Waarom ROI van voorspellend onderhoud uitblijft en hoe u dat oplost
Voorspellend onderhoud (PdM) belooft vaak grote besparingen: 35-45% minder downtime en tot 30% lagere onderhoudskosten. In de praktijk haalt 60-80% van de PdM-programma’s de verwachtingen niet of wordt binnen twee jaar stopgezet. Dat ligt zelden aan één sensor of algoritme. De meest voorkomende oorzaken zijn:
- Verkeerde prioriteiten: organisaties focussen op tools, niet op businessdoelen zoals kostenreductie, capaciteitsherstel of risicobeperking.
- Slechte data-integratie: versnipperde systemen en lage datakwaliteit maken voorspellingen onbetrouwbaar.
- Zwakke faalmodellen: te eenvoudige of te snel uitgerolde modellen weerspiegelen niet hoe assets echt degraderen.
- Losgekoppelde financiële planning: onderhoud blijft een OPEX-post in plaats van onderdeel van asset-investeringsplanning (AIP), CAPEX en langetermijnwaarde.
Belangrijkste oplossingen:
- Risicogebaseerde planning: begin met assets met de hoogste financiële impact en definieer meetbare ROI-doelen.
- Centraal datamanagement: maak data schoon, uniform en bruikbaar voor voorspellingen.
- Geavanceerde faalmodellen: gebruik modellen zoals PredTech die werkelijke degradatiepatronen volgen.
- Geïntegreerde financiële strategie: koppel PdM-inzichten aan CAPEX- en OPEX-planning.
Als deze vier punten worden aangepakt, verandert PdM van een duur experiment in een betrouwbare strategie met aantoonbare ROI.
Verkeerd afgestemde investeringsprioriteiten blokkeren ROI
Langetermijndoelen negeren
Veel organisaties behandelen voorspellend onderhoud als een los IT-project. Het wordt niet verbonden met bredere doelen zoals margeverbetering, capaciteitsverhoging, veiligheid of duurzaamheid. Daardoor ziet leadership PdM als kostenpost in plaats van als strategische investering die omzet beschermt en risico’s verlaagt [2].
Wanneer PdM niet aansluit op directieprioriteiten, zoals 25-30% lagere operationele kosten, herwonnen productiecapaciteit of ESG-doelen, wordt vervolgfinanciering lastig. Programma’s lopen vast omdat de uitkomsten niet vanaf het begin aan meetbare businessdoelen zijn gekoppeld.
Tools boven uitkomsten plaatsen
Een tweede fout is starten met technologie: trillingssensoren, machine learning, edge computing. Zonder eerst te bepalen welke faalmodi de grootste financiële schade veroorzaken, worden middelen vaak ingezet op apparatuur die makkelijk te meten is, niet op assets die het meest waarde creëren. Ricky Smith, Vice President of World Class Maintenance, waarschuwt:
“Nieuwe technologieën invoeren zonder onderhoudsstrategieën te veranderen, levert niet de gewenste voordelen op.” [5]
Andy Page, Ph.D., Asset Management Leader, zegt hetzelfde vanuit assetmanagement:
“Te veel teams monitoren wat makkelijk is in plaats van wat werkelijk faalt.” [7]
Zonder focus op kritieke assets wordt budget verspreid over minder relevante apparatuur. Dat ondermijnt de ROI [4].
Oplossing: risicogebaseerde investeringsplanning
PdM moet starten bij faalmodi met de hoogste financiële impact. Voer eerst een kritikaliteitsanalyse uit om assets te vinden waarvan falen de grootste financiële, operationele of veiligheidsimpact heeft [6][7]. Kies daarna pas technologie.
Deze aanpak werkt. In 2024 voerde een zorgproducent met $12,7 miljard omzet een pilot van vier maanden uit over 70 locaties. Met 234 draadloze trillings- en temperatuursensoren werden vijf grote issues gedetecteerd, waaronder as-uitlijning en lagerdegradatie. Het programma voorkwam 30 uur ongeplande downtime, bespaarde $405.500 en haalde 60x ROI binnen 90 dagen. Dat was genoeg om wereldwijde uitrol naar 20.000 sensoren goed te keuren [2].
