DE TOEKOMST LAAT ZICH BETER VOORSPELLEN EN MANAGEN MET ASSET ANALYTICS

NÓG MEER MET MINDER DOOR DIGITAL ASSETMANAGEMENT

De afgelopen jaren hebben veel asset-intensieve organisaties, mede gebaseerd op een operational excellence

strategie, stelselmatig bezuinigd op de instandhouding van hun assets. Meer doen met minder geld is vrijwel overal het devies. Belangrijk dus om gangbare bedrijfsprocessen te blijven herijken en optimaliseren. Daarbij noodzaakt de vergrijzing van het personeelsbestand organisaties om creatief nieuwe wegen te vinden om de benodigde kennis en ervaring voor het managen van de assets te borgen. En om nieuwe technologische ontwikkelingen en het groeiende aanbod van data effectief in te bedden en toe te passen. Assetmanagers bij publieke en private organisaties opereren in dit zeer dynamische speelveld, waarin de lat steeds hoger komt te liggen. Een volgende stap in het professionaliseren van hun vak dient zich aan. Welke extra waarde kunnen de ‘bytes’ van assetmanagement 3.0 ofwel digital assetmanagement toevoegen?

2

Data georiënteerd

Business georiënteerd

Functioneelgeoriënteerd

Object/technisch

georiënteerd

Asset focus (1.0 )• Technisch en functioneel gedreven aanpak om risico’s te minimaliseren en investerings- en instandhoudingsuitgaven te prioriteren

Data focus (3.0 )• Data gedreven aanpak t.b.v. op ‘feiten gebaseerde’ / kwantitatieve besluitvorming met hulp van (big) data en (geavanceerde) data analytics• Digital assetmanagement

Business focus (2.0) • Organisatie-waarde en -risico gedreven aanpak om optimale balans te vinden tussen kosten, risico’s en prestaties.• Afstemming met het assetmanagement kwaliteitsmanagementsysteem van ISO 55000 met focus op organisatie, processen, informatiemanagement en cultuur & competenties

Veel asset-intensieve organisaties hebben in de afgelopen decennia hun assetmanagement

stelselmatig geprofessionaliseerd. Een ingrijpend veranderingsproces, dat vrijwel alle facetten van de bedrijfsvoering raakt. Vooral de bijbehorende cultuur-verandering kost vaak een enorme inspanning.

Stapsgewijs professionaliseren Stond aanvankelijk de asset zelf centraal, gaande-weg verschoof de aandacht naar het maximaliseren van de waarde voor de business. De meeste organi-saties werken inmiddels stap voor stap aan de professionalisering van de daarvoor benodigde processen. Strevend naar het bereiken van de ISO55000, dé internationale standaard voor assetmanagement.

Een volgende fase in de ontwikkeling naar een professionele assetmanagement organisatie dient

DIGITAL ASSETMANAGEMENT NU AL REALITEIT

3

zich aan: assetmanagement 3.0. Hierbij ligt de focus op een op feiten gebaseerde besluitvorming over de investeringen in de instandhouding van de asset. Het einde van het tijdperk, waarin beslissingen - bij gebrek aan beter – werden gebaseerd op het extrapoleren van ervaringen in het verleden of op professionele intuïtie. Bij het zoeken naar het optimum in prestaties, risico’s en kosten van de organisatie maakt betrouwbare asset gerelateerde informatie het verschil.

Meer transparantie en kwaliteit in besluitvormingDe digitalisering in de asset-intensieve omgeving neemt toe. De daardoor razendsnel toenemende beschikbaarheid en kwaliteit van data biedt de assetmanager nieuwe mogelijkheden. Geen toekomstmuziek, maar nu al werkelijkheid. Door beslissers te laten delen in geleerde lessen uit eerdere ervaringen en tegelijkertijd te voeden met steeds nauwkeuriger – soms zelfs real time - informatie over te voorziene gebeurtenissen, risico’s en de impact daarvan op organisatie en stakeholders verbetert de transparantie en kwaliteit van besluitvormingsprocessen. Beslissers kunnen hun afwegingen scherper dan ooit maken en daarmee hun keuzes in- en extern ook beter motiveren. De positie en invloed van de assetmanager wint daarmee steeds meer aan kracht.

