proprty.ai logo
  • Produkt
    ProduktoversigtFor asset- og fund-managerenFor driftschefenFor ESG-ansvarlig
  • Priser
  • Videnshub
  • Om os
  • Kontakt
  • 
    Login
  • Get started

LOG IND
Book demo
🌐
Dansk 🇩🇰
Blog
Nov 7, 2025

Sådan vurderer vores levetidsmodel bygningsdele og beregner sikkerhed

Sådan vurderer vores levetidsmodel bygningsdele og beregner sikkerhed

Hvordan estimerer vi restlevetid på tværs af bygningsdele, materialer og bygningstyper? Her får du den korte forklaring på, hvordan vores levetidsmodel fungerer, hvad der gør den unik, og hvilke forbedringer vi arbejder på.

Hvad modellen gør

Vores levetidsmodel er en boosted decision tree model (CatBoost), der estimerer resterende levetid for alle registrerede bygningsdele.

Den trækker på 40 forskellige inputfaktorer, blandt andet:

  • bygningens anvendelse og alder
  • kvadratmeter
  • energimærke og opvarmningstype
  • befolkningstæthed
  • materiale og mængde for hver bygningsdel
  • eventuelle energiforbedringer

Fra levetid til tilstandsscore

Når modellen har beregnet den resterende levetid, omsættes resultatet til en tilstandsscore fra 1 til 5. Det sker ved at sammenligne model-estimatet med referenceværdier fra BUILD’s levetidstabeller.

Et eksempel: En dør med en total levetid på 40 år får:

  • Score 1: mere end 36 år tilbage
  • Score 2: 36–28 år
  • Score 3: 28–12 år
  • Score 4: 12–4 år
  • Score 5: mindre end 4 år tilbage

Det kan give sjove grænsetilfælde. En 15 år gammel dør kan stadig få tilstand 1, hvis modellen vurderer, at den har mere end 36 år tilbage. Men det er netop pointen.

Modellen lærer af reelle observationer, hvor mange bygningsdele holder længere end tabellerne tilsiger.

Sikkerhed: hvor sikre er vi på estimatet

Når modellen vurderer restlevetiden for en bygningsdel, beregner den samtidig en usikkerhed på estimatet. Man kan tænke på det som et mål for, hvor stor varians der er i forudsigelserne for en bygningsdel. En lille usikkerhed kommer af, at forudsigelserne generelt rammer rigtigt for en given bygningsdel og restlevetid.

Den sikkerhedsscore der beregnes, er sandsynligheden for at standen på bygningsdelen er estimeret korrekt.

Et eksempel: Hvis modellen vurderer, at en dør er i stand fire, med en sikkerhed på 77 procent, kan det forventes at være korrekt i 77 procent af tilfældene. Der er altså en hvis sandsynlighed, for at døren rent faktisk er i stand tre eller stand fem.

Ved at vise sikkerhedsscore giver vi ikke blot et estimat på stand og restlevetid, men vurderer også hvad sandsynligheden er, for at estimatet er korrekt. Det gør resultaterne mere gennemsigtige og brugbare i praksis, når der skal træffes beslutninger på baggrund af data.

Hvorfor ikke bare to modeller

Tidligere brugte vi én model til levetid og en anden til tilstand. Det gav uoverensstemmelser, for eksempel når levetidsmodellen vurderede en lang restlevetid, mens tilstandsmodellen vurderede dårlig stand.

Nu lader vi levetiden styre tilstanden, så estimaterne altid hænger sammen. Til gengæld kræver det, at oversættelsen bliver mere intelligent, og det er præcis det, vi arbejder på.

Lavthængende forbedringer vi arbejder på

Alderskorrektion af score
Nye bygningsdele bør ikke lande i tilstand 2 eller 3, og meget gamle bør ikke blive i tilstand 1, selv hvis levetidsestimatet er højt.

Datadrevet beregning af sikkerhed
I stedet for at antage en normalfordeling lader vi den faktiske datafordeling bestemme, hvordan sikkerheden beregnes.

Hvorfor det her er værdifuldt

Fordi modellen bygger på virkelige observationer fra mange ejendomsporteføljer, afspejler den virkeligheden bedre end teoretiske tabeller.

Resultatet er:

  • Mere planlagt vedligehold
  • Færre fejlinvesteringer
  • Lavere teknisk gæld
  • Et mere realistisk datagrundlag for beslutninger

Vil du se, hvordan dine bygninger klarer sig?

‍
Book en kort demo, så viser vi din porteføljes forventede levetider, tilstande og sikkerhed direkte i proprty.ai.

‍

Mikkel Jensen

Mikkel Jensen

Co-founder & CDSO

Mikkel har i 6 år udviklet ML- og AI-modeller, data-infrastruktur og software – som selvstændig, i startups og i større virksomheder.






Tilmeld dig vores nyhedsbrev

Få indblik i nye funktioner, kundecases og nyheder fra proprty.ai – direkte i din indbakke.

Relaterede indlæg

Se alle indlæg
KAB: Digitalisering af 6 mio. m² med AI og fælles datagrundlag
Kundecases

KAB: Digitalisering af 6 mio. m² med AI og fælles datagrundlag

Skaber standard, overblik og bedre beslutninger på tværs af porteføljen.

Read more

Københavns Ejendomme: AI styrker beslutninger og planlagt vedligehold
Kundecases

Københavns Ejendomme: AI styrker beslutninger og planlagt vedligehold

Giver kommunen et solidt datagrundlag og færre akutte reparationer.

Read more


Klar til at komme i gang? Book en demo

Book demoSe forklaringsvideo
Produkt
  • Produktoversikt
  • Til driftschefen
  • Til asset- og fund-manageren
  • Til ESG-ansvarlig
  • Priser
  • Home
Ressourcer
  • Videnshub
  • Blog
  • Kunde­cases
  • Nyheder
  • Persondatapolitik
Om proprty.ai
  • Om os
  • Kontakt
  • Log ind
  • Book demo
Tilmeld dig vores nyhedsbrev

Følg med i udviklingen af proprty.ai og få indblik i udvalgte funktioner, cases og faglige perspektiver fra vores arbejde med kommuner, almene boligorganisationer, investorer og administratorer.

Nyhedsbrevet giver dig et samlet overblik over det vigtigste, uden støj og kun når vi har noget værdifuldt at dele.

CVR: 43641298│Gammel Mønt 3A, 1117 København K│ © 2025 proprty.ai ApS