Voorspellend onderhoud Big-data, het Internet of Things & voorspellend onderhoud in het vastgoed 7 juni 2018
Data v.s. Big Data Wanneer is data big -data? Hoeveelheid Snelheid Structuur Specificaties van 60.000 woningen Belastingdata van alle Nederlanders VISA betalingen wereldwijd Internet of Things Waarom is de invloed van big data zo groot? Voorsprong door inzicht Transitie naar dataspecialist & veranderende competenties Elke organisatie is er onderhevig aan 2
Drivers Waarom komt big data analyse nu op? Snellere chips, servers & opslag Internet is overal beschikbaar Machine learning In het vastgoed Funda tool Bezit analyse Scheefhuurderdetectie Leefbaarheid Voorspellende modellen Gedrag van mens en machine kan worden voorspeld Niets is toeval: zoeksuggesties, Spotify, aanbiedingen 3
Voorspellend onderhoud Onderhoud als noodzakelijk kwaad naar concurrentiefactor Correctief Preventief Voorspellend Run-to-failure Tijd/verbruik gebaseerd Conditie gebaseerd Veel storingen Hoge downtime Soms storingen - gemiddelde downtime Zeer wenig storingen lage downtime Lage klanttevredenheid Gemiddelde klanttevredenheid Hoge klanttevredenheid Lage investeringen, weinig competenties nodig Lage investeringen, enige competenties vereist Enige investeringen, veranderende competenties 4
ProRail case Doel: Ontwikkelen van een pilot dashboard waar wisselstoringen worden voorspeld Storingen komen relatief weinig voor, maar hebben enorme impact 5 jaar aan data van 6.000 wissels. Oplossing: Machine learning Algoritme detecteert afwijkingen in stroom door de wisselmotor & de wisseltijd. Resultaat: Miljoenenbesparingen 5
Voorspellend onderhoud voor vastgoed Mijn onderzoek Verkenning Analyse Proof of Concept Implementatie Onderhoudskosten Datakwaliteit Lopende projecten Complexiteit v.s. Impact Selectie Uitwerken selectie; data & analyse / business case Vereisten voor organisatie brede implementatie 6
Wat valt op in de verkenning? Onderhoudskosten Datakwaliteit Lopende projecten & pilots Nu Casco Installaties Toekomst Casco Installaties Enorme verschillen tussen vastgoedbeheerders Conditiedata over het algemeen minder goed op orde Bewustwording groeit Ymere: Dakenonderhoud Portaal: Schilderwerk / Kozijnen Hagemans vastgoed: Vaste & optimale onderhoudskosteninschatting + Schilderwerk Breman: Collectieve CV ketels Van Wijnen: Groene installaties Building Management Systems Liften, Airconditioning, Verwarming 7
Databronnen Interne data Externe data Failure data Woningspecificaties Geografische locatie Gas / water / licht Sensoren Weersomstandigheden Satelliet / Streetview Luchtconditie Vervuiling / zoutgraad / vochtigheid CBS / Kadaster Faalmechanismen Uitgevoerde reparaties Conditie Verbruik Sensoren Belasting / omgeving Investering Voorspellende waarde Conditie 8
Mogelijkheden & vereisten Pilots Dagelijks voorspellend onderhoud Voorspellend plannen Functie Opdoen van ervaring in ontwikkelen voorspellende modellen Vervangen van de dagelijkse onderhoud planning waar mogelijk Ondersteunen van het planmatig onderhoud Uitkomst Wanneer Data Samenwerking Organisatie Investeringen 9
Mogelijkheden & vereisten Pilots Dagelijks voorspellend onderhoud Voorspellend plannen Functie Uitkomst Bevestiging of verwerping van hypothese. Startpunt voor betrekken van de organisatie Onderhoud plegen voor falen component Monteurs binnen werktijden Hoge klanttevredenheid Voorkomen van grotere schade Helder overzicht van de vastgoedportefeuille leidt tot efficiënter plannen Uitstellen van onderhoud wanneer mogelijk, vroeger uitvoeren wanneer nodig Wanneer Data Samenwerking Organisatie Investeringen 10
Mogelijkheden & vereisten Pilots Dagelijks voorspellend onderhoud Voorspellend plannen Functie Uitkomst Wanneer Vandaag Morgen Overmorgen Data Samenwerking Organisatie Investeringen 11
Mogelijkheden & vereisten Pilots Dagelijks voorspellend onderhoud Voorspellend plannen Functie Uitkomst Wanneer Data Mogelijkheden verkennen met huidige data Gedetailleerde documentatie van uitgevoerde reparaties Kwaliteit Privacy Open data ecosysteem Documentatie van status componenten PO Kwaliteit Privacy Samenwerking Organisatie Investeringen 12
Mogelijkheden & vereisten Pilots Dagelijks voorspellend onderhoud Voorspellend plannen Functie Uitkomst Wanneer Data Samenwerking Eventuele samenwerking met externe partijen omtrent modelleren Samenwerking & datadeling in de keten Resultaten delen met andere vastgoedbeheerders Intensieve samenwerking in de keten en met andere vastgoedbeheerders omtrent datadeling Organisatie Investeringen 13
Mogelijkheden & vereisten Pilots Dagelijks voorspellend onderhoud Voorspellend plannen Functie Uitkomst Wanneer Data Samenwerking Organisatie Innovatieteam Vaste data-analist(en) Veranderingen in klachtenprocedure en onderhoudsplanning Flexibele jaarplanning Flexibele ketenpartners Nieuwe competenties Investeringen 14
Mogelijkheden & vereisten Pilots Dagelijks voorspellend onderhoud Voorspellend plannen Functie Uitkomst Wanneer Data Samenwerking Organisatie Investeringen Investeren in pilots, leren en innoveren Investeringen in software, sensoren & competenties 15
Actie ondernemen MODELLERING Ontwikkelen voorspellend model Eventueel met ervaren partner 04 03 PILOT Start je pilot Betrek de organisatie en klant hierbij Input voor de volgende iteratie 02 DATA DOELSTELLING Impact (kosten, klanttevredenheid, efficiëntie) Maak het niet te complex! 01 Kijk welke data beschikbaar is Start met aanvullen van missende data Openstelling van data (iteratie 2 3) 16
Contact Alexander Scheek Scheek.Alexander@kpmg.nl KPMG Laan van Langerhuize 1, 1186 DS Amstelveen Myrdin van der Horst vanderhorst.myrdin@kpmg.nl KPMG Laan van Langerhuize 1, 1186 DS Amstelveen