De ‘nieuwe Max Verstappen’ ontdekken door de inzet van data en slimme algoritmes.
Van Amersfoort Racing
Uptima
Predictive maintenance voor spare parts forecasting.
Voorspel welke onderdelen nodig zijn voordat tekorten of onnodige voorraden ontstaan.
Vertrouwd door toonaangevende organisaties
Waarom we dit bouwden,
Onderhoudsorganisaties moeten onderdelen beschikbaar hebben voordat werkzaamheden beginnen. Welke onderdelen wanneer nodig zijn, is alleen niet altijd goed te voorspellen. De vraag hangt samen met onderhoudspatronen, onderdelengebruik en de operationele inzet van assets.
Bij een te kleine voorraad kunnen onderhoudswerkzaamheden vertragen en assets stilvallen. Te ruime voorraden leggen juist onnodig kapitaal vast en kunnen leiden tot onderdelen die nauwelijks worden gebruikt.
Uptima analyseert historische onderhoudsdata en onderdelengebruik om de toekomstige vraag naar reserveonderdelen te voorspellen. Daarmee ondersteunt de toepassing beslissingen over voorraad en inkoop.
Wat je kunt verwachten,
Inzicht in de toekomstige onderdelenbehoefte
De tool gebruikt beschikbare onderhouds- en verbruiksdata om te voorspellen welke onderdelen in een komende periode nodig kunnen zijn.
De kwaliteit en nauwkeurigheid van deze voorspellingen hangen af van de beschikbare data, onderhoudspatronen en voorspelbaarheid van de vraag.
Ondersteuning voor voorraad- en inkoopbeslissingen
Voorspellingen maken zichtbaar bij welke onderdelen mogelijk een tekort of overschot ontstaat. Supplychain- en onderhoudsteams kunnen deze informatie gebruiken bij het plannen van bestellingen.
De toepassing kan bijvoorbeeld inzicht geven in:
- De verwachte vraag per onderdeel
- Verschillen tussen voorspelde vraag en beschikbare voorraad
- Onderdelen met een verhoogd risico op een tekort
- Veranderingen in gebruikspatronen
- De onderbouwing van bestelbeslissingen
De standaardvoorspellingen, planningshorizon en beschikbare rapportages nog vaststellen.
Voorspellingen als ondersteuning, niet als vaststaand antwoord
Onverwachte storingen of veranderingen in de operatie blijven mogelijk. Daarom behandelen we een voorspelling niet als zekerheid, maar als aanvullende informatie voor planners.
Medewerkers kunnen rekening houden met levertijden, kritieke onderdelen en praktijkkennis die niet volledig in de beschikbare data staat.
Onze aanpak,
-
De vraag en beschikbare data onderzoeken
We brengen in kaart welke onderdelen worden gebruikt, hoe de voorraad wordt gepland en welke historische onderhoudsgegevens beschikbaar zijn. Ook bepalen we voor welke onderdelen tekorten of overschotten de grootste gevolgen hebben.
Zo richten we de eerste toepassing op een concreet voorraadprobleem. -
Een voorspellingsmodel ontwikkelen en toetsen
We ontwikkelen een model op basis van de beschikbare data en toetsen de voorspellingen aan historische situaties. Daarbij vergelijken we de uitkomsten met de bestaande planningsmethode.
We kijken niet alleen naar de technische nauwkeurigheid, maar ook naar de vraag of de voorspelling medewerkers helpt om betere voorraadbeslissingen te nemen. -
Inbouwen in het planningsproces
Een voorspelling levert pas waarde op wanneer medewerkers deze op het juiste moment kunnen gebruiken. Daarom sluiten we de uitkomst aan op het bestaande voorraad- of inkoopproces.
Na de eerste toepassing kan de oplossing worden uitgebreid met aanvullende onderdelen, assets of locaties.
Geen voorspelling om de voorspelling, maar een praktisch hulpmiddel voor voorraad- en onderhoudsbeslissingen.
Zo kunnen planners eerder inspelen op de verwachte behoefte, zonder uitsluitend op vaste voorraadregels of ervaring te vertrouwen.
Wat we eerder bouwden,
Drie projecten uit ons werk met data en AI.
Verder lezen
Blogs en verdieping van ons team.
24 aug 2026
Drie lessen uit onze AI-projecten
Wat we leerden van tientallen AI-projecten: begin bij de beslissing, behandel datakwaliteit als organisatievraag en regel het beheer vooraf.
18 aug 2026
Van pilot naar productie: waarom de meeste AI-projecten stranden
De meeste AI-projecten stranden niet op de techniek, maar op data, team en proces. Lees wat er nodig is om van pilot naar productie te komen.
25 jun 2026
Responsible AI van principes tot praktijk
Artificial Intelligence ontwikkelt zich razendsnel. Vrijwel elke week verschijnen er nieuwe modellen en steeds meer organisaties experimenteren met AI.
Neem contact op
Stef Stoelwinder
Business DevelopmentE-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Veelgestelde vragen,
Historische gegevens over onderhoud, onderdelengebruik en voorraad vormen een belangrijke basis. Afhankelijk van het vraagstuk kunnen ook levertijden, assetinformatie en operationele planning relevant zijn. Eerst onderzoeken we welke data beschikbaar en bruikbaar is.
De toepassing is in de eerste plaats bedoeld om de verwachte vraag en mogelijke tekorten zichtbaar te maken. Of besteladviezen of automatische bestellingen onderdeel worden van het proces, hangt af van de gewenste inrichting en de beschikbare systemen. Deze functionaliteit moet nog worden bevestigd.
Dat hangt af van de hoeveelheid data en het vraagpatroon. Voor onderdelen met weinig historische beweging of zeer onvoorspelbare vraag is een betrouwbare voorspelling lastiger. In zulke gevallen kunnen vaste voorraadregels en praktijkkennis belangrijk blijven.
Onderhoudspatronen, assets en bedrijfsprocessen veranderen. Daardoor kan een model na verloop van tijd minder goed aansluiten op de werkelijkheid. Door voorspellingen en werkelijke vraag te vergelijken, wordt zichtbaar wanneer aanpassing of hertraining nodig is.
Technische nauwkeurigheid alleen is niet voldoende. De voorspelling moet bijdragen aan een relevant bedrijfsdoel, zoals minder spoedbestellingen, minder stilstand of een beter passende voorraad. Daarom bepalen we vooraf welke uitkomsten belangrijk zijn en vergelijken we die met de bestaande werkwijze.