In asset management is betrouwbare data essentieel voor het nemen van onderbouwde beslissingen over onderhoud, investeringen en risico’s. Toch is het realiteit dat datasets zelden volledig zijn. Missende waarden komen veel voor, bijvoorbeeld in inspectierapporten, sensormetingen of historische gegevens over assets. De manier waarop met deze ontbrekende data wordt omgegaan, heeft directe impact op de kwaliteit van analyses en de effectiviteit van asset managementprocessen.
Volgens het Institute of Asset Management (IAM) is datakwaliteit een van de fundamenten voor goed assetbeheer. Het IAM benadrukt dat informatie “fit for purpose” moet zijn, waarbij volledigheid en transparantie van data cruciaal zijn voor betrouwbare besluitvorming. Missende data kunnen leiden tot verkeerde inschattingen van risico’s, prestaties of kosten, met potentieel grote gevolgen.
Wat zijn de opties bij missende data?
- Verwijderen van incomplete records
Dit kan geschikt zijn als het percentage missende waarden laag is en de impact op de analyse beperkt blijft. Maar het risico bestaat dat relevante informatie verloren gaat of dat er systematische vertekening ontstaat. - Imputatie op basis van verbanden
Hierbij worden ontbrekende waarden aangevuld met geschatte waarden, bijvoorbeeld op basis van gemiddelden, regressiemodellen of machine learning-technieken. Bij assets met voorspelbaar gedrag (zoals energieverbruik of slijtagepatronen) kan dit effectief zijn. - Handmatig aanvullen of verrijken
In sommige gevallen kunnen domeinexperts ontbrekende informatie inschatten of kan data worden opgezocht in aanvullende bronnen (zoals archieven of technische documentatie). Dit is echter tijdrovend en niet altijd haalbaar op grote schaal. - Ontbrekende data expliciet modelleren
Soms zegt het al iets als bepaalde gegevens ontbreken. Bijvoorbeeld: als er bijna nooit inspectiegegevens zijn bij een bepaald type object, kan dat belangrijk zijn. Door een extra kolom toe te voegen waarin je aangeeft of gegevens ontbreken (bijvoorbeeld ja/1 of nee/0), kun je dit meenemen in je analyse.
Kaders voor datakwaliteit
Binnen asset management wordt datakwaliteit vaak beoordeeld aan de hand van principes uit het IAM en het Data Management Body of Knowledge (DAMA-DMBOK). Deze stellen dat data beoordeeld moet worden op onder andere compleetheid, juistheid, betrouwbaarheid en bruikbaarheid, zie andere datakwaliteitsartikelen op de website. Belangrijk is dat keuzes over hoe om te gaan met missende waarden expliciet worden vastgelegd en afgestemd op de informatiebehoefte van de organisatie.