Gericht tienen scoren met behulp van data

Men denkt soms dat we bij Flux Partners vooral bezig zijn met schrijven. Maar, ondanks mijn geheime ambitie om ooit nog een roman te schrijven, werk ik op tenders juist het liefst dicht op de techniek, berekeningen en modellen. Tijdens mijn studie (hydraulic engineering met de specialisatie environmental fluid mechanics) waren numerieke modellen en Matlab-berekeningen aan de orde van de dag en ook na mijn studie bleef ik me bezighouden met programmeren. Zo stonden er op een blauwe maandag nog een aantal apps van mij in de App Store en Google Play Store, onder andere één waarmee je 2D-voortplanting van getijdegolven kon simuleren en één voor eenvoudige Monte-Carlosimulaties. Toen ik bijna zes jaar geleden als adviseur tendermanagement bij Flux Partners ging werken, kwam het berekenen en programmeren op een wat lager pitje te staan. Maar het bloed kruipt waar het niet gaan kan en ik probeer tijdens mijn werk toch altijd wel de kwantitatieve kant op te zoeken.

Integraal sturen op EMVI met data en meetbare ambities

Een goede manier om dit te doen (zonder op de stoel van de specialisten te gaan zitten) is om de EMVI-criteria meetbaar te maken met indicatoren die afgeleid kunnen worden uit bijvoorbeeld het ontwerp, de uitvoeringsmethode of de planning. Een paar jaar geleden werkte ik bijvoorbeeld aan een tender waar we als onderdeel van de kwalitatieve inschrijving geluidshinder moesten voorkomen. Een uitdagende klus; het project ging over tientallen kilometers weg en een groot aantal kunstwerken. De concurrentie is op zulke tenders vaak moordend. Simpelweg de meest geluidsarme – vaak duurdere – oplossing kiezen, staat gelijk aan jezelf de markt uit prijzen. Een winnende aanbieding vroeg dus om diepgaandere analyse en het gericht nemen van effectieve maatregelen.

Om dit te bereiken hebben we bij aanvang van de tender met het EMVI-team een meetbare ambitie geformuleerd en getoetst bij de aanbesteder. Tijdens de tenders stuurden we tussentijds steeds op het behalen van deze ambitie. Dit ging als volgt:

• Losse geluidsberekeningen. De geluidskundige berekende voor de afzonderlijke clusters van werkzaamheden de geluidsbelasting op de geluidsgevoelige objecten, zoals woningen of scholen. Input hiervoor werd geleverd door de verschillende ontwerpteams en uitvoeringsteams.
• Samenvoegen in één overzicht. Als EMVI-team verwerkten we losse geluidsberekeningen in één centraal overzichtsbestand in Excel. Hierin voegden we berekeningen samen, koppelden geluidsgevoelige objecten aan de geografische locatie en wezen geluidshindercategorieën toe. Het resultaat: een handig totaaloverzicht waarin we per geluidsgevoelig object (in totaal meer dan 6.000) zagen welke geluidshinder zij zouden gaan ondervinden. In samenvattende tabellen was direct duidelijk in welke mate onze ambitie behaald werd.
• Geografisch visualiseren. Naast de cijfers en tabellen visualiseerden we het totaaloverzicht ook op een GIS-kaart die online toegankelijk was voor het hele team.
• Sturen op geluidshinder. Met de samenvattende tabellen en de GIS-kaart hadden we als het ware een ‘thermometer’ waarmee we in één oogopslag konden zien óf en op welke locaties we onze ambitie wel of juist niet haalden. Een handig sturingsmiddel om samen met de ontwerp- en uitvoeringsteams gericht maatregelen te nemen om onze ambitie waar te maken.

In dit voorbeeld ging het toevallig over geluidshinder, maar het principe is veel breder toepasbaar op EMVI-vraagstukken:

1. Meetbaar maken van het EMVI-criterium;
2. Vaststellen van een meetbare ambitie;
3. Uitwerken van oplossingen en maatregelen door het team;
4. Samenvatten of visualiseren van de sturingsinformatie;
5. Monitoren en bijsturen om de ambitie waar de maken.

Deze aanpak werkte in het verleden bijvoorbeeld ook goed voor criteria over: het behalen van de vereiste afvoerdebieten, duurzaamheid, schade aan eigendommen van derden, verplaatsing of vervormingen van objecten in de ondergrond, verkeershinder, geluidshinder, trillingshinder, optimaal assetrendement (en balans tussen preventief en correctief onderhoud) of het actueel, betrouwbaar en compleet maken van areaalgegevens. Natuurlijk, het ene EMVI-criterium leent zich beter voor kwantificeren dan het andere. Maar het loont vrijwel altijd om bij aanvang van een tender al na te denken over hoe je de EMVI-criteria en de effecten van maatregelen wil gaan kwantificeren. Cijfermatig onderbouwde plannen scoren immers vaak beter en als het echt niet lukt kun je altijd later nog overstappen op meer kwalitatieve onderbouwingen.

