Das ist natürlich, was es groß macht. In allen Plänen und Aufzeichnungen von allem, was jemals gebaut wurde, gibt es bereits die Konstruktion und den Aufbau von Big Data.
Es wächst auch ständig mit zusätzlichen Inputs aus so unterschiedlichen Quellen wie Arbeitern, Kränen, Erdbewegern, Materiallieferketten und sogar Gebäuden.
Der Wert von Daten
Traditionelle Informationssysteme können grundlegende Informationen über Projektpläne, CAD-Entwürfe, Kosten, Rechnungen und Mitarbeiterdetails aufzeichnen. Sie sind jedoch in ihrer Fähigkeit eingeschränkt, mit unstrukturierten Daten wie Freitext, gedruckten Informationen oder analogen Sensormesswerten zu arbeiten. Oft können sie nur geordnete digitale Zeilen und Spalten von Zahlen handhaben.
Die Idee, Big Data zu nutzen, besteht darin, mehr Erkenntnisse zu gewinnen und bessere Entscheidungen im Baumanagement zu treffen, indem nicht nur wesentlich mehr Daten abgerufen werden, sondern diese auch analysiert werden, um praktische Schlussfolgerungen für das Bauprojekt zu ziehen. In der Tat sind Big Data, wie Lkw-Ladungen mit Ziegeln oder Säcke mit Zement, allein nicht sinnvoll. Es ist, was Sie damit tun, indem Sie Big-Data-Analyseprogramme verwenden, die zählen.
Mit Big Data ins Geschäft kommen
Um zu sehen, wie große Datenmengen bereits von der Bauindustrie verwendet werden, sollten Sie den Lebenszyklus von Design-Build-Operate berücksichtigen, der heute zunehmend Bauprojekte definiert.
- Design: Big Data, einschließlich Gebäudeentwurf und -modellierung selbst, Umweltdaten, Stakeholder-Input und Social-Media-Diskussionen, können genutzt werden, um nicht nur zu bestimmen, was zu bauen ist, sondern auch, wo es zu bauen ist. Die Brown University in Rhode Island, USA, verwendete eine Big-Data-Analyse, um zu entscheiden, wo eine neue technische Einrichtung für einen optimalen Nutzen für Studenten und Universitäten gebaut werden sollte. Historische Big Data können analysiert werden, um Muster und Wahrscheinlichkeiten von Baurisiken herauszusuchen, um neue Projekte zum Erfolg und weg von Fallstricken zu führen.
- Build: Big Data von Wetter, Verkehr und Community und Business-Aktivitäten können analysiert werden, um die optimale Phasen der Bautätigkeit zu bestimmen. Sensoreingaben von Maschinen, die an Standorten verwendet werden, um aktive und Leerlaufzeit anzuzeigen, können verarbeitet werden, um Rückschlüsse auf die beste Mischung aus Kauf und Leasing solcher Ausrüstung zu ziehen und Kraftstoff am effizientesten zu nutzen, um Kosten und ökologische Auswirkungen zu senken. Die Geolokalisierung der Ausrüstung ermöglicht auch eine Verbesserung der Logistik, die Bereitstellung von Ersatzteilen bei Bedarf und die Vermeidung von Ausfallzeiten.
- Operate: Große Daten von Sensoren, die in Gebäuden, Brücken und anderen Konstruktionen eingebaut sind, ermöglichen es, jeden einzelnen in vielen Leistungsstufen zu überwachen. Die Energieeinsparung in Einkaufszentren, Bürogebäuden und anderen Gebäuden kann verfolgt werden, um sicherzustellen, dass sie den Entwurfszielen entspricht. Informationen zu Verkehrsbelastungen und Ebenen der Biegung in Brücken können aufgezeichnet werden, um Ereignisse außerhalb der Grenzen zu erkennen. Diese Daten können auch in BIM-Systeme (Building Information Modeling) zurückgeführt werden, um Wartungsaktivitäten nach Bedarf zu planen.
Präferenzen der Bauindustrie für Informationen und Einblicke
Da die Daten immer größer werden, wird auch die Notwendigkeit, sie auf das Wesentliche zu reduzieren, größer.
Eine Umfrage von Sage im Jahr 2014 bei Bauunternehmen ergab Folgendes:
- 57% wollen konsistente, aktuelle Finanz- und Projektinformationen.
- 48% möchten gewarnt werden, wenn bestimmte Situationen auftreten.
- 41% wollen Prognosen, damit sie sich besser auf Best- und Worst-Case-Building-Events vorbereiten können.
- 14% wollen mit Online Analytics beispielsweise genau sehen, welche Faktoren die Profitabilität beeinflussen und um wie viel.
Big-Data-Analysen können Möglichkeiten zur Verbesserung jedes dieser Aspekte ermöglichen oder bieten. Die Vielfalt der Eingaben in Big Data ermöglicht eine bessere Sicherheit bei Statusberichten und Prognosen. Die Analyse kann hilfreichere Hinweise auf das Risikoniveau liefern, bevor ein Schwellenwert überschritten und eine Warnung generiert wird. Sie bieten auch Einsichten, die traditionelle Systeme einfach nicht können.