Использование анализа данных для управления рисками в капитальном строительстве

Строительная отрасль пережила революционную трансформацию благодаря интеграции технологий и цифровизации. Этот сдвиг позволяет подрядчикам легко управлять большими объемами данных, предоставляя им более глубокое понимание строительных материалов, условий площадки, погодных условий и т. д. В противном случае эту информацию было бы трудно или невозможно получить без цифровых ресурсов, таких как информационное моделирование зданий (BIM) и топографические изображения или тепловизионные данные, собранные с помощью дронов.

Однако сбор этой информации — только часть уравнения; он также должен быть организован для того, чтобы эти ресурсы полностью реализовали свой потенциал и предоставили организациям ценную обратную связь о каждом аспекте строительства, полученную в результате комплексных процессов анализа.

Использование подхода, основанного на данных, в управлении строительными проектами помогает повысить производительность, снизить затраты и повысить устойчивость. С помощью аналитики строительные бригады могут добиться лучшего контроля качества, легко координируя каждый этап от начала до конца, обеспечивая успешное завершение проектов с устойчивыми результатами.

 Прежде чем начать глубокий анализ (с точки зрения анализа рисков),мы должны найти ответы, по крайней мере, на три ключевых вопроса

Традиционные методы управления рисками часто опираются на качественный и количественный анализ, основанный на исторических данных и опыте экспертов. Однако данные обновляются только по завершении каждого этапа проекта или при возникновении проблем, что замедляет принятие решений и снижает точность прогнозов. Принятие решений, в основном, опирается на опыт и интуицию, а способность распознать новые риски зависит от знаний и умений экспертов.

В отличие от этого, анализ данных включает в себя использование прогностического анализа, машинного обучения и искусственного интеллекта для выявления и управления рисками. С помощью данных, обновляемых в реальном времени, процесс принятия решений становится быстрее и точнее. Решения основываются на конкретных данных, что уменьшает вероятность субъективных ошибок и улучшает качество решений. Благодаря машинному обучению можно автоматически выявлять новые риски на основе анализа паттернов данных.

различие традиционного метода управления рисками с управлением рисками использующие инструменты анализа данных

Примеры использования анализа данных в управлении строительством включают снижение стоимостных рисков, оптимизацию графика работы и управление рисками безопасности. В проекте по строительству небоскреба в Дубае, например, анализ данных использовался для оптимизации затрат на материалы и труд. В результате команда проекта смогла определить оптимальные варианты закупок, что привело к значительной экономии.

Также стоит отметить, что использование анализа данных в строительстве расширилось благодаря технологическому прогрессу и цифровизации. Цифровые ресурсы, такие как информационное моделирование зданий (BIM) и данные, собранные с помощью дронов, предоставляют более глубокое понимание строительных материалов, условий площадки, погодных условий и т.д. Эта информация, полученная в результате комплексных процессов анализа, обеспечивает организациям ценную обратную связь о каждом аспекте строительства. (Михаил Мишустин, премьер-министр РФ подписал Постановление Правительства № 331 от 5 марта 2021 года. Документ содержит положение, что обязательное использование технологии на стадии проектно-изыскательских работ начнется с 1 января 2023 года, на стадии строительно-монтажных работ − с 1 июля 2023 года для заказчика, застройщика, технического заказчика, эксплуатирующей организации, если на этот объект выделены средства из бюджетов всех уровней ).

В целом, использование подхода, основанного на данных, в управлении строительными проектами, способствует повышению производительности, снижению затрат и увеличению устойчивости. С помощью аналитики строительные бригады могут добиться лучшего контроля качества, легко координируя каждый этап от начала до конца, обеспечивая успешное завершение проектов с устойчивыми результатами.

Советы по использованию анализа данных для управления рисками

  • Интеграция данных: Сбор данных из разных источников и их объединение в одну базу данных обеспечивает более полное понимание проекта и позволяет провести более точный анализ.
  • Реальное время: Использование данных в реальном времени позволяет управлять рисками немедленно, не дожидаясь окончания проекта.
  • Прогностический анализ: Использование прогностического анализа может помочь предвидеть потенциальные проблемы, прежде чем они возникнут, что позволяет принять меры для минимизации риска.
  • Использование машинного обучения: Алгоритмы машинного обучения могут обучаться на основе данных о прошлых проектах, чтобы сделать точные прогнозы и помочь в управлении рисками в будущих проектах.

Примеры использования

  • Снижение стоимостных рисков: В проекте по строительству небоскреба в Дубае анализ данных использовался для оптимизации затрат на материалы и труд. Используя алгоритмы машинного обучения, команда проекта смогла определить оптимальные варианты закупок, что привело к значительной экономии.
  • Оптимизация графика работы: В проекте по строительству стадиона на Катаре использовался анализ данных для прогнозирования задержек в строительстве. Это позволило команде проекта перепланировать график работ и предотвратить значительные финансовые потери.
  • Управление рисками безопасности: На проекте строительства моста в США анализ данных использовался для прогнозирования рисков безопасности. Используя данные о предыдущих происшествиях и текущих условиях работы, алгоритмы машинного обучения могли прогнозировать вероятность несчастных случаев на рабочем месте, позволяя команде принять необходимые меры для предотвращения инцидентов.
  • "Сити-комфорт": Компания "Сити-комфорт", крупный застройщик в Санкт-Петербурге, использует анализ данных для оптимизации своего строительного процесса. Они используют технологии BIM и анализ данных для контроля качества строительства, планирования трудозатрат и управления закупками материалов.

  • Ростех: Госкорпорация "Ростех" разработала систему "Цифровой двойник", которая использует машинное обучение и анализ данных для предсказания и управления рисками на строительных площадках. Эта система позволяет предсказывать возможные задержки или проблемы на ранней стадии, улучшая тем самым эффективность проектов и снижая стоимость строительства.

Заключение

Использование анализа данных в капитальном строительстве представляет собой современный и эффективный подход к управлению рисками. Этот метод позволяет компаниям и проектным менеджерам более глубоко понимать сложности своих проектов, прогнозировать возможные препятствия и принимать заранее подготовленные решения для снижения риска.

В будущем анализ данных будет все больше внедряться в отрасль строительства, и компании, которые будут использовать этот инструмент эффективно, смогут обеспечить себе конкурентное преимущество на рынке.

Для максимального использования анализа данных в строительстве важно продолжать исследования в этой области и разрабатывать инновационные методы обработки и интерпретации данных, что позволит еще больше улучшить управление рисками в капитальном строительстве.

Управление рисками с помощью анализа данных - это не просто модный тренд, это необходимость для современных строительных компаний, стремящихся к эффективности, надежности и устойчивости своих проектов.

Если вам интересны аналитика, интеллектуальные системы и обсуждение актуальных тем, присоединяйтесь к нашему каналу : https://t.me/Analyze_this_WITH_ME. Здесь вы найдете множество полезных материалов, исследований и советов по применению интеллектуальных систем для управления и анализа данных в различных отраслях. Мы рады видеть вас среди наших подписчиков!

Вас ждут следующие темы:

1 Основы алгоритмов анализа данных и их применение в системах вентиляции и теплоэнергетики.

2 Методы анализа данных для оценки энергоэффективности и снижения потребления энергии.

3 Алгоритмы оптимизации параметров и настройки вентиляционных систем.

4 Применение машинного обучения для прогнозирования нагрузки и управления теплоэнергетическими системами.

5 Автоматизация и интеграция систем управления вентиляцией и теплоэнергетическими системами с использованием IoT. 👥

0
Комментарии
-3 комментариев
Раскрывать всегда