Predictieve analytics in de FM-sector

Nederlandse context

TNO en ISSO publiceren onderzoek naar data-gedreven onderhoud in de gebouwde omgeving. Nederlandse CAFM-leveranciers bieden steeds vaker analytics-modules aan. De TU Delft doet onderzoek naar voorspelmodellen voor gebouwgebruik. De BIM Loket-stichting stimuleert data-standaardisatie als voorwaarde voor analytics.

Kernbegrippen

Predictieve analytics

Het gebruik van historische data, statistische modellen en machine learning om toekomstige gebeurtenissen of trends te voorspellen.

Patroonherkenning

Het identificeren van terugkerende patronen in data die wijzen op een toekomstige gebeurtenis: een installatie die elke keer voor een storing een afwijkend geluidsprofiel vertoont.

Voorspelmodel

Een wiskundig model dat op basis van input-variabelen (temperatuur, draaiuren, seizoen) een uitkomst voorspelt (kans op storing, verwacht energieverbruik).

Trainingsdata

De historische data waarmee het voorspelmodel wordt ontwikkeld. Hoe meer en hoe kwalitatief beter de trainingsdata, hoe betrouwbaarder de voorspellingen.

False positive

Een valse alarm: het model voorspelt een storing die niet optreedt. Te veel false positives ondermijnen het vertrouwen in de voorspellingen.

Hoe het werkt

Predictieve analytics werkt door patronen te leren uit historische data en die patronen toe te passen op nieuwe situaties. Een model dat is getraind op vijf jaar storingsdata van klimaatinstallaties, leert welke combinatie van factoren (leeftijd, draaiuren, buitentemperatuur, laatste onderhoud) een storing voorafgaat. Bij nieuwe metingen berekent het model de kans op storing in de komende periode.

De toepassingen in FM zijn breed maar de adoptie is beperkt. Predictief onderhoud is de meest concrete toepassing en wordt door leveranciers als Planon en Ultimo aangeboden. Bezettingsvoorspelling (hoeveel mensen komen morgen?) helpt bij het afstemmen van catering, klimaat en schoonmaak. Energievoorspelling ondersteunt budgettering en contractonderhandeling met energieleveranciers.

De voorwaarden zijn helder: voldoende historische data (minimaal twee tot drie jaar), gestructureerde registratie in CAFM en/of sensordata, en een organisatie die bereid is om op basis van voorspellingen te handelen. De grootste barrière is niet de technologie maar de datakwaliteit. Organisaties die hun CAFM-systeem jarenlang als digitale prullenbak hebben gebruikt, hebben geen bruikbare trainingsdata. De eerste stap naar predictieve analytics is daarom altijd: de datahygiëne op orde brengen.