De vooruitgang op het gebied van AI heeft een revolutie teweeggebracht in de manier waarop we onroerend goed beheren en onderhouden.

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

De uitdaging

Het beheer van een groot vastgoedportefeuille is van nature complex en kostbaar. Neem bijvoorbeeld een grote woningcorporatie die toezicht houdt op honderdduizenden woningen in Londen en het zuidoosten. Zij beheren een breed scala aan voorzieningen, waaronder enkele honderden liften, verwarmingsketels, elektrische poorten en watersystemen. Alleen al hun jaarlijkse uitgaven voor liften kunnen aanzienlijk zijn en oplopen tot miljoenen ponden.

Voor dergelijke organisaties reikt de complexiteit van het beheer van liften verder dan alleen financiële overwegingen. De verscheidenheid aan aanwezige liftmodellen brengt verschillende onderhoudsschema’s en servicevereisten met zich mee. Liften van Siemens bieden bijvoorbeeld een hoge betrouwbaarheid en langlopende servicecontracten, maar gaan gepaard met hogere aanschafkosten. Aan de andere kant hebben goedkopere modellen van Aziatische fabrikanten weliswaar lagere aanschafkosten, maar leiden ze tot meer storingen, hogere onderhoudskosten en frequente reparaties, wat resulteert in onverwachte stilstand. Tijdens de plannings- en ontwikkelingsfase van bouwprojecten worden dergelijke zaken vaak over het hoofd gezien of krijgen ze onvoldoende aandacht of consistentie, wat een belangrijke factor is die bijdraagt aan de uitdaging.

Bovendien verschillen liftfabrikanten ook wat betreft de mate van flexibiliteit van een onderhoudscontract. Er zijn fabrikanten zoals KONE en Otis die de voorkeur geven aan eigen onderhoudscontracten, en er zijn goedkopere liften waarbij het over het algemeen niet uitmaakt wie het onderhoud uitvoert, zoals bij de Koreaanse fabrikant Sigma. Gezien deze inherente diversiteit binnen het systeem zijn de huidige handmatige benaderingen van activabeheer inefficiënt, wat leidt tot hogere kosten en suboptimale prestaties van de activa.

Deze situatie wordt nog verergerd door de behoefte aan tijdige en accurate informatie om beter onderbouwde beslissingen te kunnen nemen. Stel bijvoorbeeld dat een lift in een hoogbouwgebouw waar ouderen of mensen met een beperking wonen, regelmatig defect raakt. In dat geval is het niet alleen een ongemak, maar een kritieke kwestie die het welzijn en de veiligheid van de bewoners in gevaar brengt. De psychologische impact van het 'opgesloten zitten' als gevolg van een onbetrouwbare lift kan leiden tot aanzienlijk leed en mogelijke psychische problemen, vooral in sociale woningbouw of grote flatgebouwen.

Daarnaast is het waarborgen van de naleving van veiligheidsvoorschriften en de vereiste wettelijke normen een belangrijk aandachtspunt voor vastgoedorganisaties. Door de aanwezigheid van talrijke en uiteenlopende gebouwinstallaties (HVAC-systemen (verwarming, ventilatie en airconditioning), liften, beveiligingssystemen, enz.) verspreid over meerdere locaties en verschillende soorten vastgoed, kan het bijhouden van de naleving van regelgeving, onderhoudsgeschiedenis en onderhoudsschema’s een enorme opgave worden. Dit leidt vaak tot reactief in plaats van proactief onderhoud.

De oplossing: het intelligente activaregister Artefact

Artefact het Intelligent Asset Register ontwikkeld om deze uitdagingen aan te pakken. Deze voorspellende tool doet aanbevelingen voor de meest geschikte activa voor de specifieke kenmerken van een gebouw, op basis van de prestaties in het verleden van activa die eigendom zijn van de klant.

