voorspellen van projectduur en -kost aan de hand van
TRANSCRIPT
Voorspellen van projectduur en -kost
aan de hand van referentieklassen
Masterproef voorgedragen tot het bekomen van de graad van
Master of Science in de Toegepaste Economische Wetenschappen :
Handelsingenieur - Operationeel Management
door
William Casaert en Jef Descheemaecker
onder leiding van
Prof. dr. Mario Vanhoucke - Promotor
dhr. Jordy Batselier - Begeleider
Vakgroep Beleidsinformatica en Operationeel Beheer
Faculteit Economie en Bedrijfskunde, Universiteit Gent
Tweekerkenstraat 2, B-9000 Gent
Voorspellen van projectduur en -kost
aan de hand van referentieklassen
Masterproef voorgedragen tot het bekomen van de graad van
Master of Science in de Toegepaste Economische Wetenschappen :
Handelsingenieur - Operationeel Management
door
William Casaert en Jef Descheemaecker
onder leiding van
Prof. dr. Mario Vanhoucke - Promotor
dhr. Jordy Batselier - Begeleider
Vakgroep Beleidsinformatica en Operationeel Beheer
Faculteit Economie en Bedrijfskunde, Universiteit Gent
Tweekerkenstraat 2, B-9000 Gent
‘The goal of forecasting is not to predict the future, but to tell you what you need to
know to take meaningful action in the present.”
– Paul Saffo, Six Rules for Effective Forecasting (2007)
iii
Auteursrecht
”De auteurs geven de toestemming deze scriptie voor consultatie beschikbaar te stellen en delen
ervan te kopieren voor persoonlijk gebruik. Elk ander gebruik valt onder de beperkingen van
het auteursrecht, in het bijzonder met betrekking tot de verplichting de bron te vermelden bij
het aanhalen van resultaten uit deze scriptie.”
”The authors give the permission to use this thesis for consultation and to copy parts of it for
personal use. Every other use is subject to the copyright laws, more specifically the source must
be extensively specified when using results from this thesis.”
William Casaert
Handtekening :
Datum :
Jef Descheemaecker
Handtekening :
Datum :
v
Samenvatting
Een van de belangrijkste oorzaken van risico in projectmanagement is afkomstig van de inaccu-
rate voorspelling van projectduur en -kost. Het accuraat voorspellen hiervan vormt dan ook een
van de belangrijkste taken van de projectmanager.
Reference class forecasting of het voorspellen aan de hand van referentieklassen is een veelbelo-
vende nieuwe voorspellingsmethode die ontwikkeld werd met als doel het beperken van deze
onzekerheden, waarbij men projecten gaat voorspellen door te kijken naar gelijkaardige projecten
uit het verleden. De methode belooft meer accurate voorspellingen door het hanteren van de
zogenaamde outside view, terwijl conventionele methoden een inside view hanteren (Flyvbjerg,
2006). Voor de eenvoud zullen we in het vervolg de term reference class forecasting of de afkorting
RCF gebruiken.
Bij een outside view worden de voorspellingen gemaakt door te kijken naar gelijkaardige projecten
die reeds in het verleden werden uitgevoerd. Aan de hand van de uitkomsten van die historische
projecten kan een waarschijnlijkheidsverdeling worden opgesteld die vervolgens kan worden
gebruikt voor het maken van voorspellingen voor nieuwe projecten.
In ons onderzoek zullen we de voorspellingsmethode gebaseerd op referentieklassen testen in de
praktijk. Hiervoor zullen we reference class forecasting toepassen op een aantal (gelijkaardige)
reele projecten en vergelijken met conventionele methodologieen.
In zijn paper ”From Nobel Prize to Project Management : Getting Risks Right”beschrijft B.
Flyvbjerg (2006) hoe de methode wordt toegepast op een uitbreidingsproject van Edinburgh
Trams in het Verenigd Koninkrijk. Het is nu aan ons om deze methode net zoals B. Flyvbjerg
te gaan toepassen op een door ons aangelegde database van reele projecten en daarnaast een
aanvulling te bieden op de tekortkomingen die in zijn werk werden vastgesteld.
vii
Voorwoord
Deze masterproef vormt het sluitstuk van onze opleiding Handelsingenieur aan de Universiteit
van Gent. Het was een eer om te studeren aan een universiteit die zorgt voor een goede
academische ontwikkeling. We kunnen terugblikken op een intense, maar zeer leerrijke periode.
Wij zouden graag iedereen willen bedanken voor de hulp en steun die we kregen tijdens de finale
van onze opleiding: onze thesis.