Ontwikkeling van assetmanagement bij asset-intensieve industrieën.

DATA IS EEN ASSET OP ZICHZELF

WAARDE CREËREN MET BYTES: HOE WERKT DAT?

4

Het aanbod aan en de waarde van data en informatie

nemen exponentieel toe. Technische, financiële, geografische en prestatie- informatie over assets wordt steeds beter geregistreerd. ‘Oude’ archieven worden gedigitaliseerd en de beschikbaarheid van omgevingsinformatie neemt toe. Sensoren zijn immers spotgoedkoop. Het is steeds vanzelfsprekender om assets te voorzien van een vorm van monitoring en intelligentie. En dagelijks komen er nieuwe, open sources (bronnen) beschikbaar.

DRIE DEFINITIES

BIG DATA Grote, complexe datasets waarvoor vastlegging, opslag, beheer en analyse voorbij gaat aan het vermogen van stan-daard database software tools.

DATA ANALYTICSKwantitatieve technieken die leiden tot nieuwe inzichten (uit data) die gebruikt worden om verbeteringen in de organisatie door te voeren.

ASSET ANALYTICSEen combinatie van Big Data en Advanced Data Analytics dat wordt toepast in het Asset Management domein.

De potentie van asset-management 3.0 is enorm. Met de beschikbaarheid van (big) data en geavanceerde modellen, zoals statistische algoritmes en kunstmatige intelligentie , wordt het mogelijk om tot nu toe verborgen correlaties en patronen in data inzichtelijk te maken en zelfs een deel van het besluitvormingsproces te automatiseren.

Tegelijkertijd zorgen IT ontwikke-lingen voor nieuwe hardware met meer power en rekenkracht en komt er steeds eenvoudiger, slimmere software beschikbaar voor geavanceerde analyses. Dit brengt assetmanagement 3.0 voor steeds meer organisaties binnen handbereik. Het stelt ze in staat om nog beter de voor stakeholders acceptabele grenzen van risico’s op te zoeken, beter te voldoen aan verwachtingen en zo hun (concurrentie)positie blijvend te versterken.

Waarde van data optimaal benuttenHet is aan de assetmanager om deze steeds grotere stroom aan betrouwbare, actuele en complete data en informatie - als ‘nieuwe asset’ - professioneel te managen en de waarde ervan optimaal te benutten. Bijvoorbeeld voor:• het voorspellen wanneer een

asset gaat falen.• het inzichtelijk maken wat de

consequenties zijn van falen.• het ontwerpen van passende

maatregelen waardoor vitale assets beter bestand zijn tegen risico’s van buitenaf, bijv. als gevolg van klimaatverandering of bedreigingen door terreur of cybercrime.

• het beter onderbouwen van

Dat leidt tot nog meer scherpte in risico-analyses en maatregelen. En zo tot een steeds verdere optimalisatie van onderhouds- en vervangingsstrategieën en – programma’s en daardoor betere prestaties voor de gebruikers. Het verklaart waarom steeds meer organisaties de toegevoegde waarde ervan erkennen en interesse tonen voor het inbedden van deze werkwijze en inzichten in hun assetmanagement proces.

investeringsbeslissingen in onderhoud of vervanging van bestaande assets.

• het borgen van de aanwezige en de in de toekomst benodigde kennis, zodat deze ook na pensionering of vertrek van medewerkers beschikbaar blijft.

Advanced Data Analytics gaat een belangrijke stap verder dan Business Intelligence (BI). Waar BI vooral inzicht geeft in ‘wat en waarom iets is gebeurd’, heeft Advanced Data Analytics vooral een voorspellend karakter: ‘wat gaat er gebeuren, wat moeten we doen?’ Zelfs de besluitvorming kan worden geautomatiseerd, waardoor bijvoorbeeld een onderhoudsactie zonder tussen-komst in gang gezet wordt.

4

WAT IS ER NODIG VOOR SUCCESVOL TOEPASSEN VAN ASSET ANALYTICS?