Big data en business analytics

Om het analyseren en sturen op data meer handen en voeten te geven, heb ik afgelopen zomer de cursus Big Data en Business Analytics bij Tridata gevolgd. Hierin gingen we gedurende vijf dagen aan de slag met R (programmeertaal voor statistiek en data-analyse) en verschillende methoden en tools voor het verzamelen, analyseren en visualiseren van grote (on)gestructureerde databestanden. Onderwerpen die aan bod kwamen, waren bijvoorbeeld: data summaries, data cleaning, data validatie, predictive modelling en machine learning, visualiseren, automatisch rapporteren en dashboards. Kortom, een leuke nieuwe set aan mogelijkheden om data beter te benutten.

Storingsanalyses voor prestatiecontracten

De eerste keer dat ik deze data-analyse mogelijkheden kon gebruiken, was tijdens een tender voor een prestatiecontract; een contractvorm voor het meerjarig onderhoud van bijvoorbeeld tunnels, bruggen, sluizen, wegen, vaarwegen, groenvoorzieningen of de start- en landingsbanen van Schiphol. De periodieke inspecties en de toenemende toepassing van sensoren bij prestatiecontracten leveren een schat aan data. Niet voor niets zijn de uitvragen bij tenders voor prestatiecontracten steeds vaker gericht op innovaties op het gebied van datagedreven en voorspellend onderhoud.

Ook bij de tender waaraan ik meewerkte was dit het geval. Hier werden we gevraagd om de voorspelbaarheid van storingen te verbeteren en storingen preventief te voorkomen. De aanbesteder had als bijlage een storingsoverzicht toegevoegd waarin alle storingen van de afgelopen periode in geregistreerd waren. Ter ondersteuning van het tenderteam ontwikkelde ik een R-script waarmee de storingsdata snel gevalideerd, samengevat en gevisualiseerd konden worden. Het script voerde in korte tijd een groot aantal bewerkingen uit is door de generieke opbouw eenvoudig herbruikbaar bij toekomstige prestatiecontracten. Informatie die het script genereerde was onder andere:

• Validatie storingsdata. Validatie van de juistheid van data op basis van een paar logische regels, bijvoorbeeld een check of de systeemnaam bij een storing wel ingevuld was.
• Storingen per object. Inzicht in de verdeling van het aantal storingen per object en de top 10 objecten met de meeste storingen. Dit gaf een beeld van de kritieke objecten ten aanzien van de betrouwbaarheid. Ook maakten we per object de verdeling van de prioriteit van storingen inzichtelijk. Dit gaf inzicht in de mate waarin storingen aan een bepaald object tot het niet-functioneren van het systeem leidde, als indicator voor de niet-beschikbaarheid.
• Responsetijden, oplostijden (tot functioneel herstel) en hersteltijden (tot definitief herstel) in relatie tot de eisen. Dit geeft inzicht in de mate waarin de vereiste storingstijden in het verleden behaald werden. Ook bepaalden we hieruit de top 25 objecten waarbij de vereiste storingstijden het vaakst werden overschreden.

De gegenereerde informatie kon door het tenderteam gebruikt worden om SMART maatregelen in het EMVI-plan te formulieren. Bijvoorbeeld het na gunning gericht aanvullen van bepaalde missende of foutieve data, het verbeteren van het inspectie- en onderhoudsregime van kritieke objecten, het preventief vervangen van kritieke objecten of het verbeteren van de storingsafhandeling.

Een logische vervolgstap van de storingsanalyses tijdens de tender is om na opdrachtverlening toe te werken naar predictive maintenance. Dit kan in nauwe samenwerking tussen de maintenance engineer (inhoudelijke kennis over de objecten), de data-analist (kennis over verwerken, analyseren en visualiseren data) en eventueel de GIS-/BIM-adviseur (geografisch inzichtelijk maken). Door consequent de juiste data te verzamelen kan het faalgedrag van objecten beter begrepen worden. Met de verzamelde data kunnen in R voorspellende modellen afgeleid worden, die op basis van de uitbreidende dataset steeds nauwkeuriger het faalgedrag van objecten modelleren. Op basis van de voorspelling kan ‘just in time’ preventief onderhoud uitgevoerd worden, met als effect: minder niet-beschikbaarheid door onverwachte storingen en correctief onderhoud.

Talloze mogelijkheden in de bouw en infra

De bouw digitaliseert steeds meer en er zijn talloze mogelijkheden om meer datagedreven te werken. Voorbeelden van tender-gerelateerde toepassingen zijn het afleiden van verifieerbare prestatie of kengetallen op basis van data ui eerdere vergelijkbare projecten, het opstellen van (geautomatiseerde) dashboards om te sturen op de EMVI-criteria of het inzichtelijk maken van tenderuitslagen en klantevaluaties in dashboards. Maar eigenlijk overal waar data verzameld wordt, kunnen daar slimme analyses op uitgevoerd worden. De komende jaren hoop ik dan ook om mijn data-analyse vaardigheden nog veel meer in te zetten. Op tenders maar ook op project- en bedrijfsniveau bij zowel opdrachtnemers als opdrachtgevers.

Ben jij benieuwd wat wij voor jouw organisatie kunnen betekenen? Neem contact op met Remco Steenstra: r.steenstra@flux.partners.