In de eerste plaats zouden we graag een dankwoord richten aan Prof. dr. Mario Vanhoucke
voor het aanreiken van dit onderwerp. Zijn enthousiasme en inspirerende manier van lesgeven
zorgden er mede voor dat we een onderzoek kozen binnen zijn vakgroep. Ten tweede willen we
graag onze begeleider, dhr. Jordy Batselier bedanken voor de nodige feedback, suggesties en
opmerkingen. Zijn tips en advies hielden ons op het juiste pad.
Verder zouden we graag alle bedrijven willen bedanken voor de projectdata die we van hen
in vertrouwen kregen. Enkel dankzij hun bereidwillige medewerking waren wij in staat ons
onderzoek te voeren. We bedanken ook allen die dit werkstuk hebben nagelezen en de nodige
suggesties en correcties hebben aangebracht.
Daarnaast zouden wij graag onze ouders bedanken voor de mogelijkheden die ze ons gaven om
deze studies te kunnen volgen. In het bijzonder bedanken we hen voor de steun en het nodige
doorzettingsvermogen die ze ons doorheen onze opleiding gaven.
Tot slot nog een woord van dank aan onze vrienden en vriendinnen die ons een fantastische
studententijd bezorgden.
Met trots leggen we u dit werkstuk voor.
William & Jef
ix
Inhoudsopgave
Auteursrecht v
Samenvatting vii
Voorwoord ix
Lijst van figuren xvii
Lijst van tabellen xxi
I Inleiding 1
1 Algemene inleiding 3
1.1 Onderwerp & doel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Omvang & beperkingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Structuur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Earned Value Management 9
2.1 Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Basisparameters van EVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Prestatiemaatstaven van EVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Cost Variance (CV) en Cost Performance Index (CPI) . . . . . . . . . . . 11
2.3.2 Schedule Variance (SV) en Schedule Performance Index (SPI) . . . . . . . 11
2.4 Tekortkomingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Earned Schedule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Voorspellingen aan de hand van EVM . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6.1 Estimated duration at Completion (EAC(t)) . . . . . . . . . . . . . . . . 14
2.6.2 Estimated cost at Completion (EAC) . . . . . . . . . . . . . . . . . . . . 15
3 Warburton’s model: tijdsafhankelijke EVM 19
3.1 Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Oorsprong en doel van Warburton’s model . . . . . . . . . . . . . . . . . . . . . . 20
3.2.1 Oorsprong van het idee voor de ontwikkeling van het model . . . . . . . . 20
xi
3.2.2 Doel van Warburton’s model . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Parameters en opbouw van Warburton’s model . . . . . . . . . . . . . . . . . . . 21
3.3.1 Sleutelcomponenten van Warburton’s model . . . . . . . . . . . . . . . . . 21
3.3.2 Opbouw van Warburton’s model . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Voorspellingen aan de hand van Warburton’s model . . . . . . . . . . . . . . . . 27
3.4.1 Voorspellen van de finale projectkost . . . . . . . . . . . . . . . . . . . . . 27
3.4.2 Voorspellen van de finale projectduur . . . . . . . . . . . . . . . . . . . . 27
3.5 Verschillen met traditionele EVM . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.5.1 Functionele tijdsafhankelijkheid . . . . . . . . . . . . . . . . . . . . . . . . 27
3.5.2 Vroege projectdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6 Tekortkomingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.1 Acceleratiefasen tijdens het project . . . . . . . . . . . . . . . . . . . . . . 28
3.6.2 Kritieke pad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.6.3 Voorspellen van de finale projectduur . . . . . . . . . . . . . . . . . . . . 29
3.6.4 Cumulatieve waarden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4 Monte-Carlo simulaties 31
4.1 Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 Puntschatting versus intervalschatting . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3 Driehoekige risicodistributies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Voorspellingen aan de hand van Monte-Carlo simulaties . . . . . . . . . . . . . . 34
II Reference Class Forecasting 37
5 Introductie 39
5.1 Verklaringen voor inaccurate voorspellingen . . . . . . . . . . . . . . . . . . . . . 40
5.1.1 Verklaringen voor onnauwkeurige voorspellingen met betrekking tot de
finale projectkost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.1.2 Verklaringen voor onnauwkeurige voorspellingen met betrekking tot de
finale projectduur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2 Inside versus outside view . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.2.1 Inside view . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.2.2 Outside view . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6 Overzicht van de reference class forecasting methode 49
6.1 Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.2 Reference class forecasting methodes doorheen de tijd . . . . . . . . . . . . . . . 51
6.2.1 De methode van Mott MacDonald (2002) . . . . . . . . . . . . . . . . . . 51
6.2.2 De methode van Flyvbjerg (2006) . . . . . . . . . . . . . . . . . . . . . . 51
6.2.3 De methode van Salling (2009) . . . . . . . . . . . . . . . . . . . . . . . . 52
6.2.4 Conclusie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
xii
6.3 Beperkingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
7 Methodologie 55