5

IndustriekennisEen goed inzicht in ontwikkelingen, drijfveren en belangen van de sector en van de specifieke organisatie en in de essentiële assetmanagementprocessen is noodzakelijk om te kunnen herkennen waar de potenties liggen voor verdere verbetering en waarde-creatie. Kortom, hoe wordt waarde in uw organisatie gedefinieerd?

Functionele kennisOm de juiste business vraag te kunnen stellen en te kunnen bepalen welke informatie daarvoor nodig is, is diepgaande kennis en inzicht in het functioneren van assets tijdens ontwerp, gebruik en instandhouding nodig. Bijvoorbeeld: Hoe gedraagt de asset zich onder veranderende omstandigheden en wat zijn de faalmechanismen van de asset ten gevolge van welke hoofdoorzaken?

Datakennis, -collectie en -managementProfessioneel data-management is onontbeerlijk. Zowel voor het inwinnen en managen van data, als voor het interpreteren en gebruiken van (eigen en open) data. Vooral het vermogen om (meta)data te interpreteren en ervaring in het

Succesvol toepassen van Asset Analytics vergt maatwerk

in het vinden van de optimale combinatie van mens, processen en technologie.Allereerst vraagt het om een goed assetmanagement proces. Om ervoor te zorgen dat de via Data Analytics verkregen inzichten daadwerkelijk worden geïmplementeerd, is het zaak deze analyses onderdeel te maken van het primaire proces. De beschikbaarheid van een flink aantal specifieke competenties is een andere kritische succesfactor.

doorgronden van de kwaliteit ervan (betrouwbaarheid, toepasbaarheid) zijn voor assetmanagement 3.0 cruciaal. Daarbij is het zaak expliciete afspraken te maken over de data governance in de organisatie. Wie is de eigenaar? Wie is verantwoordelijk voor het managen van de data, wie voor de data kwaliteit, wie voor het aanleveren? etc

Visualisatie(s)In combinatie met het vorige punt is kennis van visualisaties noodzakelijk om de data te snappen. Het louter gebruik van een visualisatie tool is niet voldoende. De kunst zit ‘m in het op de juiste manier visualiseren van data, waardoor relevante, nieuwe inzichten ontstaan. (Geo-)grafische visualisaties en dashboards kunnen helpen om eerder verborgen patronen inzichtelijk te maken en zijn waardevol ter ondersteuning van de besluitvorming.

Kwantitatieve techniekenEn - last but not least - is ervaring in het uitvoeren van analyses van groot belang. Analyse tools en -vaardigheden zijn op zich in de markt in overvloed beschikbaar, of via schoolverlaters, of via gerichte opleidingen. Schaarser is de ervaring om de juiste statistische modellen te selecteren.

Asset Analytics: creëren van waarde met bytes. Bron: Gartner (2014), aanpassingen Arcadis (2017).

Businessprobleem

Data kennis, collectie en

management

Visualisatie(s)

Functionele kennis

Men

sen

Proc

esse

nTe

chno

logi

e

Industrie kennis

Data gedrevenbesluitvorming

Kwantitatieve technieken

Besluit automatisatie

Besluit ondersteuning

Expert kennis

Besluitvorming

Handelingen

PrescriptiveWat zal ik doen?Prescriptive Data

PredictiveWat gaat er gebeuren?

Predictive

DiagnosticWaarom is dit gebeurd?

Diagnostic

DescriptiveWat is er gebeurd?Descriptive

Business Waarde

Volw

asse

nhei

d A

nalit

ics

Transacties Strategisch

Asp

irati

esG

etra

nsfo

rmee

rd

Analytics Menselijke inbreng

5

ASSET ANALYTICS IMPLEMENTATIE GEFASEERD AANPAKKEN

Het is raadzaam om dit professionaliseringsproces naar assetmanagement 3.0 stap voor stap aan te pakken. Groot denken, maar klein beginnen en later opschalen, is een beproefde strategie.

