Live risicoscores per asset op basis van conditie, leeftijd, CROW-classificatie en meldingstrend. Plus geographische clustering die wijk-brede problemen detecteert die per-asset-scoring zou missen. Regelgebaseerd, uitlegbaar en audit-bestendig: geen blackbox.
Begin gratis → Bekijk de prijsKlassieke predictive maintenance-systemen zetten een ML-model op uw historische data en spuwen risicoscores uit. Mooi op papier, lastig in praktijk: u weet niet waarom asset X score 78 heeft gekregen, kunt geen overweging tonen aan de Rekenkamer, en als de score onverwacht laag is bij een asset dat duidelijk verslechterd is, geen idee waar te beginnen met debuggen.
FieldOps gebruikt een regelgebaseerde scoring met expliciete componenten. Elke score is afgeleid van duidelijke factoren met gedocumenteerde gewichten. U kunt elke score uitleggen aan een asset-beheerder, een opdrachtgever of een auditor. En als u bij specifieke assets de logica wilt bijstellen, doet u dat. Geen modeltraining nodig.
Fractie van verwachte levensduur consumed. Een asset op 90% van levensduur scoort hoger dan eentje op 30%, los van conditie.
Conditiescore 1-5 wordt gewogen naar 25 punten. Score 5 = volle bijdrage, score 1 = nul.
Ergste CROW-klasse op recente meldingen. E3 weegt zwaar; L1 weegt licht. Houdt rekening met onderhoudscategorie.
Aantal meldingen in afgelopen 12 maanden, met bonus voor hoog/kritiek-prioriteit. Veel meldingen = hogere bijdrage.
Vergelijkt meldings-frequentie laatste 90d versus voorgaande 90d. Stijgende trend → bonus. Vroeg signaal van naderend einde levensduur.
Detecteert wijk-brede problemen waar meerdere meldingen samenkomen: onderliggende infra-issue die individuele asset-score zou missen.
Per asset is zichtbaar welke factoren bijdroegen aan de score. Voorbeeld: "score 75: 18pt leeftijd (90% levensduur), 22pt conditie (NEN 4), 15pt CROW M3, 8pt 4 meldingen in 12mnd, 12pt stijgende trend." Geen blackbox; iedereen kan de logica volgen.
Naast de score geeft FieldOps een confidence-waarde tussen 0 en 1. Dat is geen model-vertrouwen maar data-completeness: hoeveel van de 4 input-bronnen (leeftijd, conditie, meldingen, CROW) zijn ingevuld voor dit asset?
Een asset met confidence 0.25 heeft maar 1 van 4 datapunten ingevuld; de score is dan een educated guess. Een asset met confidence 1.0 heeft alle vier. Daar mag je op koersen. Helpt asset-beheerders prioriteren waar ze data moeten aanvullen vóór de score betrouwbaar is.
Per-asset-scoring mist een belangrijke categorie: het wijk- of straat-niveau probleem. Drie putten in dezelfde 200m radius, alle met conditiescore 3, zijn individueel "geen prioriteit", maar samen wijzen ze op een onderliggende oorzaak (verzakking, slechte fundering, leiding-defect).
Het /api/predictive/clusters-endpoint detecteert dit type density automatisch. Greedy clustering met haversine-radius binnen een tijdvenster (default 30 dagen) levert een lijst clusters met grootte, hottest CROW-klasse en gemiddelde locatie. Severity-band wordt afgeleid van klasse + cluster-grootte.
De voorspelling is zo goed als uw data: met één meetpunt krijgt u een grove schatting, met meerdere inspectierondes wordt het bruikbaar voor uw MJOP. De eerste maand is gratis, daarna € 9 per gebruiker per maand.
Begin gratis → Bekijk de prijs