7.1 Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
7.2 Stapsgewijze procedure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
7.3 Optimism bias uplifts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.4 Aanvaardbaar risico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
8 RCF in de praktijk 61
III Specifieke uitdagingen 69
9 Tekortkomingen vroeger onderzoek 71
10 Onderzoeksvragen 73
10.1 Algemene toepasbaarheid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.2 Keuze referentieklassen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.3 Prestaties van de RCF methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10.4 Vergelijking met traditionele voorspellingsmethoden . . . . . . . . . . . . . . . . 74
IV Onderzoeksmethodiek 77
11 Fase 1: Voorbereiding 81
11.1 Noodzakelijke gegevens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
11.1.1 Baseline schedule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
11.1.2 Risicoanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
11.1.3 Projectcontrole . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
11.2 Aanpak rondvraag bedrijven . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
11.3 ProTrack . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
11.4 Aanleggen database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
12 Fase 2: Voorspellingen 87
12.1 Baseline schedule schatting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
12.2 Monte-Carlo simulaties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
12.2.1 Voorspelling finale projectduur . . . . . . . . . . . . . . . . . . . . . . . . 88
12.2.2 Voorspelling finale projectkost . . . . . . . . . . . . . . . . . . . . . . . . 88
12.3 Earned value management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
12.3.1 Voorspelling finale projectduur . . . . . . . . . . . . . . . . . . . . . . . . 89
12.3.2 Voorspelling finale projectkost . . . . . . . . . . . . . . . . . . . . . . . . 90
12.4 Methode van Warburton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
12.4.1 Parameters van het model . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
12.4.2 Voorspelling finale projectkost . . . . . . . . . . . . . . . . . . . . . . . . 92
xiii
12.4.3 Voorspelling finale projectduur . . . . . . . . . . . . . . . . . . . . . . . . 92
12.5 Reference class forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
12.5.1 Keuze referentieklassen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
12.5.2 Voorspellingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
13 Fase 3: Evaluatie 95
13.1 Kwantitatieve analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
13.1.1 Nauwkeurigheid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
13.1.2 Stabiliteit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
13.1.3 Timeliness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
13.2 Kwalitatieve analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
14 Voorbeeldproject 99
14.1 Beschrijving van het project . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
14.2 Fase 2: Voorspellingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
14.2.1 Baseline schedule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
14.2.2 Monte-Carlo simulaties . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
14.2.3 EVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
14.2.4 Warburton’s model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
14.2.5 RCF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.3 Fase 3: Evaluatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
14.3.1 Kwantitatieve evaluatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
V Overzicht projecten 115
15 Projecten uit eigen rondvraag 119
15.1 Bedrijf X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
15.2 Bedrijf Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
15.3 Bedrijf Z: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . . . . 120
16 Projecten uit de OR-AS database 121
16.1 Appartementen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
16.2 Kantoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
16.3 IT projecten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
16.4 Woningbouw . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
16.5 Industrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
VI Resultaten 125
17 Kwantitatieve evaluatie 129
17.1 Nauwkeurigheid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
17.1.1 Bedrijf X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
xiv
17.1.2 Bedrijf Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
17.1.3 Bedrijf Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
17.1.4 Appartementen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
17.1.5 Kantoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
17.1.6 IT projecten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
17.1.7 Woningbouw . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
17.1.8 Industrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
17.2 Stabiliteit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
17.3 Timeliness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
18 Kwalitatieve evaluatie 163
18.1 Baseline schedule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
18.2 Monte-Carlo simulaties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
18.3 Warburton’s model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
