Nieuw model voor het voorspellen van onderhoudskosten van bouwdelen

Na enkele maanden werken aan bestaande data en het verzamelen van meer data uit bekende en nieuwe bronnen, hebben we de tweede versie van ons model voor het voorspellen van onderhoudskosten in productie gezet. Het model wordt gebruikt om onderhoudskosten per bouwdeel in te schatten wanneer je een onderhoudsplan aanmaakt in de app.

Waarom een nieuw model?

Het grootste verschil tussen de nieuwe en de vorige versie van het model is dat we nu veel meer data hebben. Daardoor konden we een model bouwen dat robuuster is, beter generaliseert naar nieuwe panden en voorspellingen geeft op een gedetailleerder niveau. De vorige versie kon onderhoudskosten voorspellen voor een volledig pand of afdeling, dat wil zeggen een verzameling gebouwen, waarna een vaste gemiddelde kostenverdeling werd toegepast om de kosten per bouwdeel te berekenen. De nieuwe versie voorspelt onderhoudskosten direct op bouwdeelniveau, per afzonderlijk gebouw binnen een pand in plaats van het pand als geheel.

Dat dit nu mogelijk is, komt door de volgende zaken:

• De nieuwe versie van het model is getraind op 336.487 meer unieke bouwdelen binnen 801 meer panden dan de vorige versie.
• Landsbyggefonden verzamelt onderhoudskosten op bouwdeelniveau, die door externe adviseurs worden voorspeld voor de woningcorporaties. De vorige versie van het model was uitsluitend getraind op deze onderhoudskosten. In de nieuwe versie gebruiken we de onderhoudskosten uit de eigen interne onderhoudsplannen van onze klanten als uitgangspunt, en vullen we deze aan met kosten uit externe inspecties voor bouwdelen waarvoor onze klanten geen kosten hebben opgegeven. In de toekomst zullen we ook onderhoudskosten gebruiken die in de app zijn ingevoerd, zodat we trainingsgegevens krijgen van een bredere selectie van onze klanten.

De hoeveelheid informatie die als input voor het model wordt gebruikt bij het doen van voorspellingen, is ook aanzienlijk toegenomen. De vorige versie van het model gebruikte uitsluitend de volgende informatie over een pand uit BBR: Aantal m² gebouw, totaal bebouwd oppervlak, meest voorkomende gevelmateriaal en het vroegste renovatiejaar van een gebouw binnen het pand. De nieuwe versie van het model gebruikt de volgende informatie uit de volgende bronnen:

• De onderhoudsplannen van onze klanten: Hoeveelheden bouwdelen, materialen, installatiejaar en resterende levensduur.
• De calculatiebladen van Landsbyggefonden: Hoeveelheden bouwdelen, materialen, installatiejaar en resterende levensduur.
• levetidstabeller.dk (BUILD - Aalborg Universitet): Gem. levensduur van bouwdelen op basis van materiaal.
• Danmarks Statistik: Oppervlakte en bevolkingsdichtheid in gemeenten, postdistricten en postcodes.
• Energistyrelsen: Energielabel van gebouwen.
• BBR: Aantal m² van gebouwen (totaal en verdeeld over woon- en bedrijfsruimte en bebouwd oppervlak), gebruik, bouw- en renovatiejaar, dak- en gevelmaterialen en type watertoevoer, afvoer en verwarmingsinstallatie.

Nauwkeurigheid op pandniveau

Zowel in de eigen budgetten van onze klanten als in de externe inspecties is te zien dat de geschatte onderhoudskosten per bouwdeel binnen een gebouw sterk kunnen variëren, omdat het een subjectieve beoordeling is die afhangt van wie haar uitvoert. Dat is ook zichtbaar in de grafiek hieronder, die de voorspelde en werkelijke onderhoudskosten op bouwdeelniveau vergelijkt voor de nieuwe versie van het model. Een model dat altijd 100% correct voorspelt, zou alle punten op de diagonale lijn hebben. In de grafiek is te zien dat vooral voor bouwdelen met lage onderhoudskosten de afwijkingen tussen voorspelling en werkelijkheid relatief groot kunnen zijn.

Wanneer je de kosten voor alle bouwdelen van alle gebouwen binnen een pand of afdeling optelt, is er meer consensus tussen de bronnen onderling. Dat is ook zichtbaar in de grafiek hieronder, die dezelfde verhouding toont als de grafiek hierboven, maar dan op pand- of afdelingsniveau. Hier is te zien dat de voorspelde onderhoudskosten op pand- of afdelingsniveau heel dicht bij de werkelijke kosten liggen.

R2 is een statistische maatstaf die wordt gebruikt om te beoordelen hoe goed een model is in het doen van voorspellingen. Het getal ligt tussen 0 en 1, en een model dat altijd correct voorspelt, heeft een R2 van 1. De nieuwe versie van het model behaalt een R² van 0,8 wanneer het wordt getest op nieuwe panden, op bouwdeelniveau per gebouw, voor zowel correctief als preventief onderhoud. Dit betekent dat 80% van de variatie in onderhoudskosten kan worden verklaard door de variatie in de inputparameters (BBR-gegevens, hoeveelheid, materiaal, enz.). Op afdelingsniveau komt de R2 uit op 0,88 voor correctief onderhoud en 0,96 voor preventief.

We zijn blij dat we verbeterde onderhoudsschattingen kunnen aanbieden en kijken uit naar feedback van onze klanten. We hebben ook volop ideeën om de schattingen verder te verbeteren, onder meer door informatie over beschermde panden en de afstand tot de dichtstbijzijnde kustlijn mee te nemen.