van regelgeving, servicehistorie en onderhoudsschema's een ontmoedigende taak wordt. Dit resulteert vaak in reactief in plaats van proactief onderhoud.

De oplossing: Artefact's Intelligent activaregister

Artefact heeft het Intelligent Asset Register ontwikkeld om deze uitdagingen aan te gaan. Dit voorspellende hulpmiddel beveelt het meest geschikte bedrijfsmiddel aan voor de gegeven specificaties van een gebouw op basis van de prestaties in het verleden van bedrijfsmiddelen die eigendom zijn van de klant.

Een belangrijk voordeel van moderne middelen, zoals liften die in de afgelopen tien jaar zijn geïnstalleerd, is de mogelijkheid om automatisch een groot aantal operationele data vast te leggen en te registreren. Deze middelen zijn uitgerust met geavanceerde sensoren en monitoringsystemen die gedetailleerde gebruiksstatistieken registreren, zoals het aantal ritten, het gewicht van de lading, specifieke vloerstops, wachttijden en meer. Deze data worden continu verzameld en opgeslagen in databases aan boord of cloud, waardoor het handmatig invoeren van data overbodig wordt en de kans op menselijke fouten aanzienlijk afneemt.

Daarom maakt de oplossing gebruik van deze automatisch geregistreerde data, naast andere data bronnen zoals reparatierekeningen uit het verleden, liftspecificaties, en aanloop- en onderhoudskosten om te bepalen (d.w.z. te voorspellen) welke lift(en) na verloop van tijd de beste ROI opleveren en waarom, zodat de initiële aanschafkosten en de onderhouds- en onderhoudskosten zo goed mogelijk tegen elkaar worden afgewogen.

De oplossing werkt als volgt:

  • De klant heeft een UI waar hij belangrijke informatie invoert, zoals het aantal verdiepingen, het aantal eenheden, de verwachte levensduur van het gebouw, het aantal bewoners en het type gebouw.

  • Deze data wordt ingevoerd in ons machine-learningmodel, dat vervolgens een gerangschikte lijst van aanbevolen lifttypes genereert. Elke aanbeveling wordt geleverd met belangrijke redenen voor de rangschikking, waaronder factoren zoals rendement op investering (ROI) over een bepaalde periode, onderhoudsschema's, kosten vooraf versus onderhoudskosten en de totale levensduur van het systeem.

class="lazyload

Belangrijkste voordelen

De implementatie van het Intelligent Asset Register brengt verschillende belangrijke voordelen met zich mee. Eerst en vooral services snelle toegang tot cruciale inzichten, zodat besluitvormers hun activakeuzes onmiddellijk kunnen optimaliseren. De schaalbaarheid zorgt voor continue data opname en analyse, wat helpt bij toekomstbestendige inspanningen als activaportefeuilles uitbreiden.

Deze AI-gestuurde aanpak vermindert de afhankelijkheid van handmatige processen en minimaliseert de afhankelijkheid van spreadsheets en belangrijk personeel. Het stroomlijnt de lijst met activatypes voor een ontwikkelaar met minder activatypes, wat resulteert in minder complex beheer, meer schaalvoordelen met betrekking tot reparatierekeningen en meer bekendheid met specifieke modellen. Dit alles maakt intern een betere data verzameling mogelijk en versnelt het inzichtgeneratieproces, waardoor leidinggevenden zich kunnen richten op strategische beslissingen en toekomstige aanbevelingen in plaats van op data verzameling en analyse.

Naast vastgoedbeheer kan het Intelligent Asset Register in verschillende sectoren worden toegepast:

  • Gezondheidszorg: De NHS kan de tool gebruiken om de apparatuurselectie te optimaliseren zodat kosten en betrouwbaarheid in balans zijn, de patiëntenzorg wordt verbeterd en naleving van de veiligheidsvoorschriften wordt gewaarborgd.

  • Onderwijs: Universitaire campussen kunnen labapparatuur, verwarmings- en koelsystemen en liften in meerdere gebouwen beheren, zodat budgetten efficiënt worden gebruikt.

  • Vervoer: Vervoersautoriteiten zoals TfL kunnen de initiële en onderhoudskosten en -schema's van roltrappen, liften en kaartverkoopsystemen in het openbaarvervoernetwerk in evenwicht brengen, waardoor de operationele efficiëntie en duurzaamheid toenemen.