18.4 Earned value management . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
18.5 Reference class forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
VII Finale reflecties 167
19 Conclusies 169
19.1 Conclusie prestaties en toegevoegde waarde RCF . . . . . . . . . . . . . . . . . . 170
19.2 Conclusies traditionele voorspellingsmethodes . . . . . . . . . . . . . . . . . . . . 171
19.3 Beperkingen en toekomstig onderzoek . . . . . . . . . . . . . . . . . . . . . . . . 172
Bibliografie 173
A Onderzoeksmethode volgens B. Flyvbjerg 177
A.1 Introductie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
A.2 Stapsgewijze procedure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
A.2.1 Fase 1: Verzameling historische projecten . . . . . . . . . . . . . . . . . . 177
A.3 Fase 2: Reference class forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . 178
A.3.1 Stap 1: Identificatie van een relevante referentieklasse van projecten uit
het verleden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
A.3.2 Stap 2: Oprichting van een kansverdeling voor deze referentieklasse . . . . 178
A.3.3 Stap 3: Het vinden van de optimism bias uplifts . . . . . . . . . . . . . . 183
A.4 Conclusie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
B Resultaten bijlage A 185
C Resultaten nauwkeurigheid 193
D Resultaten timeliness 215
xv
Lijst van figuren
1.1 Overzicht structuur thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1 EVM: basisparameters, prestatiemaatstaven en voorspellingsindicatoren (Vanhou-
cke, 2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 EVM: basisparameters voor vroeg- en laattijdig afgewerkte projecten met kosten
onder- en overschrijding, waarbij het aantal weken wordt weergegeven op de x-as
en het budget op de y-as (Vanhoucke, 2011). . . . . . . . . . . . . . . . . . . . . 12
2.3 De Earned Schedule op tijdstip W7 (Vanhoucke, 2011). . . . . . . . . . . . . . . 13
3.1 Ogenblikkelijke Planned Value, Earned Value en Actual Cost voor de PNR labor
profile (Warburton, 2010) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Cumulatieve Planned Value, Earned Value en Actual Cost voor de PNR labor
profile (Warburton, 2010) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1 Een vaste en variabele projectduurtijd als gevolg van het gebruik van enerzijds
puntschattingen en anderzijds intervalschattingen voor de duurtijd (Vanhoucke,
2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Een vaste en variabele projectduurtijd als gevolg van het gebruik van enerzijds
puntschattingen en anderzijds intervalschattingen voor de duurtijd (Vanhoucke,
2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 De Monte-Carlo simulatie-aanpak in projectplanning (Vanhoucke, 2011). . . . . . 36
5.1 Verklarende kracht van strategic misrepresentation en optimism bias ten opzichte
van politieke en organisatorische druk (Flyvbjerg, 2006). . . . . . . . . . . . . . . 44
5.2 Oorzaak-gevolg relaties van vertraging in de bouw (Shi, Cheung & Arditi, 2001) 45
5.3 Inside view versus outside view gebaseerd op een technical report van B. Flyvbjerg,
Glenting & Ronnest (2004) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.1 Statistische weergave van de RCF methode (Flyvbjerg, 2011). . . . . . . . . . . . 50
6.2 Overzicht concept van de methode volgens Mott MacDonald . . . . . . . . . . . . 51
6.3 Overzicht concept van de methode volgens B. Flyvbjerg . . . . . . . . . . . . . . 51
6.4 Overzicht concept van de methode volgens Salling . . . . . . . . . . . . . . . . . 52
xvii
7.1 Noodzakelijke uplift die vereist is om ervoor te zorgen dat de kans op een kosten-
overschrijding lager is dan X% (Flyvbjerg, Glenting & Ronnest, 2004). . . . . . . 58
8.1 Kostoverschrijding van wegenprojecten in het VK (N=128) en een benchmark
(N=44) (Flyvbjerg, Glenting & Ronnest, 2004) . . . . . . . . . . . . . . . . . . . 63
8.2 Kostoverschrijding van vaste verbindingsprojecten in het VK (N=4) en een
benchmark (N=30) (Flyvbjerg, Glenting & Ronnest, 2004). . . . . . . . . . . . . 64
8.3 Kansverdeling van de kostoverschrijding voor wegen, N = 1772 (Flyvbjerg, 2006). 65
8.4 Kansverdeling van de kostoverschrijding voor vaste verbindingen, N = 34 (Flyvb-
jerg, 2006) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8.5 Vereiste uplift in functie van het maximaal aanvaardbare risico op kostenover-
schrijding voor wegen (Flyvbjerg, 2006) . . . . . . . . . . . . . . . . . . . . . . . 66
8.6 Vereiste uplift in functie van het maximaal aanvaardbare risico op kostenover-
schrijding voor vaste verbindingen (Flyvbjerg, 2006). . . . . . . . . . . . . . . . . 66
10.1 Overzicht onderzoeksmethodiek . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
14.1 Gantt chart van het voorbeeldproject . . . . . . . . . . . . . . . . . . . . . . . . . 101
14.2 MC simulatie voor de finale projectkost . . . . . . . . . . . . . . . . . . . . . . . 102
14.3 MC simulatie voor de finale projectduur . . . . . . . . . . . . . . . . . . . . . . . 102
14.4 Overzicht kostvoorspellingen op verschillende de TP’s. . . . . . . . . . . . . . . . 111
14.5 Overzicht duurtijdvoorspellingen op verschillende de TP’s. . . . . . . . . . . . . . 112
17.1 Bedrijf X: Staafdiagram van de gemiddelde MAPE’s van de finale projectduur-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
17.2 Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]132
17.3 Bedrijf X: Staafdiagram van de gemiddelde MAPE’s van de finale projectkost-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
