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 activa 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 bieden bijvoorbeeld 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 tot onverwachte stilstand leidt. Tijdens de plannings- en ontwikkelingsfase van constructies worden dergelijke zaken 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 fabrikanten 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 er regelmatig een lift kapot gaat in een flatgebouw waar oudere of gehandicapte bewoners wonen. In dat geval is het niet alleen een ongemak, maar een kritiek probleem dat het welzijn en de veiligheid van de bewoners beïnvloedt. De psychologische impact van ’opgesloten‘ zitten door een onbetrouwbare lift kan leiden tot aanzienlijk ongemak 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: Het intelligente activaregister van Artefact

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

Een belangrijk voordeel van moderne bedrijfsmiddelen, zoals liften die in de afgelopen tien jaar geïnstalleerd zijn, is dat ze een groot aantal operationele data gegevens automatisch kunnen registreren en vastleggen. Deze bedrijfsmiddelen 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 wordt continu verzameld en opgeslagen in onboard of op cloud gebaseerde data-bases, waardoor handmatige data invoer niet meer nodig is en de kans op menselijke fouten aanzienlijk kleiner wordt.

Daarom maakt de oplossing gebruik van deze automatisch gelogde 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 kosten voor de aanschaf van het bedrijfsmiddel 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 onder toezicht, 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 apparaat.

Belangrijkste voordelen

De implementatie van het Intelligent Asset Register brengt verschillende belangrijke voordelen met zich mee. Eerst en vooral biedt het snelle toegang tot cruciale inzichten, zodat besluitvormers hun activakeuzes onmiddellijk kunnen optimaliseren. De schaalbaarheid zorgt voor een continue data opname en analyse, wat de toekomstbestendigheid ten goede komt naarmate de activaportefeuilles uitbreiden.

Deze AI-gestuurde aanpak vermindert de afhankelijkheid van handmatige processen, waardoor de afhankelijkheid van spreadsheets en belangrijk personeel geminimaliseerd wordt. Het stroomlijnt de lijst met activatypes voor een ontwikkelaar met minder activatypes, wat leidt tot 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 proces voor het genereren van inzichten, waardoor leidinggevenden zich kunnen richten op strategische beslissingen en toekomstige aanbevelingen in plaats van op het verzamelen en analyseren van data.

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

  • Gezondheidszorg: De NHS kan het hulpmiddel gebruiken om de apparatuurselectie te optimaliseren, zodat kosten en betrouwbaarheid in balans zijn, de patiëntenzorg wordt verbeterd en de veiligheidsvoorschriften worden nageleefd.

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

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

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

Daarom zien we de volgende algemene voordelen voor alle bedrijfstakken:

  • Data Gestuurde besluitvorming: Een robuuste, data-driven benadering voor activaselectie bieden, waardoor u minder op intuïtie en subjectieve beoordelingen hoeft te vertrouwen.

  • Risicobeperking: Minimaliseer het risico dat u suboptimale bedrijfsmiddelen selecteert door rekening te houden met de totale kosten en prestaties data.

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

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

  • 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 van een supervised learning tool te garanderen, die ontworpen is om activa aan te bevelen en inzichten te verschaffen, worden de volgende stappen ondernomen:

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

  • Geavanceerde technieken voor machinaal leren: Wij maken gebruik van geavanceerde algoritmen voor leren onder toezicht, die nauwkeurig zijn afgestemd om de initiële kosten, onderhoudskosten en levensduur van activa in evenwicht te brengen, zodat optimale aanbevelingen worden gedaan die zijn afgestemd op de specifieke vereisten 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 industrie. Dit rigoureuze testproces garandeert dat ons model goed generaliseert naar nieuwe data en consistente, nauwkeurige aanbevelingen geeft.

  • 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 op de resultaten kan vertrouwen.

  • Voortdurende verbetering: Het model wordt regelmatig bijgewerkt met nieuwe data en feedback om veranderende omstandigheden weer te geven en de voorspellende mogelijkheden 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 overeenkomen met de vereisten in de praktijk en de 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 gebruikersfeedback: Wij 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 evolueert in reactie op de 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 kunnen trainen. Als de data van een klant niet gedigitaliseerd is, moet de informatie eerst met OCR (Optical Character Recognition) uit handgeschreven documenten en rekeningen gehaald worden. Dit proces kan bijzonder lastig zijn en vatbaar voor onnauwkeurigheden als de documenten onconventionele of complexe tabellenformaten hebben. In gevallen waar OCR niet mogelijk is, is handmatige data invoer en digitalisering nodig, wat tijdrovend en arbeidsintensief kan zijn.

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

Kosten en vereisten

Om een effectief hulpmiddel voor het aanbevelen van bedrijfsmiddelen te ontwikkelen, hebben wij 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 bedrijfsmiddelen, samen met alle relevante gebouwinformatie over waar deze bedrijfsmiddelen in gebruik zijn of zijn geweest. De implementatiekosten van het intelligente activaregister van Artefact 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 activa. Als zodanig zouden de kosten van de oplossing voor het intelligente activaregister redelijkerwijs beginnen vanaf £70k.

Bovendien vereist een succesvolle implementatie van de oplossing een nauwe samenwerking met de belangrijkste belanghebbenden en deskundigen uit de sector om de aanbevelingen van het model te helpen valideren en om ervoor te zorgen dat het in overeenstemming is met de beste praktijken en regelgevende normen. Om een succesvolle invoering en voortdurende verbetering van de tool te vergemakkelijken, kunnen wij klanten ondersteunen met gebruikerstraining en het opzetten van een feedbackmechanisme. Dit helpt ervoor te zorgen dat onze oplossing effectief kan voldoen aan de veranderende behoeften van klanten.

Waarom Artefact?

Artefact is een toonaangevend, wereldwijd adviesbureau dat zich richt op het versnellen van de toepassing van data en AI om mensen en organisaties positief te beïnvloeden. Wij zijn gespecialiseerd in data transformatie en data marketing om tastbare bedrijfsresultaten te behalen in de gehele waardeketen van ondernemingen. Artefact biedt de meest uitgebreide set van data-driven oplossingen, gebouwd op diepe data wetenschap en cutting-edge AI-technologieën, het leveren van AI-projecten op schaal in de vastgoedsector in het Verenigd Koninkrijk.

Wij zijn vertrouwde partners voor vastgoedbedrijven in residentiële, commerciële, industriële en gespecialiseerde activaklassen. Tot onze partners behoren FTSE 350 beursgenoteerde bedrijven en particuliere organisaties van vergelijkbare grootte. 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 op de door hen gekozen markten - tot grote operationele veranderingen, zoals het opzetten van nieuwe zakelijke armen en proposities. Wij hebben in elke fase van de vastgoedlevenscyclus gewerkt, van grondverwerving tot doorlopend onderhoud, en hebben met klanten samengewerkt om deze processen wetenschappelijk te verbeteren.