Een belangrijk voordeel van moderne installaties, zoals liften die in het afgelopen decennium zijn geïnstalleerd, is dat ze automatisch een breed scala aan data kunnen registreren en opslaan. Deze installaties zijn uitgerust met geavanceerde sensoren en monitoringsystemen die gedetailleerde gebruiksstatistieken vastleggen, waaronder het aantal ritten, het laadgewicht, de specifieke stopplaatsen, wachttijden en nog veel meer. Deze data continu verzameld en opgeslagen in lokale of cloud databases, waardoor handmatige data overbodig wordt en de kans op menselijke fouten aanzienlijk wordt verkleind.

Daarom maakt de oplossing gebruik van deze automatisch geregistreerde data, in combinatie met andere data zoals eerdere reparatiefacturen, liftspecificaties en aanschaf- en onderhoudskosten, om te bepalen (d.w.z. te voorspellen) welke lift(s) op termijn het beste rendement op de investering opleveren en waarom, teneinde een optimale balans te vinden tussen de aanschafkosten en de onderhoudskosten.

De oplossing werkt als volgt:

  • De klant beschikt over een gebruikersinterface waarin hij belangrijke gegevens invoert, zoals het aantal verdiepingen, het aantal woningen, de verwachte levensduur van het gebouw, het aantal bewoners en het type gebouw.

  • Deze data ingevoerd in ons model voor machine learning onder toezicht, dat vervolgens een gerangschikte lijst met aanbevolen liftmodellen genereert. Bij elke aanbeveling worden de belangrijkste redenen voor de rangschikking vermeld, waaronder factoren als het rendement op investering (ROI) over een bepaalde periode, onderhoudsschema’s, initiële kosten versus onderhoudskosten en de totale levensduur van de installatie.

class="lazyload

Belangrijkste voordelen

De implementatie van het Intelligent Asset Register biedt een aantal belangrijke voordelen. Allereerst services het services toegang tot cruciale inzichten, waardoor besluitvormers hun keuzes met betrekking tot bedrijfsmiddelen onmiddellijk kunnen optimaliseren. Dankzij de schaalbaarheid ervan is data continue data en -analyse gewaarborgd, wat bijdraagt aan toekomstbestendigheid naarmate de bedrijfsmiddelenportefeuilles groeien.

Deze AI aanpak vermindert de afhankelijkheid van handmatige processen, waardoor de behoefte aan spreadsheets en sleutelfiguren tot een minimum wordt beperkt. Het stroomlijnt de lijst met activatypen voor een ontwikkelaar: door het kleinere aantal activatypen wordt het beheer minder complex, ontstaan er grotere schaalvoordelen bij reparatiekosten en neemt de bekendheid met specifieke modellen toe. Dit alles zorgt voor data verbeterde interne data en versnelt het proces van inzichtwerving, waardoor leidinggevenden zich kunnen richten op strategische beslissingen en toekomstige aanbevelingen in plaats van op data en analyseren data .

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

  • Gezondheidszorg: De NHS kan deze tool gebruiken om de keuze van apparatuur te optimaliseren en zo een evenwicht te vinden tussen kosten en betrouwbaarheid, waardoor de patiëntenzorg wordt verbeterd en naleving van de veiligheidsvoorschriften wordt gewaarborgd.

  • Onderwijs: Universiteiten kunnen laboratoriumapparatuur, verwarmings- en koelsystemen en liften in meerdere gebouwen beheren, waardoor een efficiënt gebruik van de budgetten wordt gewaarborgd.

  • Vervoer: Vervoersautoriteiten, zoals TfL, kunnen de aanschaf- en onderhoudskosten en de dienstregelingen van roltrappen, liften en kaartverkoopsystemen binnen het openbaarvervoersnetwerk op elkaar afstemmen, waardoor de operationele efficiëntie en duurzaamheid worden vergroot.

  • Commercieel vastgoed: Bouwbedrijven kunnen zorgen voor een efficiënte werking van cruciale infrastructuur, zoals liften en HVAC-systemen, in kantoorgebouwen en winkelruimtes.

We zien dan ook de volgende algemene voordelen in alle sectoren:

  • Data besluitvorming: Zorg voor een solide, data aanpak bij de selectie van activa, waardoor de afhankelijkheid van intuïtie en subjectieve beoordelingen wordt verminderd.