17.4 Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]134
17.5 Bedrijf Y: Staafdiagram van de gemiddelde MAPE’s van de finale projectkost-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
17.6 Bedrijf Y: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]136
17.7 Bedrijf Z: Staafdiagram van de gemiddelde MAPE’s van de finale projectduur-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
17.8 Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]138
17.9 Bedrijf Z: Staafdiagram van de gemiddelde MAPE’s van de finale projectkost-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
17.10Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]140
17.11Appartementen: Staafdiagram van de gemiddelde MAPE’s van de finale project-
duurvoorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
17.12Appartementen: Overzicht gemiddelde MPE’s van de finale projectduurvoorspel-
lingen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
xviii
17.13Appartementen: Staafdiagram van de gemiddelde MAPE’s van de finale project-
kostvoorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
17.14Appartementen: Overzicht gemiddelde MPE’s van de finale projectkostvoorspel-
lingen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
17.15Kantoren: Staafdiagram van de gemiddelde MAPE’s van de finale projectduur-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
17.16Kantoren: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]146
17.17Kantoren: Staafdiagram van de gemiddelde MAPE’s van de finale projectkost-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
17.18Kantoren: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]148
17.19IT projecten: Staafdiagram van de gemiddelde MAPE’s van de finale project-
duurvoorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
17.20IT projecten: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellin-
gen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
17.21IT projecten: Staafdiagram van de gemiddelde MAPE’s van de finale projectkost-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
17.22IT projecten: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen
[%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
17.23Woningbouw: Staafdiagram van de gemiddelde MAPE’s van de finale project-
duurvoorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
17.24Woningbouw: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellin-
gen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
17.25Woningbouw: Staafdiagram van de gemiddelde MAPE’s van de finale project-
kostvoorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
17.26Woningbouw: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellin-
gen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
17.27Industrie: Staafdiagram van de gemiddelde MAPE’s van de finale projectduur-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
17.28Industrie: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]157
17.29Industrie: Staafdiagram van de gemiddelde MAPE’s van de finale projectkost-
voorspellingen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
17.30Industrie: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]159
17.31EVM (EAC(t)1): nauwkeurigheid van de finale kostvoorspellingen in de verschil-
lende projectfasen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
A.1 Histogram van de kostoverschrijdingen . . . . . . . . . . . . . . . . . . . . . . . . 180
A.2 Output distribution fitting in Matlab. . . . . . . . . . . . . . . . . . . . . . . . . 181
A.3 Kansverdeling van de kostoverschrijding voor de referentieklasse. (Rode curve op
basis van de gefitte distributie; Grijze curve op basis van data referentieprojecten.)183
xix
A.4 Vereiste Uplifts als functie van de aanvaardbare kans op kostoverschrijding. (Rode
curve op basis van de gefitte distributie; Grijze curve op basis van data referentie-
projecten.) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
D.1 EVM (EAC(t)1): nauwkeurigheid van de finale duurtijdvoorspellingen in de
verschillende projectfasen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
D.2 EVM (EAC(t)2): nauwkeurigheid van de finale duurtijdvoorspellingen in de
verschillende projectfasen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
D.3 EVM (EAC1): nauwkeurigheid van de finale kostvoorspellingen in de verschillende
projectfasen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
D.4 EVM (EAC2): nauwkeurigheid van de finale kostvoorspellingen in de verschillende
projectfasen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
xx
Lijst van tabellen
2.1 EAC(t) voorspellingsmethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 EAC voorspellingsmethodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1 Parameters van Warburton’s Model . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.1 Overzicht verschillen tussen punt- en intervalschattingen . . . . . . . . . . . . . . 32
5.1 Overzicht van de verklaringen voor onnauwkeurige voorspellingen . . . . . . . . . 44
6.1 Overzicht van de RCF methodes volgens MacDonald, Flyvbjerg en Salling . . . . 53
8.1 Categorieen en projecttypes die als basis voor RCF werden gebruikt (Flyvbjerg,
2006) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
8.2 Vereiste uplifts voor voorspellingen aan de hand van referentieklassen volgens een
studie uit het VK (Salling, Leleur & Skougaard, 2010) . . . . . . . . . . . . . . . 67