STAP 1. BEGIN MET EEN PILOT

• Zoek in de praktijk één of meerdere onderwerpen (‘use cases’) die relevant zijn voor de business en waar naar verwachting waarde te behalen is. Eén waarvan u verwacht dat deze snel en/of aanzienlijke waarde toe kan voegen. Bijvoorbeeld een case rondom assets waarover al veel data voorhanden zijn. Of een case rondom assets waaraan u momenteel veel geld besteedt. Of één rondom assets waar incidenten spelen, met grote risico’s en impact. Ongeacht op basis van welke gronden u kiest voor uw case: het doel is ervaring op te doen met Asset Analytics en te ontdekken of dat extra waarde toevoegt aan uw huidige assetmanagement proces. En zo aan uw doorontwikkeling naar assetmanagement 3.0.

• Werk deze case(s) uit in een “Proof of Value” om te testen of toepassing van Asset Analytics

6

1

de organisatie daadwerkelijk de beoogde extra waarde gaat opleveren.

• Bouw in de pilot(s) een aantal duidelijke go/no go momenten in, om snel en stelselmatig af te wegen of het loont om met de pilot door te gaan. Levert de volgende sprint binnen de pilot niet de beoogde extra waarde op, dan is het beter de aandacht te richten op een volgende ’use case’.

• Wanneer evaluatie van de pilot aantoont, dat Asset Analytics bijdraagt aan het verder professionaliseren van assetmanagement, kan de opgedane ervaring in een volgende ‘use case’ worden meegenomen.

• Vier ook de behaalde successen met Asset Analytics en deel deze breed in de organisatie.

• Belangrijk om bij dit proces verzekerd te zijn van draagvlak bij het management. Immers, niet alle pilots zullen direct iets opleveren. Leiderschap is dan nodig om koersvast te blijven. En ook om de geleerde lessen te gebruiken om de volgende ‘use cases’ te selecteren en de geleerde lessen te gebruiken in het verder verbeteren van de aanpak.

STAP 2. INVESTEER IN EEN BUSINESS CASE

Wanneer Asset Analytics waardevol (b)lijkt, investeer dan gericht in de volgende stap.• Verfijn het model dat u gebruikt

heeft in de pilot.• Investeer in kwalitatief goede

data.• Benut relevante, extra

databronnen.• Ontwikkel een business case

die aantoont of in welke mate de investering zichzelf terugverdient.

STAP 3. INTEGREER ASSET ANALYTICS RESULTATEN IN BESLUITVORMINGS-PROCESSEN

• Maak duidelijk op welke punten de nieuw verworven inzichten waarde toevoegen aan uw assetmanagement besluitvormingsprocessen en ambities.

• Asset Analytics levert pas echt waarde op, wanneer u de resultaten implementeert in uw business (assetmanagement) proces.

STAP 4. VERBETER DE EFFECTIVITEIT VAN HET MODEL EN PAS HET BREDER TOE

• Voorspellende modellen zijn nooit statisch. Ze kunnen in de loop van de tijd beter of slechter worden. De effectiviteit van de modellen dient voortdurend gecontroleerd te worden door nieuwe gegevens te gebruiken wanneer deze voorhanden zijn.

• Onderzoek in hoeverre het werkende model ook toepasbaar is voor andere gebieden. Dit kan de implementatie van assetmanagement 3.0 versnellen.

ASSET ANALYTICS IMPLEMENTATIE GEFASEERD AANPAKKEN

7

4

32

PRAKTIJKCASE VOORSPELLEND ONDERHOUD SPOORWISSELS

De aanpak die in deze whitepaper is beschreven is in de praktijk succesvol beproefd bij ASSET Rail, partner en serviceprovider in spooronderhoud. In de hierna beschreven stapsgewijze, procesmatige aanpak is de pilot in een (agile) sprint omgeving uitgevoerd, om snel tot concrete inzichten te komen. En waarbij regelmatige go/no go beslismomenten zijn ingebouwd.

Business vraagDe ‘business vraag’ in de pilot was helder: ”Hoe kan het risico van het falen van wissel(systemen) worden voorspeld zodanig dat het onderhoud aan de wissel (systemen) kan worden geoptimaliseerd?”.

