12 Jan 2024
35
Het begrijpen van duurzaamheidsmetrieken zoals het gebruik van elektriciteit, water en CO2-uitstoot is cruciaal voor het beheer van vastgoed. Deze metrieken interpreteren kan echter uitdagend zijn zonder de juiste context. In onze samenwerking met Varig streven we ernaar om de manier waarop deze metrieken worden waargenomen en gebruikt in de dagelijkse vastgoedoperaties te transformeren.
Om duurzaamheidsmetrieken begrijpelijker te maken, hebben we een vergelijkingsbenadering aangenomen. Deze methode stelt klanten in staat hun verbruik te begrijpen in relatie tot soortgelijke peers. Bijvoorbeeld, het is duidelijker om te weten of 10 kg CO2 een hoge uitstoot is in vergelijking met peers die gemiddeld 5 kg uitstoten. Deze vergelijking helpt niet alleen bij het begrijpen, maar bouwt ook geleidelijk vertrouwdheid op met wat deze metrieken betekenen.
Het creëren van relevante vergelijkingen omvat het groeperen van vergelijkbare activa, wat uitdagend kan zijn bij het vergelijken van uiteenlopende eigendommen zoals magazijnen en ziekenhuizen. We hebben dit aangepakt door een algoritme te ontwikkelen dat wordt aangedreven door machine learning, dat rekening houdt met verschillende eigenschappen van een activum, zoals gebouwgrootte en gebruikstype. Het algoritme helpt bij het identificeren van de meest relevante peer-groep door het belang van elke eigenschap te analyseren, waardoor de vergelijkingen geschikt en waardevol zijn.
Bij het presenteren van deze vergelijkingen zorgen we voor de privacy van klantgegevens. In plaats van individuele metrieken bieden we gemiddelden uit grotere peer-groepen. Deze aanpak beschermt individuele gegevens en biedt nog steeds waardevolle inzichten door benchmarking.
Ons proces begint met een gedetailleerde verzameling en analyse van gebouwgegevens. Door het plotten en onderzoeken van de verdeling van gebouweigenschappen en energieverbruik identificeren we en sluiten we anomalieën uit om onze peer-groep te verfijnen. Het gebruik van visuele hulpmiddelen zoals verdelingsplots en warmtekaarten helpt bij het begrijpen van correlaties tussen gebouweigenschappen en energieverbruik.
Het peer-selectiealgoritme dat we hebben ontwikkeld, past de reeks overwogen eigenschappen sequentieel aan op basis van hun belang, en optimaliseert de zoektocht naar een voldoende grote en relevante peer-groep. Vervolgens presenteren we de bevindingen door middel van een peer-groeperingskwaliteitsmetriek en een vergelijkende prestatie-metriek, waardoor klanten hun positie tegen benchmarks kunnen beoordelen en geïnformeerde beslissingen kunnen nemen.
Door gebruik te maken van machine learning en datagestuurde inzichten helpen we vastgoedeigenaren niet alleen om duurzaamheidsmetrieken te begrijpen, maar ook om daarop te handelen. Deze aanpak helpt niet alleen bij onmiddellijke operationele aanpassingen, maar ondersteunt ook langetermijndoelstellingen voor duurzaamheid in de vastgoedsector.