12.1 Overzicht opdeling in referentieklassen voor de verschillende projecten . . . . . . 93
13.1 Overzicht verschillende fasen in de project life cycle . . . . . . . . . . . . . . . . . 96
13.2 Overzicht kwalitatieve beoordelingscriteria . . . . . . . . . . . . . . . . . . . . . . 96
14.1 Overzicht activiteiten van het voorbeeldproject . . . . . . . . . . . . . . . . . . . 100
14.2 EVM voorspellingen van de finale projectduur volgens de verschillende methodes [d]103
14.3 Voorspellingen finale projectkost volgens de verschillende methodes [e] . . . . . . 103
14.4 Overzicht paramaters van Warburton’s model voor het voorbeeldproject . . . . . 104
14.5 Voorspellingen van de finale projectduur en -kost volgens de methode van Warburton.104
14.6 Overzicht activiteiten gebruikt voor het bepalen van Warburton’s parameters (i.e.
vroege projectdata). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
14.7 RCF voorspellingen van de finale projectduur en -kost voor de verschillende
referentieklassen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14.8 Overzicht keuze referentieklassen en bijhorende afwijking tussen voorspelling en
realisatie (1/2). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
14.9 Nauwkeurigheid van de voorspellingen op basis van de BS schatting. . . . . . . . 109
14.10Nauwkeurigheid van de voorspellingen op basis van Monte-Carlo simulaties. . . . 109
14.11Nauwkeurigheid van de EVM voorspellingen voor de finale duurtijd. . . . . . . . 110
xxi
14.12Nauwkeurigheid van de EVM voorspellingen voor de finale duurtijd. . . . . . . . 110
14.13Nauwkeurigheid van de voorspellingen volgens Warburton’s methode. . . . . . . . 110
14.14Nauwkeurigheid van de voorspellingen volgens RCF. . . . . . . . . . . . . . . . . 110
14.15Overzicht nauwkeurigheid van de verschillende methodes in verschillende project-
fases (kostvoorspellingen) [%]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
14.16Overzicht nauwkeurigheid van de verschillende methodes in verschillende project-
fases (duurtijdvoorspellingen) [%]. . . . . . . . . . . . . . . . . . . . . . . . . . . 113
14.17Overzicht alle projecten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
15.1 Bedrijf X: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . . . 119
15.2 Bedrijf Y: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . . . 120
15.3 Bedrijf Z: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . . . . 120
16.1 Appartementen: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . 122
16.2 Kantoren: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . . . 122
16.3 IT projecten: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . 123
16.4 Woningbouw: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . 123
16.5 Industrie: overzicht projectgegevens . . . . . . . . . . . . . . . . . . . . . . . . . 124
17.1 Bedrijf X: Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . . . . 131
17.2 Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]131
17.3 Bedrijf X: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . . . . 133
17.4 Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]133
17.5 Bedrijf Y: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . . . . 135
17.6 Bedrijf Y: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]136
17.7 Bedrijf Z: Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . . . . 137
17.8 Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]138
17.9 Bedrijf Z: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . . . . 139
17.10Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]140
17.11Appartementen: Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . 141
17.12Appartementen: Overzicht gemiddelde MPE’s van de finale projectduurvoorspel-
lingen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
17.13Appartementen: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . 143
17.14Appartementen: Overzicht gemiddelde MPE’s van de finale projectkostvoorspel-
lingen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
17.15Kantoren: Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . . . . 145
17.16Kantoren: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]145
17.17Kantoren: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . . . 147
17.18Kantoren: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]148
17.19IT projecten: Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . . 149
17.20IT projecten: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellin-
gen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
xxii
17.21IT projecten: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . . 151
17.22IT projecten: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen
[%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
17.23Woningbouw: Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . . 153
17.24Woningbouw: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellin-
gen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
17.25Woningbouw: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . 154
17.26Woningbouw: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellin-
gen [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
17.27Industrie: Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . . . . 156
17.28Industrie: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]156
17.29Industrie: Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . . . . 158
17.30Industrie: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]159
17.31EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de vroege projectfase. . . . . . 162
17.32EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de midden projectfase. . . . . . 162
17.33EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de late projectfase. . . . . . . . 162