Inzicht in functioneren systeemAllereerst is gezamenlijk onderzocht hoe het wissel(systeem) faalt. Deze ‘fysische modellen’ zijn daarna gebruikt om te bepalen welke data er nodig zijn om het falen te kunnen voorspellen. ASSET Rail had al een kwalitatief model ontwikkeld voor de bepaling van het optimale onderhoudsregime. De variabelen die daarin gebruikt worden zijn uiteraard ook meegenomen. Naast deze 6 variabelen zijn nog 44 extra variabelen geidentificeerd. Alle 50 variabelen zijn in eerste instantie meegenomen in de pilot.

Datacollectie, visualisatie en modellering Vervolgens is vastgesteld welke databronnen binnnen ASSET Rail en daarbuiten beschikbaar zijn. Via een grondige analyse zijn al deze bronnen onderzocht op de kwaliteit van deze data. Aangezien de betrouwbaarheid van het voorspellingsmodel mede wordt bepaald door de kwaliteit van de input, is er een aantal datakwaliteitsverbeteringen doorgevoerd, voordat met de visualisaties is gestart. In de visualisaties is geprobeerd met de bestaande data al nieuwe inzichten te verwerven. Zijn er duidelijke correlaties tussen verschillende variabelen of zijn er multivariabele correlaties die pas kunnen worden ontdekt na het modelleren?

In dit voorbeeld bleken er duidelijk een aantal lineaire relaties tussen twee variabelen (het type wissel en het aantal bewegingen). Deze zijn redelijk voor de hand liggend, maar sterkten het gevoel bij de monteurs dat de analyse tot bruikbare uitkomsten kan leiden. Let wel, lineaire relaties kunnen je ook gemakkelijk op het verkeerde been zetten. Sommige oude wissels hebben bijvoorbeeld een zeer laag risico, terwijl je dit hoger zou verwachten. Het bleek dat deze oude wissels met name aan de buitenkant van emplacementen liggen en daarmee dus amper bereden worden. Beter bleek het te kijken naar een combinatie van variabelen. Aangezien multivariabele statistische modellen hier juist rekening meehouden, was er in deze case voldoende vertrouwen om door te gaan naar de modellering stap.

Op basis van de business vraag en de beschikbare data zijn in eerste instantie 3 verschillende modellen gebruikt. Alle modellen zijn gevalideerd en geëvalueerdop basis van de gevoeligheid (robuustheid) en de betrouwbaarheid (nauw-keurigheid). Na evaluatie van de modellen is het beste model geselecteerd voor een diepgaander analyse van de business vraag.

Uit de analyse bleek ook dat circa 90% van de voorspelling werd beïnvloed door circa 10 variabelen. Daarom is ervoor gekozen om met deze 10 variabelen verder te gaan i.p.v. alle 50. Interessant gegeven is dat alle 6 variabelen die door ASSET Rail al gebruikte, ook deel uitmaken van deze 10 variabelen, echter met een andere relatieve weging en deels een mindere diepgang. Dit sterkte het vertrouwen van de maintenance managers en onderhoudsmensen in het model.

ResultaatEerste conclusie is dat het geselecteerde kwantitatieve model bruikbaar is voor het bepalen van het toekomstige risico van de wissels. Met inzicht in het risico kan bovendien een optimalisatie plaatsvinden van het onderhoudsregime. Dat maakt het onderhoud effectiever: wissels met een hoog risico worden vaker onderhouden, waardoor het aantal storingen (en dus de hinder) afneemt. Wissels met een laag risico worden minder onderhouden. Dit heeft uiteindelijk geleid tot een besparing op onderhoudskosten. Uiteraard is dit geen statisch geheel. Om de onderhouds-planning uitvoerbaar te houden worden de wissels in onderhoudsgroepen verdeeld. Variërend van drie keer per jaar tot één keer per twee jaar. Zoals te zien is in de grafiek hiernaast volgen de werkelijke storingen (oranje ‘pieken’) en de voorspelde storingen (het gele vlak) grotendeels hetzelfde pad. Asset Analytics wijst uit dat de meest kritieke wissels van 2016 (de top 20% met het hoogste risico, zichtbaar aan de linkerzijde) zorgen voor 60% van de storingen en zelfs voor 85% van vertragingen. Ter vergelijking: de meest kritieke wissels, gemeten in het aantal storingen zorgden in 2015 voor ‘slechts’ 30% van de storingen. Hieruit blijkt dat preventief onderhoud een significante verbetering van het onderhoudsregime oplevert. Een gedifferentieerd onderhoudsplan o.b.v. asset analytics presteert zelfs twee keer zo goed.

