Hvordan byggebransjen bruker store data

I byggebransjen, som i andre sektorer, refererer store data til store mengder informasjon som har blitt lagret i fortiden, og som fortsatt er anskaffet i dag. Store data kan komme fra mennesker, datamaskiner, maskiner, sensorer og andre datagenererende enheter eller agenter.

Det er naturlig nok det som gjør det stort. Bygging og bygging av store data eksisterer allerede i alle planer og registre over alt som noen gang ble bygget.

Det øker også kontinuerlig med ekstra innspill fra kilder som er så forskjellige som arbeidere på stedet, kraner, jordmobiler, materiell forsyningskjeder og selv bygninger selv.

Verdien av data

Tradisjonelle informasjonssystemer er gode til å registrere grunnleggende informasjon om prosjektplaner, CAD-design, kostnader, fakturaer og ansattes detaljer. Imidlertid er de begrenset i deres evne til å arbeide med ustrukturerte data som fri tekst, trykt informasjon eller analoge sensoravlesninger. Ofte kan de bare håndtere ordnede digitale rader og kolonner av tall.

Tanken om å utnytte store data er å få mer innsikt og bedre beslutninger i byggeledelse ved å ikke bare få tilgang til betydelig mer data, men ved å analysere det riktig for å tegne konkrete byggeprosjektets konklusjoner. Faktisk er store data, som lastebiler av murstein eller sementposer, ikke nyttige alene. Det er det du gjør med det ved hjelp av store dataanalyseprogrammer som teller.

Komme ned til virksomheten med store data

For å se hvor store data som allerede er brukt av byggebransjen, ta en titt på design-bygge-opererer livssyklusen som i stadig større grad definerer byggeprosjekter i dag.

• Design: Stor data, inkludert bygningsdesign og modellering selv, miljødata, interessentinngang og sosiale medier diskusjoner, kan brukes til å bestemme ikke bare hva du skal bygge, men også hvor du skal bygge den. Brown University i Rhode Island, USA, brukte stor dataanalyse for å bestemme hvor man skal bygge sitt nye anlegg for optimal student- og universitetsfordel. Historiske store data kan analyseres for å velge mønstre og sannsynligheter for konstruksjonsrisiko for å styre nye prosjekter mot suksess og bort fra fallgruver.
• Bygg: Store data fra vær, trafikk og samfunn og næringsvirksomhet kan analyseres for å bestemme optimal fasing av byggaktivitetene. Sensorinngang fra maskiner som brukes på steder for å vise aktiv og ledig tid, kan behandles for å trekke konklusjoner om den beste blandingen av kjøp og leasing av slikt utstyr, og hvordan du bruker brensel mest effektivt for å redusere kostnader og økologisk påvirkning. Geolokalisering av utstyr gjør det også mulig å forbedre logistikken, reservedeler gjøres tilgjengelige når det er nødvendig, og nedetid skal unngås.
• Operere: Store data fra sensorer innebygd i bygninger, broer og annen konstruksjon gjør det mulig å overvåke hver på mange nivåer av ytelse. Energibesparelser i kjøpesentre, kontorblokker og andre bygninger kan spores for å sikre at den overholder designmål. Trafikkstressinformasjon og nivåer av bøyning i broer kan registreres for å oppdage eventuelle ubegrensede hendelser. Disse dataene kan også sendes tilbake til BIM-systemer for å bygge opp informasjonssystemer for å planlegge vedlikeholdsaktiviteter etter behov.

Konstruksjonsindustriens preferanser for informasjon og innsikt

Etter hvert som data blir større og større, blir behovet for å koker det ned til de nødvendige nødvendigheter også større.

En undersøkelse av byggefirmaer av programvareleverandør Sage i 2014 fant at:

• 57% vil ha konsekvent, oppdatert finansiell og prosjektinformasjon.
• 48% vil bli advart når bestemte situasjoner oppstår.
• 41% vil ha prognoser, slik at de bedre kan forberede seg på beste og verste byggeproblemer.
• 14% vil at nettanalyser for eksempel ser nøyaktig hvilke faktorer som påvirker lønnsomheten og hvor mye.

Stor dataanalyse kan aktivere eller tilby muligheter til å forbedre hver av disse aspektene. Mangfoldet av innganger i store data gir bedre grad av sikkerhet om statusrapporter og prognoser. Analysene kan gi mer nyttige indikasjoner på nivåer av risiko før en grense er overskredet og et varsel genereres. De tilbyr også innsikt som tradisjonelle systemer ikke kan.