18.1 Overzicht kwalitatieve beoordelingscriteria . . . . . . . . . . . . . . . . . . . . . . 163
18.2 Kwaliteitsmatrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
A.1 Overzicht projecten van de referentieklasse . . . . . . . . . . . . . . . . . . . . . . 178
A.2 Statistische waarden voor de kostoverschrijding van de referentieprojecten. . . . . 179
A.3 Frequentietabel van de kostoverschrijdingen . . . . . . . . . . . . . . . . . . . . . 179
A.4 Log-Likelihood waarden voor de gefitte distributies. . . . . . . . . . . . . . . . . 182
A.5 Overzicht parameters t Location-scale distributie. . . . . . . . . . . . . . . . . . . 182
A.6 Parameterwaarden van de gefitte t Location-scale distributie. . . . . . . . . . . . 182
A.7 Voorspellingen van het project voor verschillende niveau’s van aanvaardbaar risico.184
B.1 Overzicht voorspellingen en realisaties van de referentieprojecten . . . . . . . . . 186
B.2 Verdeling van de kostoverschrijdingen . . . . . . . . . . . . . . . . . . . . . . . . 188
B.3 Vereiste uplifts in functie van het aanvaardbaar risico. . . . . . . . . . . . . . . . 190
C.1 Overzicht van de finale projectduurvoorspellingen [d] . . . . . . . . . . . . . . . . 194
C.2 Overzicht MAPE’s van de finale projectduurvoorspellingen [%] . . . . . . . . . . 196
C.3 Overzicht MPE’s van de finale projectduurvoorspellingen [%] . . . . . . . . . . . 198
C.4 Overzicht van de finale projectkostvoorspellingen [e] . . . . . . . . . . . . . . . . 200
C.5 Overzicht MAPE’s van de finale projectkostvoorspellingen [%] . . . . . . . . . . . 202
C.6 Overzicht MPE’s van de finale projectkostvoorspellingen [%] . . . . . . . . . . . . 204
C.7 Voorspellingen duurtijd [d] voor de verschillende fases . . . . . . . . . . . . . . . 206
xxiii
C.8 MAPE’s duurtijd [%] voor de verschillende fases . . . . . . . . . . . . . . . . . . 208
C.9 Voorspellingen projectkost [e] voor de verschillende fases . . . . . . . . . . . . . 210
C.10 MAPE’s projectkost [%] voor de verschillende fases . . . . . . . . . . . . . . . . . 212
D.1 EVM (EAC(t)1): overzicht MAPE’s van de finale duurtijdvoorspellingen in de
verschillende projectfasen. [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
D.2 EVM (EAC(t)2): overzicht MAPE’s van de finale duurtijdvoorspellingen in de
verschillende projectfasen. [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
D.3 EVM (EAC1): overzicht MAPE’s van de finale kostvoorspellingen in de verschil-
lende projectfasen. [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
D.4 EVM (EAC2): overzicht MAPE’s van de finale kostvoorspellingen in de verschil-
lende projectfasen. [%] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
D.5 EVM (EAC(t)1): Vergelijking van de nauwkeurigheid van de finale duurtijdvoor-
spellingen met de traditionele voorspellingsmethodes in de vroege projectfase. . . 220
D.6 EVM (EAC(t)1): Vergelijking van de nauwkeurigheid van de finale duurtijdvoor-
spellingen met de traditionele voorspellingsmethodes in de midden projectfase. . 220
D.7 EVM (EAC(t)1): Vergelijking van de nauwkeurigheid van de finale duurtijdvoor-
spellingen met de traditionele voorspellingsmethodes in de late projectfase. . . . 220
D.8 EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoor-
spellingen met de traditionele voorspellingsmethodes in de vroege projectfase. . . 221
D.9 EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoor-
spellingen met de traditionele voorspellingsmethodes in de midden projectfase. . 221
D.10 EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoor-
spellingen met de traditionele voorspellingsmethodes in de late projectfase. . . . 221
D.11 EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de vroege projectfase. . . . . . 222
D.12 EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de midden projectfase. . . . . . 222
D.13 EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de late projectfase. . . . . . . . 222
D.14 EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de vroege projectfase. . . . . . 223
D.15 EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de midden projectfase. . . . . . 223
D.16 EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-
gen met de traditionele voorspellingsmethodes in de late projectfase. . . . . . . . 223
xxiv
Lijst met afkortingen
A
AC Actual CostAD Actual DurationAPA American Planning AssociationAS Actual StartAT Actual Time
B
BAC Budget at CompletionBCRW Budgeted Cost of Remaining WorkBIS Bouw- en Immobilien SalonBS Baseline Schedule
C
CP Critical PathCPI Cost Performance IndexCV Cost Variance
E
EAC Estimated Cost at CompletionEAC(t) Estimated Duration at CompletionED Earned DurationES Earned ScheduleEV Earned ValueEVM Earned Value Management
F
FF Finish-finishFS Finish-start
K
KBA Kosten-batenanalyseKS Kolmogorov-Smirnov
xxv
L
LL Log-Likelihood
M
MAPE Mean Absolute Percentage ErrorMC Monte-CarloMLE Maximum Likelihood EstimationMPE Mean Percentage Error
P
PC Percentage CompletedPD Planned DurationPDWR Planned Duration of Work RemainingPERT Program Evaluation and Review TechniquePF Performance FactorPM Project ManagerPNR Putnam-Norden-RayleighPS Planned StartPV Planned ValuePVR Planned Value Rate
R
RCF Reference Class Forecsating
S
SD Scheduled DurationSF Start-finishSPI Schedule Performance IndexSS Start-startSV Schedule Variance
T
TP Tracking PeriodeTV Time Variance
U
UD Unearned Duration
W
WBS Work Breakdown Structure
xxvi
Deel I
Inleiding
1
1
HOOFDSTUK 1
Algemene inleiding
1.1 Onderwerp & doel
Het is de taak van projectmanagers om de projectduur en –kost zo nauwkeurig mogelijk te gaan
voorspellen. Voor het maken van deze voorspellingen zijn er verschillende methodes voorhanden.