8

Businessvraag

Zakelijke enfunctionele

kennis

Data collectie en interpretatie

Data visualisatie

Data modeleren Evaluatie Implementatie

Procesaanpak voor een Asset Analytics project op basis van CRISP-DM

99

Minder uitval, verstoringen en vertragingen Jorn Pruntel , Directeur ASSET Rail

“We zijn bij ASSET Rail voortdurend op zoek naar slimme manieren om het spooronderhoud te optimaliseren. Dat is nodig om aantoonbaar te kunnen voldoen aan de afspraken die wij als spooraannemer hebben gemaakt in onze prestatiecontracten met ProRail. De inzet van Asset Analytics maakt bij ons meer voorspellend spooronderhoud mogelijk. Het stelt ons in staat om het aantal storingen nog verder terug te dringen en de risico’s die daaraan verbonden zijn nog beter te beheersen. Een pilot met Asset Analytics heeft inmiddels aangetoond, dat dit ook echt zo uitwerkt. We gebruiken de nieuw verworven inzichten als handvatten bij het aanscherpen van onze wissel onderhoudsstrategie. We zijn daardoor nog beter in staat ons onderhoud te differentiëren op voor ons spoornetwerk vitale assets die de grootste kans van falen hebben. Resultaat: minder uitval, verstoringen en vertragingen, met als bijvangst substantiële kostenbesparingen en prestatieverbetering. Tel dat nog eens op bij een vermindering van faal- en herstelkosten. Dat zorgt ervoor dat we beter presteren voor onze opdrachtgever ProRail. En ook dat ProRail op haar beurt de vruchten kan plukken van betrouwbaarder reistijden en meer tevreden treinreizigers”

Totaal overzicht berekende risico (geel), huidige onderhoudsfrequentie (grijs stippel) werkelijk aantal storingen (oranje) en de nieuwe voorgestelde onderhoudsfrequentie (stippel groen)

Voorspellend wisselonderhoud PGO Eemland & Gelre (getraind op 2011-2015, getest op 2016)

Arcadis. Improving quality of life.

DE TOEKOMST VAN ASSET MANAGEMENT

OP WEG NAAR PROFESSIONEEL ASSET MANAGEMENT

www.arcadis.com/assetmanagementNL

MEER LEZEN?

Download onze publicatie “Op weg naar professioneel asset management” Deze beschrijft de rol en ontwikkeling van asset management in organisaties. En hoe een professionali- seringsprogramma voor asset management kan leiden tot meer waarde vooor die organisaties.

Arcadis is de leidende wereldwijd opererende ontwerp- en consultancyorganisatie op het gebied van de natuurlijke en gebouwde omgeving. Door de toepassing van onze diepe marktsectorkennis in combinatie met onze ontwerp, consultancy, engineering, project- en management diensten werken we samen met onze klanten aan uitzonderlijke en duurzame resultaten. Wij zijn met 27.000 mensen die in ruim zeventig landen meer dan €3,4 miljard aan omzet genereren. Wij ondersteunen UN-Habitat met kennis en expertise om de leefomstandigheden in snel groeiendesteden over de hele wereld te verbeteren.

MARC HARTSEMA European Leader Asset Management E Marc.Hartsema@Arcadis.com

ROLAND DIJKHUIZEN Consultant Data Analytics & Asset Management E Roland.Dijkhuizen@Arcadis.com

MAARTEN ZANEN Business Leader Asset Data Analytics E Maarten.Zanen@Arcadis.com

Contact