Hur byggnadsindustrin använder stora data

I byggbranschen, som i andra sektorer, refererar stora data till de enorma mängder information som tidigare har lagrats och som fortfarande förvärvas idag. Stora data kan komma från människor, datorer, maskiner, sensorer och annan datagenererande enhet eller agent.

Det är naturligtvis det som gör det stort. Byggandet och byggandet av stora data finns redan i alla planer och register över allt som någonsin byggdes.

Det ökar också ständigt med ytterligare inmatning från källor så olika som arbetstagare på plats, kranar, jordförare, materialförsörjningskedjor och till och med byggnader själva.

Värdet av data

Traditionella informationssystem är bra för att spela in grundläggande information om projektplaner, CAD-mönster, kostnader, fakturor och anställdas detaljer. De är dock begränsade i sin förmåga att arbeta med ostrukturerad data som fri text, tryckt information eller analoga sensoravläsningar. Ofta kan de bara hantera ordnade digitala rader och kolumner av siffror.

Tanken att utnyttja stora data är att få mer insikter och fatta bättre beslut i bygghantering genom att inte bara få tillgång till betydligt mer data utan genom att analysera den korrekt för att dra konkreta byggprojekt slutsatser. Faktum är att stora data, som lastbilar av tegelstenar eller påsar av cement, inte är användbara på egen hand. Det är vad du gör med det med hjälp av stora dataanalysprogram som räknas.

Komma till affärer med stora data

För att se hur stora data som redan används av byggbranschen, överväga den design-build-operativa livscykeln som i allt högre grad definierar byggprojekt idag.

• Design: Stora data, inklusive byggdesign och modellering, miljödata, intressentinsatser och sociala medier diskussioner, kan användas för att bestämma inte bara vad man ska bygga utan även var man ska bygga. Brown University i Rhode Island, USA, använde stor dataanalys för att bestämma var man ska bygga sin nya teknikanläggning för optimal student- och universitetsförmån. Historiska stora data kan analyseras för att välja ut mönster och sannolikheter för byggrisker för att styra nya projekt mot framgång och borta från fallgropar.
• Bygg: Stora data från väder, trafik och samhälls- och näringsverksamhet kan analyseras för att bestämma optimal fasning av byggverksamheten. Sensorinmatning från maskiner som används på webbplatser för att visa aktiv och ledig tid kan bearbetas för att dra slutsatser om den bästa blandningen av köp och leasing av sådan utrustning och hur man använder bränsle mest effektivt för att sänka kostnader och ekologiska effekter. Geolokalisering av utrustning gör det också möjligt för logistik att förbättras, reservdelar ska ställas till förfogande när det behövs, och driftstopp ska undvikas.
• Operate: Stora data från sensorer inbyggda i byggnader, broar och annan konstruktion gör det möjligt att övervaka var och en på många nivåer av prestanda. Energibesparing i gallerior, kontorsbyggnader och andra byggnader kan spåras för att säkerställa att den överensstämmer med designmålen. Trafikspänningsinformation och nivåer av böjning i broar kan registreras för att upptäcka eventuella out-of-bound-händelser. Dessa data kan också matas tillbaka till BIM-system för att bygga information för att planera underhållsaktiviteter efter behov.

Byggnadsindustriens preferenser för information och insikter

När data blir större och större blir behovet av att koka det ner till de handlingsbara förutsättningarna också större.

En undersökning av byggföretag av mjukvaruförsäljare Sage i 2014 fann att:

• 57% vill ha konsekvent, aktuell finansiell och projektinformation.
• 48% vill varnas när särskilda situationer uppstår.
• 41% vill ha prognoser, så att de bättre kan förbereda sig för bästa och värsta byggnadshändelser.
• 14% vill ha onlineanalys för att se exakt vilka faktorer som påverkar lönsamheten och hur mycket.

Stor dataanalys kan möjliggöra eller erbjuda möjligheter att förbättra var och en av dessa aspekter. Mängden insatsvaror i stora data ger bättre säkerhetsnivåer om statusrapporter och prognoser. Analysen kan ge mer användbara indikationer på risknivåer innan ett tröskelvärde överskrids och en alarmering genereras. De erbjuder också insikter som traditionella system helt enkelt inte kan.