Risicogebaseerde planning vraagt ook vooraf meetbare financiële doelen. Bepaal hoe ROI wordt gevolgd: vermeden downtime, minder onderhoudsarbeid, langere assetlevensduur of uitgestelde CAPEX. Start met 3-5 kritieke assets in een bottleneckgebied, bewijs de waarde en schaal daarna gefaseerd op [2].
sbb-itb-5be7949
AI in productie: voorspellend onderhoud voor ROI en uptime
Slechte data-integratie verzwakt voorspellingen
Na alignment op risico volgt de tweede horde: data-integratie. Zelfs goede tools falen wanneer de data eronder niet klopt.
Problemen met datasilo’s en inconsistenties
Als assetinformatie verspreid staat over sensoren, onderhoudslogs, financiële systemen en spreadsheets, worden nauwkeurige voorspellingen moeilijk. Dan ontstaat het bekende “garbage in, garbage out”-probleem:
“Als uw fundamentele CMMS-data rommel is, zullen die geavanceerde systemen storingen simpelweg onnauwkeurig voorspellen.” - hoofd betrouwbaarheidstechniek, Fortune 500-producent [9]
Slechte data raakt 60-75% van PdM-implementaties; integratiecomplexiteit raakt 70-85% [8]. Gevolgen zijn valse alarmen, gemiste storingen en dure dataverzameling zonder bruikbare inzichten.
Een automotive stamping facility in het Midwesten installeerde in Q1 2025 tweehonderd trillingssensoren maar kreeg toch $2,4 miljoen aan ongeplande storingen. Bijna 40% van de sensoren viel uit door interferentie, en de rest van de data bleef in een los dashboard buiten het CMMS-werkordersysteem. Zonder integratie leidde de data niet tot actie [10].
Ook naamgevingsverschillen werken door. “Motor-10HP” en “10 HP MTR” kunnen hetzelfde asset zijn, maar veroorzaken dubbele onderdelenorders en vervuilde analyses. In sommige organisaties wordt 22% van werkorders aan generieke “ghost assets” gekoppeld [9]. Zonder gestandaardiseerde faalcodes voor probleem, oorzaak en oplossing is root-causeanalyse bijna onmogelijk.
Waarom schone, centrale data telt
Voorspellende modellen hebben gestandaardiseerde data nodig. Met goede datagovernance halen locaties meer dan 90% rapportagenauwkeurigheid en dashboards die executives vertrouwen. Slechte data dwingt teams dagen te besteden aan Excel-opschoning voor simpele rapporten [9].
Centrale data maakt voorspellingen herleidbaar naar werkorders, assets en financiële risico’s. Het doorbreken van silo’s tussen sensordata, onderhoudslogs en financiële records kan handmatige datacleaning met 40% verminderen [9]. Dat is belangrijk, want ongeveer 75% van CMMS-implementaties faalt door slechte data-adoptie [9], en 56% van organisaties kan IoT-onderhoudsbesparingen niet nauwkeurig kwantificeren [1].
Oplossing: Simeo Inventory gebruiken voor datamanagement
Oxand Simeo Inventory pakt het probleem bij de basis aan: een schoon, gestructureerd assetregister dat betrouwbare data naar voorspellende modellen voedt. In plaats van duizenden nieuwe sensoren te plaatsen, consolideert het bestaande data zoals inspecties, onderhoudslogs en surveys in één systeem voor langetermijnplanning.
Het departement Meuse had in 2026 gefragmenteerde assetdata en moest een helder masterplan presenteren aan gekozen bestuurders. De CEO zei:
“We hadden een tool nodig waarmee we onze gefragmenteerde data konden consolideren en op een manier konden projecteren die duidelijk aan onze gekozen bestuurders kon worden gepresenteerd.” - algemeen directeur, departement Meuse [11]
Met Simeo Inventory kon de organisatie onderhoudsbehoeften voorspellen en investeringsbesluiten nemen zonder direct een kostbaar sensornetwerk te installeren. Simeo Inventory gebruikt 10.000 degradatiemodellen en 30.000 onderhoudsacties om assetprestaties te voorspellen op basis van bestaande data [11]. Deze modelgedreven PredTech-aanpak maakt PdM praktisch en rendabel wanneer sensordekking beperkt is.
