Van gefragmenteerde assetdata naar een betrouwbare basis: 200.000+ records opgeschoond voor SPIE Building Solutions
Het assetregister van SPIE werd al jaren gevoed door onderhoudssystemen, aannemers en handmatige invoer. Pearstop matchte elke fabrikant tegen SPIE’s eigen goedgekeurde lijst, gaf elk record een betrouwbaarheidsscore, en leverde het team een gerangschikte lijst op van wat het eerst te controleren.
Eén fabrikant, een dozijn spellingen
SPIE Building Solutions beheert een grote portefeuille aan gebouwgebonden assets op veel locaties. Door de jaren heen werd het register gevuld vanuit verschillende onderhoudssystemen, aannemersuploads en handmatige invoer.
Het resultaat: dezelfde fabrikant onder een dozijn spellingen, en apparatuurtypes die ontbraken of verkeerd waren vastgelegd. De lijsten werkten voor een monteur op locatie. Ze werkten niet om onderhoud te plannen of biedrisico over een hele portefeuille in te schatten.
Elk asset heeft een fabrikant en een type, net zoals elke inkooporderregel een leverancier en een omschrijving heeft. De engine die spend data opschoont, werkt zonder aanpassingen ook op een assetregister.
Gematcht tegen de lijst die SPIE al vertrouwt
In een vroeg stadium zagen we algemene AI-modellen leveranciersnamen gokken of verzinnen. Daarom werd elke regel uitsluitend gematcht tegen SPIE’s eigen goedgekeurde leverancierslijst.
2 · Kruiscontrole met een taalmodel
3 · Conflicten doorzetten naar een medewerker
Eerst deterministisch matchen
Exacte, prefix-, edit-distance- en typfoutcorrectiematching tegen SPIE's goedgekeurde leveranciers, overal waar een regel kon beslissen.
Een onafhankelijke tweede mening
Een large language model beoordeelde elke match zelfstandig. Waar beide overeenkwamen, steeg de betrouwbaarheid.
Mensen beslissen de lastige gevallen
Tegenstrijdige matches gingen naar SPIE's master-data-team, en elke beslissing voedde de volgende iteratie.
Vijf spellingen van één pompfabrikant, opgelost
Eén familie circulatiepompen kwam voor onder vijf leveranciersspellingen, waarvan één een simpele typfout. Het typeveld was nog rommeliger: in de ene regel een kale familienaam, in de volgende een volledige modelcode.
Namen aangepast. De vorm komt overeen met het echte register. Een leveranciersteam ziet nu deze exacte pompfamilie, in deze exacte configuraties, in plaats van “pompen, allerlei soorten”.
Een gerangschikte controlelijst in plaats van een muur aan regels
Elk record kreeg drie scores: leveranciersbetrouwbaarheid, typebetrouwbaarheid en controleprioriteit. SPIE’s team begon bovenaan de lijst en werkte van boven naar beneden.
Dankzij de confidence scoring wist ons team waar ze hun reviewtijd het eerst aan moesten besteden, in plaats van bij nul te beginnen op 200.000 regels.
Bart van PeijHead of Master Data Management, SPIE Building SolutionsAls een klant een goedgekeurde lijst heeft, match daar dan tegen
Alleen matchen tegen SPIE's gevalideerde leveranciers verhoogde zowel de nauwkeurigheid als het vertrouwen van het team in de uitkomst. Het is nu standaard bij elk Pearstop-traject met een vastgestelde leveranciersbasis.
Van assets onderhouden naar erover adviseren
Met een gestructureerd register kan SPIE een hele apparatuurfamilie bekijken en terugkerende storingen over een portefeuille heen opsporen. Een monteur kan dan zeggen:
“Deze pompfamilie faalt met dit percentage op al uw locaties. Dit adviseren wij.”
“Pearstops fabrikantmatching gaf ons het juiste startpunt om data terug in het ERP te laden. Dit project heeft ons veel geleerd over data cleaning met AI.”
Hetzelfde probleem in uw assetregister?
Stuur ons een steekproef van uw asset- of apparatuurdata. Wij matchen die tegen uw eigen referentielijst en sturen hem gescoord terug, zodat u een eerste doorloop op uw eigen records ziet.
