Bouwbedrijven ontvangen tegenwoordig een stortvloed aan informatie – van verkooppraatjes in hun e-mailinbox tot coververhalen in vakbladen – over het potentieel van data-analyse om een revolutie teweeg te brengen in hun werk.
En het is waar dat onder de juiste omstandigheden het overschakelen van in silo's opgebouwde spreadsheets naar geavanceerde datawarehouses en analyse-engines transformatieve inzichten kan opleveren.
Bij de bespreking van deze voordelen wordt echter vaak een cruciaal feit buiten beschouwing gelaten: mooie diagrammen, grafieken en animaties zijn zinloos als de gegevens die worden gebruikt om ze te maken, vol gaten zitten.
Voor veel aannemers is wat men zou kunnen beschouwen als een slechte "gegevenshygiëne" een dringende zorg. Een gebrekkige benadering van gegevensinvoer – vooral de noodzaak voor verschillende belanghebbenden om gegevens meerdere keren handmatig in verschillende systemen in te voeren – is vaak de oorzaak van het probleem.
Naarmate het aantal onnauwkeurige gegevens in de loop van de tijd toeneemt, veranderen ogenschijnlijk kleine fouten in grote anomalieën die het verhaal van de gegevens verdraaien. De projectmanager kan bijvoorbeeld "SmithCo Steel" in de spreadsheet invoeren, zelfs als de controller verwijst naar "Smith Co. Steel" in het document. Zonder duidelijkheid over deze inconsistentie, zal een latere analyse de resultaten scheeftrekken.
In het ergste geval ondermijnen gebrekkige of onvolledige gegevens in categorieën zoals leveranciers, onderaannemers, werknemers, uitrusting, materialen of projectkosten de goede trouw van een aannemer om zijn strategie op de feiten te baseren.
En toch, ondanks het grote belang van data-integriteit, aarzelen sommige aannemers om dit probleem aan te pakken.
Dit kan zijn omdat ze het zien als een tijdrovende, achterwaarts gerichte oefening waarbij het moeizaam doorzoeken van bestaande bestanden gaat om onvolledigheid, inconsistentie, duplicatie of gebrek aan tijdigheid op te sporen.
Echter, ramping up nauwkeurigheid van de gegevens, vooral wanneer het is voorzien van stutten het verzamelen van gegevens processen -sharpens uw begrip van de hedendaagse trends. Het stelt u ook in staat om te profiteren van toekomstgerichte data-analyse, een voorspellende aanpak die nog beter zal worden met de voortdurende evolutie van machine learning en AI.
Het versterken van de gegevensintegriteit is niet zo moeilijk als het lijkt. Een paar simpele stappen kunnen uw organisatie op de goede weg zetten.
Stap 1: Zet een premie op pulldowns
Of het nu gaat om Sage, Viewpoint, Foundation of Microsoft Excel, aannemers maken vaak de fout bij het opzetten van gegevensverzamelingsprocessen op een manier waarbij werknemers herhaaldelijk bedrijfsnamen, projectnummers en andere kritieke markeringen met de hand moeten invoeren. Dit verhoogt het risico op het genereren van dubbele of afwijkende records, zoals in het voorbeeld van SmithCo Steel hierboven (of zou dat Smith Co. Steel moeten zijn?).
Een betere benadering is om gebruik te maken van het vermogen van de software om een vervolgkeuzemenu te genereren. Alle gebruikers moeten worden opgeleid om gebruik te maken van deze functie en, waar mogelijk, het handmatig invoeren van gegevens vermijden.
Opgemerkt moet echter worden dat Microsoft Excel-gebruikers een app moeten bouwen voor pulldowns. Vraag uw IT-afdeling of een externe consultant om de app te bouwen voor belangrijke documenten. (Projectmanagers en accountants hebben zelden de tijd of expertise om dit zelf te doen; aan hun lot overgelaten, zullen ze waarschijnlijk vasthouden aan handmatige invoer.)
Stap 2: Laat een gegevenshygiënetest uitvoeren
Om erachter te komen of uw bedrijf een probleem heeft met het opschonen van gegevens, hoeven uw teams niet 's nachts en in het weekend te werken op zoek naar fouten in oude spreadsheets.