Zwakke faalmodellen leveren onnauwkeurige prognoses op
Goede data is niet genoeg. Faalmodellen moeten ook weerspiegelen hoe assets zich in echte omstandigheden gedragen.
Veelgemaakte fouten in faalmodellering
Een klassieke fout is aannemen dat storingen voorspelbaar met leeftijd samenhangen. Traditionele schema’s zijn vaak op tijd gebaseerd, maar studies tonen dat 82% van industriële assets willekeurig faalt, zonder directe relatie met leeftijd [3]. Dat leidt tot onnodig onderhoud en verspilling van middelen [14].
Een tweede fout is modellen te vroeg uitrollen. Voor 85-95% voorspellingsnauwkeurigheid hebben de meeste modellen 3-6 maanden baseline nodig. Toch rolt 60-70% van faciliteiten systemen binnen 30-60 dagen uit [13]. Dat kan vertrouwen schaden vóór de technologie waarde bewijst.
Datagaten verzwakken de modellen verder. Als data alleen sporadisch of na falen wordt verzameld, leert het systeem de overgang van gezond naar falend gedrag niet [12]. Ook black-box-algoritmen creëren wantrouwen: teams negeren alerts wanneer ze niet begrijpen waarom die ontstaan. Adoptie kan dan zakken naar 20-35%, tegenover 75-90% bij uitlegbare systemen [8].
Hoe slechte voorspellingen risico verhogen
Valse alarmen en gemiste voorspellingen leiden tot noodreparaties. Die zijn 3 tot 5 keer duurder dan gepland onderhoud, terwijl ongeplande downtime gemiddeld $260.000 per uur kost [15][16].
Als voorspellingen onbetrouwbaar zijn, keren teams terug naar reactief onderhoud. De financiële schade is groot: 60-70% van PdM-projecten haalt de verwachte ROI niet binnen de eerste 18 maanden [13]. Daardoor blijven kansen liggen om assetlevensduur met 20-40% te verlengen [15].
Oplossing: PredTech en geavanceerde verouderingsmodellen
PredTech-modellen richten zich op werkelijke degradatiepatronen. De methodologie van Oxand gebruikt 10.000 degradatiemodellen om assetprestaties te voorspellen op basis van slijtage in de echte wereld, niet op basis van generieke leeftijdsaannames [11].
PredTech koppelt specifieke faalmodi uit FMEA aan passende modelleringstechnieken. Wanneer sensor en model op de juiste faalmodus zijn afgestemd, kan de voorspellingsnauwkeurigheid 91% bereiken, tegenover minder dan 35% bij generieke setups [10]. Door meerdere parameters te combineren, zoals trilling, temperatuur, stroom en procesdata, worden faalmodi zichtbaar die éénparameter-modellen missen [17].
In plaats van vage alerts levert het systeem concrete Remaining Useful Life-inschattingen, bijvoorbeeld “18-25 dagen tot falen” [17]. Daarmee kunnen teams werk, onderdelen en budget plannen voordat de storing optreedt.
Losgekoppelde CAPEX/OPEX-planning
Traditioneel versus risicogebaseerd voorspellend onderhoud: kosten- en ROI-vergelijking
Zelfs met goede modellen missen organisaties ROI wanneer onderhoud alleen als operationele kostenpost wordt behandeld. De verbinding tussen dagelijkse onderhoudsbesluiten en langetermijninvesteringen is dan te zwak.
Kortetermijndenken versus langetermijnplanning
Onderhoudsbudgetten vallen vaak onder OPEX, terwijl CAPEX voor vervanging apart wordt gepland. Die silo’s veroorzaken reactieve keuzes. Een reparatie die gepland $6.500 kost, kan als noodinterventie $261.000 kosten: tot 40 keer meer [19].
