AI-gedreven Reference Class Forecasting
Van data, context en reference-class evidence naar beter onderbouwde kapitaalbeslissingen.
Voorspellingen van kosten, waarde en risico vroeg in de besluitvorming, gekalibreerd op relevante referentieklassen en out-of-sample gevalideerd.
Onze modellen combineren referentieklasse bewijs, machine learning en explainable AI met project-, locatie- en macro-economische context om de belangrijkste drivers van risico en waarde inzichtelijk te maken, vooral waar schattingsfouten materiële gevolgen hebben.
Toepassingen: infrastructuur, gebiedsontwikkeling, energie- en vastgoedontwikkeling, publieke investeringen en macro-financiële risico’s.
Aantoonbaar betere voorspellingen in drie domeinen
Dijkversterkingen
50% lagere voorspelfout in vroege P50/P80 kostenramingen
Out-of-sample gevalideerd tegen initiële projectramingen
Grondprijzen
38% lagere schattingsfout voor neerwaarts risico
Rente
68% lagere schattingsfout voor neerwaarts risico
Vroege ramingen en risicobeoordelingen missen vaak context
Veel vroege ramingen en risicobeoordelingen leunen nog te zwaar op interne aannames, statische benchmarks of beperkte historische vergelijking. Dat maakt het moeilijker om neerwaarts risico helder in beeld te krijgen, vooral wanneer de projectcontext en macro-economische omstandigheden ertoe doen.
Onze aanpak
We versterken Reference Class Forecasting met Predictive Reference Class Retrieval (Predictive RCR), waarmee we dynamisch contextspecifieke referentieklassen samenstellen door de historische observaties te identificeren en te wegen die het meest informatief zijn voor de betreffende beslissing.
Hierdoor kan de relevante historische onderbouwing afhangen van de context — of het nu gaat om vergelijkbare infrastructuurprojecten, locaties of historische economische regimes. Met explainable AI maken we zichtbaar welke referentieobservaties, contextuele factoren en onderliggende drivers de voorspelling bepalen, terwijl grondige out-of-samplevalidatie toetst of deze relaties ook standhouden buiten de data waarop de modellen zijn ontwikkeld.
- Referentieklasse-bewijs
- Contextspecifieke referentieklassen
- AI/ML-ondersteunde voorspellingen
- Out-of-sample validatie
- Explainable AI en zichtbare drivers
- Risicobeoordelingen gebaseerd op geobserveerde uitkomsten en context
Van aannames naar onderbouwde risicobesluiten
Dit helpt organisaties verder te gaan dan subjectieve aannames en meer transparante, meer robuuste en beter onderbouwde risicobeoordelingen te produceren die de project- en macro-economische context weerspiegelen.
Transparenter
Zie welke vergelijkbare gevallen, macro-omstandigheden en drivers de risico-uitkomst bepalen.
Mogelijk gemaakt door explainable AI en referentieklasse-bewijs.
Robuuster
Baseer schattingen en risicobeoordelingen op kwantitatieve modellering en out-of-sample validatie.
Ontworpen om verder te gaan dan in-sample fit.
Beter onderbouwd
Ondersteun beslissingen met explainable outputs, gedocumenteerde aannames en waargenomen prestaties.
Ontworpen voor governance, toetsing en kritische beoordeling.
Waar deze aanpak waarde creëert
Kosten- en risicoschatting voor grote projecten
Verbeter schattingen en beslissingen over contingency voor projecten waarbij schattingsfouten kostbaar zijn.
Grondexploitatierisico
Beoordeel exploitatierisico in context, in plaats van uitsluitend op basis van statische aannames.
Rente en inflatierisico
Analyseer risico onder veranderende macro-economische omstandigheden over de tijd.
Contextgedreven forecasting voor publieke besluitvorming
Ondersteun publieke investerings- en beleidsbeslissingen met meer contextbewust risico-inzicht.
Gebouwd op transparantie, validatie en uitlegbaarheid
Wij publiceren modeldocumentatie en validatiemateriaal om aannames, beperkingen en waargenomen prestaties te verduidelijken.
Out-of-sample validatie
Explainable AI
Waargenomen prestaties
Transparante documentatie
Producten, tools en beslissingsondersteuning
Verken onze producten en diensten voor contextafhankelijke risicobeoordeling, inclusief AI/ML-gedreven Reference Class Forecasting, risicotools en beslissingsondersteuning gebaseerd op transparante validatie en waargenomen prestaties.