  • Risicobeperking: Beperk het risico op het selecteren van suboptimale activa door rekening te houden met uitgebreide kosten- en data.

  • Levenscyclusbeheer: Biedt inzicht in de volledige levenscyclus van bedrijfsmiddelen, waardoor langetermijnplanning en duurzaamheid worden gewaarborgd.

  • Schaalbaarheid: Zorg voor schaalbaarheid en aanpasbaarheid, zodat kan worden ingespeeld op de behoeften van groeiende organisaties of uitbreidende faciliteiten.

  • Verbeterde efficiëntie: Verbeter de algehele operationele efficiëntie door voor elke specifieke toepassing de meest geschikte en betrouwbare middelen aan te bevelen.

Nauwkeurigheid en betrouwbaarheid garanderen

Om de nauwkeurigheid en betrouwbaarheid te waarborgen van een tool voor begeleid leren die is ontworpen om activa aan te bevelen en inzichten te bieden, worden de volgende stappen genomen:

  • Uitgebreide data : De tool is gebaseerd op een robuuste dataset die uitgebreide informatie over diverse activa bevat, waardoor een volledig inzicht in prestatie-indicatoren in verschillende scenario’s wordt gegarandeerd.

  • Geavanceerde technieken voor machine learning: Wij maken gebruik van de allernieuwste algoritmen voor begeleid leren, die zorgvuldig zijn afgestemd om een evenwicht te vinden tussen de initiële kosten, de onderhoudskosten en de levensduur van de activa, waardoor we optimale aanbevelingen kunnen doen die zijn afgestemd op de specifieke behoeften van de klant.

  • Streng validatieproces: Om de doeltreffendheid van de tool te waarborgen, maken we gebruik van kruisvalidatietechnieken en prestatiemaatstaven die relevant zijn voor de sector. Dit strenge testproces garandeert dat ons model goed generaliseert naar nieuwe data consistente, nauwkeurige aanbevelingen biedt.

  • Transparantie en verklaarbaarheid: Onze tool maakt gebruik van verklaarbaarheidsmethoden zoals SHAP en LIME, waardoor een duidelijk inzicht wordt geboden in de redenering achter elke aanbeveling. Deze transparantie zorgt ervoor dat de klant het besluitvormingsproces begrijpt en vertrouwen heeft in de resultaten.

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

  • Validatie door experts: We werken nauw samen met experts uit de sector en belangrijke belanghebbenden bij onze klanten om de aanbevelingen van onze tool te valideren, zodat deze praktisch en relevant zijn en aansluiten bij de eisen in de praktijk en de verwachtingen van de klant.

  • Praktijktests: Onze tool is uitgebreid getest in de praktijk, waarbij de betrouwbaarheid en nauwkeurigheid ervan in concrete toepassingen zijn aangetoond. Dit grondige testproces garandeert dat de tool goed presteert onder reële werkomstandigheden.

  • Integratie van gebruikersfeedback: Wij hechten veel waarde aan feedback van gebruikers en verwerken deze in onze tool, zodat we deze voortdurend kunnen verbeteren om beter aan de behoeften van onze klanten te voldoen. Deze feedbackcyclus verhoogt de betrouwbaarheid van de tool en zorgt ervoor dat deze zich ontwikkelt op basis van de ervaringen en inzichten van onze klanten.

Beperkingen onderkennen

Complexiteit: Een belangrijke uitdaging is de behoefte aan aanzienlijke hoeveelheden hoogwaardige data een effectief model te trainen. Als data van een klant niet gedigitaliseerd data , moet de informatie eerst met behulp van OCR (Optical Character Recognition) uit handgeschreven documenten en rekeningen worden gehaald. Dit proces kan bijzonder lastig zijn en gevoelig voor onnauwkeurigheden als de documenten ongebruikelijke of complexe tabelformaten hebben. In gevallen waarin OCR niet haalbaar is, zijn handmatige data en digitalisering nodig, wat tijdrovend en arbeidsintensief kan zijn.