Ongeplande downtime kost industriële producenten naar schatting $50 miljard per jaar [19]. Tegelijk kan 56% van bedrijven IoT-onderhoudsbesparingen niet betrouwbaar kwantificeren [1]. Hoewel 74% van producenten PdM heeft gepilot, schaalt slechts 26% verder dan één lijn of locatie [2].
“Voorspellend onderhoud is geen technologiebesluit. Het is een besluit over kapitaalallocatie met een kwantificeerbaar rendement. Bouw eerst het financiële model.”
Traditionele PdM versus risicogebaseerde aanpak
Traditionele PdM probeert de volgende storing te voorkomen. Risicogebaseerde planning optimaliseert de hele assetlevenscyclus en verbindt onderhoud met financiële uitkomsten.
| Aspect | Traditioneel onderhoud | Risicogebaseerde PdM |
|---|---|---|
| Methode | Run-to-failure of vaste intervallen [12] | Conditiegebaseerde monitoring met risicoprioritering [6] |
| Kostenstructuur | Hoge noodpremies, 4-5× duurder [19] | Lagere geplande reparatiekosten en geoptimaliseerde voorraad [19] |
| Data-afhankelijkheid | Leunt op historische logs [18] | Gebruikt realtime IoT-data geïntegreerd met CMMS/ERP [6] |
| ROI-tijdlijn | Negatief, als kostenpost | Terugverdientijd vaak binnen 6-12 maanden [19] |
| Planningshorizon | Kortetermijnbudgetten, instabiel [11] | Meerjarige CAPEX/OPEX-planning [11] |
| Duurzaamheid | Meer energieverlies door falende assets [6] | Betere energie-efficiëntie [12][6] |
Gepland onderhoud is 4 tot 5 keer goedkoper dan noodwerk [19]. 95% van organisaties met voorspellend onderhoud rapporteert positieve returns; 27% haalt volledige terugverdientijd binnen 12 maanden [19]. Organisaties die ROI-tracking integreren in PdM zien gemiddeld 8-12× rendement [1].
Oplossing: PdM verbinden met investeringsplanning via Oxand Simeo™
Oxand Simeo™ overbrugt de kloof tussen voorspellende onderhoudsinzichten en financiële planning. Het platform koppelt assetgezondheid aan CAPEX- en OPEX-besluiten over horizons van 5 tot 30 jaar. Zo blijft onderhoud geen losse kostenpost, maar wordt het input voor assetstrategie.
Simeo™ simuleert assetprestaties door de tijd en laat organisaties budgetscenario’s verkennen voordat ze middelen vastleggen. De risicogebaseerde aanpak prioriteert investeringen op kritikaliteit, lifecycle costs, compliance en milieu-impact.
Belangrijk is het onderscheid tussen vermeden kosten en gerealiseerde cashbesparingen. Vermeden productieverlies staat niet altijd als regel op de winst-en-verliesrekening; lagere arbeids- of onderdelenkosten vaak wel.
“Vermeden kosten… verschijnen niet als aparte post op de winst-en-verliesrekening. Het zijn contrafeitelijke besparingen… Gerealiseerde cashbesparingen verschijnen wel in financiële overzichten.”
- Laura Zindel, directeur assurance, Wiss [19]
Simeo™ maakt die financiële transparantie mogelijk en modelleert energieprestatie en CO₂-reductie naast onderhoudsstrategieën. Zo kunnen organisaties gerichte onderhoudskosten met 10-25% verlagen en tegelijk hun CO₂-voetafdruk verminderen.
Oxand Simeo™: meetbare ROI uit voorspellend onderhoud
Functies die resultaat sturen
Oxand Simeo™ gebruikt een eigen database met 10.000 degradatiemodellen en 30.000 onderhoudsacties om assetdegradatie te voorspellen en interventies te optimaliseren [11]. Daardoor hoeft waardecreatie niet altijd te beginnen met dure IoT-hardware van $200-$500 per meetpunt.
De scenariomodule laat organisaties verschillende onderhoudsstrategieën testen onder beperkingen zoals budget, serviceniveau en decarbonisatiedoelen. Simeo™ identificeert risico’s en berekent ROI-metrics voordat resources worden vastgelegd.