Het kan worden bereikt met software.
Zoek naar een tool die u een score kan geven op factoren als volledigheid, nauwkeurigheid, consistentie en tijdigheid van gegevens. Granulariteit is belangrijk. Als een aannemer een analyse uitvoert waarbij functiebeschrijvingen een belangrijk onderdeel zijn, helpt het om te weten of 30 procent van uw administratie helemaal geen functiebeschrijvingen bevat.
Als het gaat om dubbele invoer, kan een datahygiënetest uitwijzen of u een groot of een klein probleem heeft. Dit stelt u op zijn beurt in staat om eventuele overloopeffecten op de naleving, inkomsten of uitgaven te begrijpen. Consultants kunnen contractanten ook vertellen of procesfouten bijdragen aan problemen met de datakwaliteit of deze creëren.
Stap 3: Maak gebruik van bestaande best practices
De behoefte aan gegevenszuiverheid is niet uniek voor bouwaannemers. Als gevolg hiervan is het niet nodig om het wiel opnieuw uit te vinden: bestaande praktijken op het gebied van master data management (MDM) bieden relatief pijnloze manieren om op het eerste gezicht hardnekkige raadsels op te lossen.
Neem het voorbeeld van een regionale bouwaannemer in de Verenigde Staten. Het bedrijf, dat bezig was met de introductie van een nieuw datawarehouse voor ondernemingen, had zijn wijzigingsopdrachten al lang gevolgd met behulp van Prolog-projectbeheersoftware. Het management wilde deze datastroom samenvoegen met stromen uit het boekhoudsysteem Sage van de aannemer. Er was echter een probleem: de taaknummeringssystemen waren anders. "Job 1-2-3" in Prolog was, in Sage, "Job ABC."
Voor iedereen met expertise in masterdatamanagement was dit een vertrouwde situatie met een kant-en-klare oplossing. In dit geval heeft ons team een mappingtool in het datawarehouse gebruikt om de taakgegevens te synchroniseren, waardoor we de gegevensstromen kunnen samenvoegen en klaar kunnen maken voor analyse.
Aannemers gebruiken doorgaans het ene systeem voor hun biedingen en het andere voor de boekhouding. Stel dat de aannemer een bod wil winnen met Skanska AB. Als onderdeel van dat proces zou het nuttig zijn om zowel de boekhoudkundige gegevensstromen als de datastromen van het biedsysteem voor Skanska AB samen te voegen. Waarom? Omdat het een gemakkelijke analyse van eerdere biedingen en eerdere projectkosten, tijdlijnen en resultaten zou opleveren. Mapping maakt dit soort dingen gemakkelijk te realiseren, en er zijn veel andere high-utility-methodologieën die een essentieel onderdeel vormen van MDM.
Een solide basis voor analyse van bouwgegevens
Dataschoonheid is een voorwaarde voor een effectief gebruik van bouwdata-analyse.
Naast het verbeteren van de analyse, versnelt het boeken van vooruitgang op dit gebied ook belangrijke datatransities, zoals het overstappen van het ene boekhoudsysteem naar het andere of het overnemen van een ander bedrijf en het samenvoegen van de datastromen met dat van jezelf.
Bouwdata-analyseplatforms en datawarehouses kunnen een onmisbaar onderdeel van het proces zijn, wat verklaart waarom dit zo'n snelgroeiend veld is. Alles bij elkaar genomen, groeit de bewustwording in de branche van het potentieel van deze tools om aannemers in staat te stellen biedingen, bemanningen, apparatuur, punchlijsten, blauwdrukken, informatieverzoeken en meer te volgen en te beheren in gebruiksvriendelijke interfaces. Vooruitkijkend staat AI ook in voor het verbeteren van risicovoorspellingen, kwaliteitscontrole op de werkplek en routeplanning / transport. Door een goede datahygiëne kunnen aannemers een vliegende start maken, aangezien deze kwantumsprong de industrie verder transformeert.
Via: AEC