Historische vertekening: De aanbevelingen van de tool zijn beperkt tot activa die in het verleden zijn gebruikt. Daardoor kan de tool geen inzichten bieden over nieuwe of recent geïntroduceerde activa, omdat data onvoldoende data. Deze beperking houdt in dat nieuwe modellen en innovaties mogelijk niet in de aanbevelingen worden meegenomen, wat ertoe kan leiden dat er verouderde activa worden voorgesteld die inmiddels zijn vervangen door geavanceerdere opties. Een manier om deze beperking te omzeilen is echter het extrapoleren data nieuwe modellen die simpelweg verbeterde versies zijn van bestaande modellen van dezelfde fabrikant.

Kosten en vereisten

Om een effectieve tool voor het doen van aanbevelingen over bedrijfsmiddelen te ontwikkelen, hebben we uitgebreide data nodig, waaronder gedetailleerde operationele data gebruiksstatistieken, onderhoudsgegevens en prestatiestatistieken van bedrijfsmiddelen, evenals financiële data de aanschafkosten, historische onderhoudskosten en de verwachte kosten voor nieuwe bedrijfsmiddelen. Daarnaast hebben we specificaties nodig van bestaande en vroegere activa, samen met alle relevante gebouwinformatie over waar deze activa worden of zijn gebruikt. De implementatiekosten van ArtefactIntelligent Asset Register zijn dan ook sterk afhankelijk van de vraag die moet worden beantwoord, de kwaliteit van data beschikbare data de omvang van het project, waaronder het aantal en de verschillende soorten activa. De kosten van de oplossing voor het intelligente activaregister beginnen daarom redelijkerwijs vanaf ca. £ 70.000.

Bovendien vereist een succesvolle implementatie van de oplossing een nauwe samenwerking met zowel belangrijke belanghebbenden als experts uit de sector, om de aanbevelingen van het model te valideren en ervoor te zorgen dat deze in overeenstemming zijn met best practices en wettelijke normen. Om een succesvolle invoering en voortdurende verbetering van de tool te bevorderen, kunnen wij klanten ondersteunen met gebruikerstrainingen en het opzetten van een feedbackmechanisme. Dit draagt ertoe bij dat onze oplossing effectief kan inspelen op de veranderende behoeften van klanten.

Waarom Artefact?

Artefact een toonaangevende internationale organisatie om de toepassing van data AI te versnellen AI een positieve impact AI mensen en organisaties. Wij zijn gespecialiseerd in data en data om tastbare bedrijfsresultaten te realiseren in de gehele waardeketen van de onderneming. Artefact services meest uitgebreide pakket aan data oplossingen, gebaseerd op diepgaande data en geavanceerde AI , en voert grootschalige AI uit in de vastgoedsector in het Verenigd Koninkrijk.

Wij zijn een betrouwbare partner voor vastgoedbedrijven in zowel de residentiële, commerciële en industriële sector als in gespecialiseerde vastgoedsegmenten. Tot onze partners behoren onder meer aan de FTSE 350 genoteerde ondernemingen en particuliere organisaties van vergelijkbare omvang. Met meer dan 20 jaar ervaring in de vastgoedsector bestaat ons toegewijde vastgoedteam uit deskundigen en gediplomeerde professionals op het gebied van vastgoedtaxaties, stedenbouw, projectontwikkeling en financiering.

Onze eerdere projecten variëren van het ontwikkelen van data dynamische strategieën samen met onze klanten – waarbij we hen adviseren waar ze actief moeten zijn en hoe ze succesvol kunnen zijn in de door hen gekozen markten – tot ingrijpende operationele veranderingen, zoals het opzetten van nieuwe bedrijfsonderdelen en dienstenaanbiedingen. We hebben ervaring in elke fase van de vastgoedcyclus, van grondverwerving tot doorlopend onderhoud, en hebben samen met onze klanten gewerkt aan het wetenschappelijk onderbouwd verbeteren van deze processen.