Hvordan byggebranchen bruger store data

I byggebranchen, som i andre sektorer, refererer store data til de enorme mængder informationer, der er blevet lagret i fortiden, og som fortsat er erhvervet i dag. Store data kan komme fra mennesker, computere, maskiner, sensorer og enhver anden datagenererende enhed eller agent.

Det er naturligvis nok det, der gør det stort. Konstruktion og bygning af store data findes allerede i alle planer og optegnelser over alt, der nogensinde blev bygget.

Det øges også konstant med yderligere input fra kilder, der er så forskellige som arbejdstagere på stedet, kraner, jordmobiler, materielle forsyningskæder og selv bygninger selv.

Værdien af ​​data

Traditionelle informationssystemer er gode til at registrere grundlæggende oplysninger om projektplaner, CAD-design, omkostninger, fakturaer og medarbejderoplysninger. De er dog begrænset i deres evne til at arbejde med ustrukturerede data som fri tekst, trykt information eller analoge sensoraflæsninger. Ofte kan de kun håndtere ordnede digitale rækker og kolonner af tal.

Ideen om at udnytte store data er at få mere indsigt og træffe bedre beslutninger inden for byggeledelse ved ikke alene at få adgang til betydeligt flere data, men også ved at analysere det korrekt for at trække konkrete byggeprojekt konklusioner. Faktisk er store data, som lastbilbelastninger af mursten eller poser af cement, ikke nyttige alene. Det er hvad du gør med det ved hjælp af store dataanalyseprogrammer, der tæller.

Kom ned til forretning med store data

For at se, hvor store data der allerede anvendes af byggebranchen, skal du overveje den design-build-operative livscyklus, som i stigende grad definerer byggeprojekter i dag.

• Design: Store data, herunder bygningsdesign og modellering selv, miljødata, interessent input og sociale medier diskussioner, kan bruges til at bestemme ikke kun hvad man skal bygge, men også hvor man skal bygge den. Brown University i Rhode Island, USA, brugte stor dataanalyse til at bestemme, hvor man skal bygge sin nye tekniske facilitet for optimal studerende og universitetsfordele. Historiske store data kan analyseres for at udvælge mønstre og sandsynligheder for byggesici for at styre nye projekter mod succes og væk fra faldgruber.
• Byg: Store data fra vejr, trafik og samfund og forretningsaktiviteter kan analyseres for at bestemme optimal faser af byggevirksomhed. Sensorindgang fra maskiner, der anvendes på steder for at vise aktiv og ledig tid, kan behandles for at drage konklusioner om den bedste blanding af køb og leasing af sådant udstyr, og hvordan man bruger brændstof mest effektivt til at reducere omkostninger og økologiske konsekvenser. Geolokering af udstyr gør det også muligt at forbedre logistikken, reservedele stilles til rådighed, når det er nødvendigt, og nedetid skal undgås.
• Operere: Store data fra sensorer indbygget i bygninger, broer og enhver anden konstruktion gør det muligt at overvåge hver enkelt på mange niveauer af ydeevne. Energibesparelser i indkøbscentre, kontorblokke og andre bygninger kan spores for at sikre, at den overholder designmålene. Trafikspændingsoplysninger og niveauer af bøjning i broer kan registreres for at registrere eventuelle ubegrænsede hændelser. Disse data kan også tilbagesendes til BIM-systemer til at planlægge vedligeholdelsesaktiviteter efter behov.

Konstruktionspræferencer for information og indsigt

Da data bliver større og større, bliver behovet for at koge det ned til de handlingsmæssige vigtige ting også større.

En undersøgelse af byggeselskaber af softwareleverandør Sage i 2014 viste, at:

• 57% ønsker konsekvent, opdateret finansiel og projektinformation.
• 48% vil blive advaret, når der opstår specifikke situationer.
• 41% ønsker prognoser, så de bedre kan forberede sig på de bedste og værste tilfælde af bygningshændelser.
• 14% ønsker onlineanalyse at se for eksempel præcist hvilke faktorer der påvirker rentabiliteten og hvor meget.

Stor dataanalyse kan aktivere eller tilbyde muligheder for at forbedre hvert af disse aspekter. Mangfoldigheden af ​​input i store data giver bedre sikkerhed for statusrapporter og prognoser. Analyserne kan give mere nyttige indikationer på risikoniveauer, før en tærskel overskrides og en alarm genereres. De tilbyder også indsigter, som traditionelle systemer simpelthen ikke kan.