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.
Probeer de demo →Klassieke 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.
FieldOps draait predictive maintenance op de data die u in het systeem zet — al binnen een paar weken na implementatie krijgen assets een betrouwbare risicoscore.
Probeer de demo →