Ontdek of dit uw schattingen en risicobesluiten verbetert
Verken of AI/ML-gedreven Reference Class Forecasting uw beslissingen kan versterken waar onzekerheid, schattingsfouten en neerwaarts risico een rol spelen.
Waterschappen
Verbeter dijkkostenramingen
Zie hoe AI/ML-gedreven Reference Class Forecasting schattingsfouten vermindert bij grote waterinfrastructuur-projecten.
Infrastructuur projecten
Verbeter projectkostenramingen
Zie hoe AI/ML-gedreven Reference Class Forecasting schattingsfouten vermindert bij grote infrastructuurprojecten zoals wegen en openbare gebouwen.
Gemeenten & vastgoed ontwikkelaars
Betere beslissingen over risico’s bij gebiedsontwikkeling
Beoordeel ontwikkelrisico op basis van de werkelijke context, niet alleen van statische aannames.
Financiële instellingen
Versterk modellen voor renterisico
Analyseer risico bij veranderende macro-economische omstandigheden met contextafhankelijke modellen.
Use Cases in de praktijk
Ontdek waar AI/ML-gedreven Reference Class Forecasting in de praktijk waarde creëert, van kostenraming voor grote projecten tot grondexploitatie, renterisico en contextgedreven publieke besluitvorming.
Kostenraming voor dijkversterking
Lees hoe wij RCF-AI, oftewel AI-gebaseerde Reference Class Forecasting, toepassen op dijkversterkingsprojecten. Deze methode helpt om beter onderbouwde en contextafhankelijke kostenramingen te verkrijgen.
Grondexploitatierisico
Deze use case laat zien hoe een gemeente de risicometingen voor grondontwikkelings-projecten verbetert met contextafhankelijke risico-inschattingen.
Projectrisico
Zie hoe u verschillende aspecten van investerings- en exploitatierisico’s in publieke projecten kunt beoordelen.
Bijvoorbeeld bij een openluchtzwembad of een kunstmuseum.
Renterisico in een leningportefeuille
Lees hoe u met de ‘Value at Risk’-methode een risico-inschatting kunt verkrijgen voor een te herfinancieren leningportefeuille.
Inzichten
Reference Class Forecasting
Leer over voorspellen met behulp van referentieklassen en haar rol bij het voorspellen van verwachting en risico. Ontdek hoe het risicoinschattingen verbetert en het project succes vergroot.
Risicoaversie
Ontdek de psychologie van risico en verlies aversie in het besluitvormingsproces. Onderzoek hoe mensen onzekerheid en negatieve gevolg vermijden.
Betrouwbare AI: waarom voorspelkracht alleen niet genoeg is
Lees waarom betrouwbare AI essentieel is voor beslissingsondersteuning en hoe validatie, transparantie en reproduceerbaarheid daaraan bijdragen.
Renterisico
In dit artikel gaan we in op de belangrijkste factoren die een rol spelen wanneer we herfinancieringsrisico’s willen berekenen.
Modelvalidatie
In de volgende artikel serie analyseren we de prestatie van vier renterisico-modellen.
- Solvency II: definieert kapitaalvereisten voor de verzekeringssector in de EU
- Wtp: gerelateerd aan de nieuwe pensioenfonds regelgeving in Nederland
- BASE methode: statistisch model, context onafhankelijk
- REGIME-BASED methode: statistisch model, context afhankelijk
Tot slot, vergelijken we de modellen en selecteren het optimale risicomodel.
Grondprijsrisico in historische context
We analyseren residuele grondprijzen in Nederland en gebruiken een regime-gebaseerd model om het risico te voorspellen.
Ons team
Als u meer informatie wilt ontvangen of een (video) gesprek wilt aanvragen stuur ons dan eeninformatieverzoek.
Hoe wij werken en waar wij voor staan
onderzoek van aannames
zoek de belangrijkste risico-drivers
neem de context mee
iteratief en doelgericht
focus op details
toon eigenaarschap
integer en bescheiden
open communicatie
Laatste nieuws
Blijf op de hoogte van het laatste nieuws van Asset Mechanics. Lees onze artikelen en blijf geïnformeerd over actuele ontwikkelingen, evenementen en trends.