Voorbeelden van succesvolle implementatie
Het Franse ministerie van Defensie gebruikte Simeo™ voor een portefeuille van 80.000 structuren, 25 miljoen square feet en ongeveer $16 miljard waarde. Met Simeo™ ontwikkelde het ministerie een 10-jarige investeringsstrategie om onderhoudsachterstand te verminderen en assetmanagement te sturen op objectieve conditiedata [20].
Ook In’li maakte de overgang van reactieve reparaties naar voorspellende planning. De Head of Budget and Asset Valuation Department zei:
“We kozen voor Oxand omdat we een tool nodig hadden die ons een voorspellend - niet alleen corrigerend - beeld zou geven en ons zou helpen onze investeringen effectiever te beheren. Oxand viel op door zijn mogelijkheden voor risicomanagement” [11].
Organisaties die Simeo™ gebruiken, zien vaak meetbare ROI binnen 6 tot 12 maanden en verdienen de investering terug in de eerste budgetcyclus. Onderhoudskosten dalen met 10-25%, terwijl energieprestaties verbeteren [11].
Langetermijnwaarde opbouwen
Simeo™ integreert PdM-inzichten in CAPEX- en OPEX-planning over 5 tot 30 jaar. Door het optimale moment voor onderhoud en vervanging te bepalen, verlaagt het platform nooduitgaven en prioriteert het geplande interventies met de beste verhouding tussen kosten, risico en duurzaamheid.
De duurzaamheidsmodules verbinden onderhoud met energie-efficiëntie en decarbonisatie. Daardoor wordt onderhoud een strategisch instrument voor financiële én milieu-impact.
Conclusie: PdM-uitdagingen omzetten in resultaat
Voorspellend onderhoud loopt vast wanneer het als technologieproject wordt benaderd in plaats van als investeringsbesluit. Meetbare returns vragen om alignment met businessdoelen, schone data, realistische modellen en koppeling met CAPEX/OPEX.
De potentie is groot: 95% van organisaties rapporteert positieve returns op voorspellend onderhoud en geplande reparaties zijn 4 tot 5 keer goedkoper dan noodinterventies. Toch haalt 72% van IoT-pilots geen ROI in het eerste jaar, vaak doordat dashboards niet worden vertaald naar actie en financiële besluitvorming [1][19][10].
“Voorspellend onderhoud is geen technologiebesluit. Het is een besluit over kapitaalallocatie met een kwantificeerbaar rendement. Bouw eerst het financiële model.”
- Laura Zindel, directeur assurance, Wiss [19]
Succesvolle organisaties nemen een risicogebaseerde investeringsaanpak. Zij integreren voorspellende inzichten direct in CAPEX- en OPEX-planning, verlagen totale eigendomskosten met 10-25%, verlengen assetlevensduur en ondersteunen milieudoelen [11]. De vraag is dus niet of PdM kan werken, maar of uw organisatie data, modellen en planning verbindt tot schaalbare, auditbare financiële uitkomsten.
Veelgestelde vragen
Met welke assets moeten we starten om snel ROI te halen?
Start met assets met hoge faalkosten, kritieke functies of intensief gebruik. Denk aan bottleneckmachines, installaties die servicecontinuïteit bepalen of assets met veel terugkerende storingen. Daar is het effect van een voorkomen storing het grootst en wordt ROI sneller zichtbaar.
Welke data moet geïntegreerd zijn voordat PdM werkt?
Minimaal hebt u faalhistorie, sensor- of conditiedata en gegevens uit systemen zoals SCADA, PLC’s, CMMS en ERP nodig. De waarde ontstaat wanneer die bronnen gekoppeld zijn aan één assetregister, zodat alerts kunnen worden teruggeleid naar werkorders, kosten, faalmodi en financiële impact.
Hoe bewijzen we PdM-ROI in geld aan finance?
Gebruik een gestructureerd financieel model. Kwantificeer besparingen uit minder ongeplande downtime, lagere onderhoudskosten en langere assetlevensduur. Onderbouw die met dashboards en realtime financiële tracking. Maak onderscheid tussen vermeden kosten en cashbesparingen, en toets de uitkomst periodiek aan de financiële doelen.