  • Commercieel vastgoed: Bouwgroepen kunnen zorgen voor de efficiënte werking van kritieke infrastructuur, zoals liften en HVAC-systemen, in kantoorgebouwen en winkelruimtes.

Als zodanig zien we de volgende algemene voordelen in alle sectoren:

  • Data besluitvorming: Zorg voor een robuuste, data benadering van activaselectie, zodat u minder afhankelijk bent van intuïtie en subjectieve beoordelingen.

  • Risicobeperking: Minimaliseer het risico van de selectie van suboptimale activa door rekening te houden met uitgebreide kosten en prestaties data.

  • Levenscyclusbeheer: Inzicht bieden in de volledige levenscyclus van bedrijfsmiddelen, zodat planning en duurzaamheid op lange termijn gewaarborgd zijn.

  • Schaalbaarheid: Maak schaalbaarheid en aanpasbaarheid mogelijk, zodat kan worden voldaan aan de behoeften van groeiende organisaties of uitbreidende faciliteiten.

  • Verbeterde efficiëntie: Verbeter de algehele operationele efficiëntie door de meest geschikte en betrouwbare bedrijfsmiddelen aan te bevelen voor elk specifiek gebruik.

Nauwkeurigheid en betrouwbaarheid garanderen

Om de nauwkeurigheid en betrouwbaarheid te garanderen van een supervised learning tool die is ontworpen om bedrijfsmiddelen aan te bevelen en inzichten te verschaffen, worden de volgende stappen genomen:

  • Uitgebreide basis data : De tool is gebouwd op een robuuste dataset die uitgebreide informatie bevat over verschillende bedrijfsmiddelen, waardoor een uitgebreid begrip van prestatiecijfers over verschillende scenario's wordt gegarandeerd.

  • Geavanceerde Machine Learning-technieken: We maken gebruik van geavanceerde algoritmen voor leren onder toezicht, die nauwkeurig zijn afgestemd om de initiële kosten, onderhoudskosten en levensduur van activa in balans te brengen, zodat optimale aanbevelingen worden gedaan die zijn afgestemd op de specifieke eisen van de klant.

  • Streng validatieproces: Om de doeltreffendheid van de tool te garanderen, maken we gebruik van kruisvalidatietechnieken en prestatiecijfers die relevant zijn voor de sector. Dit rigoureuze testproces garandeert dat ons model goed generaliseert naar nieuwe data en consistente, accurate aanbevelingen doet.

  • Transparantie en uitlegbaarheid: Onze tool bevat verklaringsmethoden zoals SHAP en LIME, die duidelijk inzicht bieden in de beweegredenen achter elke aanbeveling. Deze transparantie zorgt ervoor dat de klant het besluitvormingsproces begrijpt en kan vertrouwen op de uitkomsten.

  • Voortdurende verbetering: Het model wordt regelmatig bijgewerkt met nieuwe data en feedback om veranderende omstandigheden weer te geven en de voorspellende capaciteiten te verbeteren, zodat het actueel en effectief blijft.

  • Validatie door experts: We werken nauw samen met experts uit de sector en belangrijke belanghebbenden van de klant om de aanbevelingen van onze tool te valideren en ervoor te zorgen dat ze praktisch en relevant zijn en voldoen aan de eisen en verwachtingen van de klant.

  • Testen in de echte wereld: Ons gereedschap is uitgebreid in de praktijk getest, waarbij de betrouwbaarheid en nauwkeurigheid in praktische toepassingen is aangetoond. Dit grondige testproces zorgt ervoor dat het gereedschap goed presteert onder werkelijke werkomstandigheden.

  • Integratie van feedback van gebruikers: We waarderen en integreren feedback van gebruikers en verfijnen de tool voortdurend om beter aan de behoeften van klanten te voldoen. Deze feedbacklus vergroot de betrouwbaarheid van de tool en zorgt ervoor dat deze zich ontwikkelt als reactie op ervaringen en inzichten van klanten.

