Seminar, De Reehorst Ede, 27-06-2019
Datagestuurd Woningonderhoud 2019

Eigenlijk is de vraag al niet meer óf Data Science de ‘killing apps’ gaat leveren om de onderhoudskosten van woningen revolutionair te verlagen, maar op welke termijn de eerste resultaten structureel behaald gaan worden.

De explosieve toename van hoeveelheid (big en open, eigen en externe) data, gecombineerd met innovatieve analysemogelijkheden en machine learning maken het mogelijk om onderhoud te gaan uitvoeren op basis van data-gebaseerde voorspellingen, oftewel: predictief in plaats van preventief onderhoud.

Steeds meer corporaties zien de enorme mogelijkheden die deze data bieden en zijn begonnen met pilots om ze in te zetten voor het optimaliseren van hun bedrijfsprocessen.

Maar juist op woningonderhoud lijkt de inzet van machine learning grote kostenbesparingen (voorspellingen lopen van 20 tot 40%) mogelijk te maken. Besparingen die behalve financiële ook sociaal-maatschappelijke voordelen opleveren.

Zo heeft bijvoorbeeld Ymere een pilot opgestart om te kijken hoe machine learning de verduurzaming van haar woningbestand zou kunnen versnellen.

Tijdens het seminar Datagestuurd Woningonderhoud 2019 op 27 juni aanstaande praten enkele innovators op datagebied u bij over opzet, eerste resultaten én de geplande volgende stappen van hun pilots

Aan de orde komen onder meer:

 

  • De verduurzaming van je woningbezit versnellen met inzet van machine learning
  • Van gevelfoto's m.b.v. beeldherkenning en machine learning naar predictief gevelonderhoud
  • ·        Hoe koppel je externe data met eigen vastgoed- en (ERP-)data?
  • ·        Hoe kunnen onderhoudsbedrijven inspelen op deze manier van werken?
  • ·        En ook: hoe zal predictief onderhoud de samenwerking tussen corporaties en onderhoud-opdrachtnemers veranderen?

 

 

Met onder meer de volgende sprekers

 

  • Bastiaan Rodenburg, Technisch Consultant Digitale Innovatie & Transformatie  Woonstad Rotterdam: De Enterprise Data Hub
  • Marissa Helmich, Data Scientist bij Woningcorporatie Ymere (via KPN ICT Consulting) en Celeste Kettler, Data analist KPN ICT consulting: Versnelling van de verduurzaming van het woningbezit van Ymere door middel van machine learning
  • Dirk Huibers, Strategy lead/Cofounder Octo: Predictief gevelonderhoud: drones, sensoren, externe data, beeldherkenning en machine learning 

 

Big Data

Woningopnamen, inspecties en conditiemetingen leveren veel waardevolle data. Verzamelen van deze data, gebruik van (complexe) algoritmes en een structurele analyse van de uitkomsten kan belangrijke input leveren voor het verbeteren van het onderhoudsproces en beslissingen zoals het uitstellen of juist naar voren halen van onderhoud. Daarbij wordt het mogelijk om verschillende onderhoudsprocessen onderling op elkaar af te stemmen en te integreren, Dat dit zowel qua bewonerstevredenheid als op financieel vlak grote voordelen biedt is evident.

Enkele voorbeelden:

Op basis van deze Big Data kunnen door middel van machine learning de financiële risico’s van bijvoorbeeld vervolgschade bij uitstel beter worden voorspeld. Hiermee krijgt een onderhoudsplanning en -begroting een steviger fundament en een meer wetenschappelijke onderbouwing.

 Ook kan meer inzicht worden verkregen in de noodzaak van bepaalde scenario’s. Op dit moment is het vaststellen van maatregelen op basis van de inspectiegegevens een lastige taak, zelfs voor techneuten. Machine learning kan daarbij een belangrijke ondersteuning bieden.

Daarbij levert goed gebruik van data de mogelijkheid de resterende levensduur van bouwdelen beter te voorspellen. Aan de hand daarvan kunnen opdrachtgevers en opdrachtnemers onderhoudsintervallen onderbouwd oprekken en dus kosten besparen. Door monitoring en diagnose op afstand is het ook mogelijk om (schaarse) technici effectiever in te zetten.

Tenslotte is het zeer goed denkbaar dat door gebruik te maken van de juiste data de frequentie van metingen in de praktijk drastisch kan worden verlaagd. Ook dat bespaart geld. Ook binnen planmatig onderhoud kan gedacht worden aan continue metingen met sensoren van belangrijke referentie