Beperkingen herkennen

Complexiteit: Een belangrijke uitdaging is de behoefte aan aanzienlijke hoeveelheden data van hoge kwaliteit om een effectief model te trainen. Als de data van een klant niet gedigitaliseerd is, moet de informatie eerst met OCR (Optical Character Recognition) uit handgeschreven documenten en rekeningen worden gehaald. Dit proces kan bijzonder lastig zijn en vatbaar voor onnauwkeurigheden als de documenten onconventionele of complexe tabelformaten hebben. In gevallen waar OCR niet haalbaar is, moet handmatig data worden ingevoerd en gedigitaliseerd, wat tijdrovend en arbeidsintensief kan zijn.

Historische vertekening: De aanbevelingen van de tool zijn beperkt tot activa die in het verleden zijn gebruikt. Bijgevolg kan het geen inzichten verschaffen over nieuwe of recent geïntroduceerde bedrijfsmiddelen door onvoldoende langetermijn data. Deze beperking betekent dat nieuwe modellen en innovaties mogelijk niet worden opgenomen in de aanbevelingen, wat kan leiden tot suggesties voor verouderde middelen die zijn vervangen door meer geavanceerde opties. Een manier om deze beperking te omzeilen is echter door data te extrapoleren voor nieuwe modellen die simpelweg verbeterde versies zijn van bestaande modellen van dezelfde fabrikant.

Kosten en vereisten

Om een effectief hulpmiddel voor het aanbevelen van bedrijfsmiddelen te bouwen, hebben we uitgebreide data nodig, inclusief gedetailleerde operationele data zoals gebruiksstatistieken, onderhoudsgegevens en prestatiecijfers van bedrijfsmiddelen, evenals financiële data met betrekking tot initiële kosten, historische onderhoudskosten en verwachte kosten voor nieuwe bedrijfsmiddelen. Daarnaast hebben we specificaties nodig van bestaande en vroegere assets, samen met alle relevante gebouwinformatie over waar deze assets in gebruik zijn of zijn geweest. De implementatiekosten van Artefact's Intelligent Asset Register zijn dus sterk afhankelijk van de te beantwoorden examenvraag, de kwaliteit van de beschikbare data en de omvang van het project, waaronder het aantal en de verschillende soorten assets. Als zodanig zouden de kosten van de oplossing voor het intelligente activaregister redelijkerwijs beginnen vanaf 70.000 pond.

Bovendien vereist een succesvolle implementatie van de oplossing een nauwe samenwerking met de belangrijkste belanghebbenden en experts uit de sector om de aanbevelingen van het model te helpen valideren en te zorgen voor afstemming op best practices en regelgevingsnormen. Om een succesvolle toepassing en voortdurende verbetering van de tool te bevorderen, kunnen we klanten ondersteunen met gebruikerstraining en het opzetten van een feedbackmechanisme. Dit helpt om ervoor te zorgen dat onze oplossing effectief kan voldoen aan de veranderende behoeften van klanten.

Waarom Artefact?

Artefact is een toonaangevende wereldwijde organisatie die zich richt op het versnellen van de toepassing van data en AI om mensen en organisaties positief te beïnvloeden. Wij zijn gespecialiseerd in data en data om tastbare bedrijfsresultaten te behalen in de gehele waardeketen van ondernemingen. Artefact services de meest uitgebreide reeks data oplossingen, gebaseerd op diepgaande data en geavanceerde AI , en levert AI op schaal in de vastgoedsector in het Verenigd Koninkrijk.

Wij zijn vertrouwde partners voor vastgoedbedrijven in de residentiële, commerciële, industriële en specialistische activaklassen. Tot onze partners behoren FTSE 350 beursgenoteerde bedrijven en particuliere organisaties van vergelijkbare omvang. Ons toegewijde vastgoedteam heeft meer dan 20 jaar ervaring in vastgoed en bestaat uit experts en registerprofessionals op het gebied van vastgoedwaarderingen, stedenbouw, ontwikkeling en financiering.

Ons eerdere werk varieert van het ontwikkelen van data-geleide dynamische strategieën met onze klanten - waarbij we hen informeren waar ze moeten spelen en hoe ze kunnen winnen in de door hen gekozen markten - tot grote operationele veranderingen, zoals het opzetten van nieuwe zakelijke armen en proposities. We hebben in elke fase van de vastgoedlevenscyclus gewerkt, van grondverwerving tot doorlopend onderhoud, en hebben met klanten samengewerkt om deze processen wetenschappelijk te verbeteren.