• Ten eerste wordt er voor de start van een project door de projectmanager (PM) een
planning opgemaakt die wordt vastgelegd in de zogenaamde baseline schedule (BS). Hierbij
wordt de kost en duurtijd voor elke activiteit apart voorspeld. Daarna worden de onderlinge
relaties tussen deze activiteiten in rekening gebracht om voorspellingen voor het ganse
project te maken.
• Daarnaast vormt het gebruik van Monte-Carlo simulaties een tweede manier om pre-project
voorspellingen te maken. Deze methode maakt gebruik van risicodistributies die door de
3
Algemene inleiding
1
PM voor iedere activiteit dienen te worden bepaald, en op basis waarvan de uitkomst van
het project een groot aantal keer wordt gesimuleerd.
• Ten derde kan men aan de hand van de earned value management methode (EVM) de
fysieke vooruitgang van een project meten en evalueren. Deze methode werd ontwikkeld om
projectmanagers te voorzien van essentiele informatie omtrent de prestaties van projecten,
en dit door de kritieke elementen van projectmanagement te integreren, nl. tijd, kost en
omvang. Daarnaast laat de EVM methode het ook toe om de finale projectduur en -kost
te voorspellen.
• In zijn paper ’A time-dependent earned value model for software projects’ stelde Roger D.
H. Warburton (2010) een methode voor om tijdsafhankelijkheid op te nemen in Earned
Value Management. De methode van Warburton vormt dan ook een vierde manier om
projecten te voorspellen.
De voorspellingen op basis van bovenstaande methodes leiden echter vaak tot een onnauwkeu-
rige weergave van de realiteit. Een studie uitgevoerd door Flyvbjerg, Holm en Buhl (2002),
analyseerde 258 projecten en toonde onder andere aan dat 9 op 10 projecten te maken hebben
met kostoverschrijding.
De ondermaatse prestaties van deze traditionele voorspelllingsmethodes kunnen niet worden
verklaard op basis van technische oorzaken, waarbij gekeken wordt naar projectonzekerheid, de
betrouwbaarheid van de gegevens of het gebruik van ongeschikte voorspellingsmethodes. Indien
technische redenen aan de basis lagen van de inaccurate voorspellingen, dan zou men verwachten
dat de PM’s na verloop van tijd lessen zouden getrokken hebben uit hun ervaringen. Echter,
aangezien er na verloop van tijd geen echte verbetering werd waargenomen, wordt de oorzaak
voor de onnauwkeurige voorspellingen toegewezen aan menselijke fouten; ofwel hebben planners
de neiging om zeer optimistisch te zijn, ofwel gaan zij bewust de winsten overschatten en de
kosten onderschatten om zo projectgoedkeuring en -financiering veilig te stellen (Flyvbjerg, 2011).
Om een denkfout te compenseren die Kahneman en Tversky (1979) ontdekt hadden in hun werk
over planning en besluitvorming onder onderzekerheid, werd een nieuwe methode ontwikkeld
voor het maken van voorspellingen. Het onderzoek van D. Kahneman leverde hem in 2002
de Nobelprijs op voor de Economie. In tegenstelling tot de traditionele methodes, die een
zogenaamde inside view hanteren (cf. infra), maakt deze nieuwe methode, die voorspellingen
maakt aan de hand van referentieklassen, gebruik van een outside view. Bij deze reference class
forecasting methode (RCF) worden voorspellingen gebaseerd op ervaringen van vergelijkbare
projecten uit het verleden, hetgeen zou moeten leiden tot meer accurate voorspellingen. In 2004
werd deze methode voor het eerst in de praktijk gebruikt door Flyvbjerg en COWI, en toegepast
op een groot project uit de transportsector (Flyvbjerg, Glenting & Ronnest, 2004).
Het doel van deze thesis is om de RCF methode te gaan toepassen, teneinde nieuwe inzichten te
ontwikkelen, waarbij de beperkingen uit vorig onderzoek (cf. infra) zullen worden ondervangen.
4
1Algemene inleiding
1.2 Omvang & beperkingen
Diverse experimentele studies (Kahneman, 1994; Kahneman & Tversky, 1977: 1979; Lovallo
& Kahneman, 2003) hebben reeds aangetoond dat RCF nauwkeuriger is dan traditionele voor-
spellingsmethodes, maar het dient opgemerkt te worden dat deze studies niet kaderden in het
gebied van projectmanagement. B. Flyvbjerg was de eerste om RCF binnen het domein van
projectmanagement toe te passen zoals hierboven reeds aangehaald. Een eerste cruciaal punt
dat ontbreekt in zijn werk, betreft het feit dat de RCF methode enkel werd toegepast voor bij de
voorspelling van de finale projectkost. Daarnaast werd de methode niet kwantitatief geevalueerd,
en evenmin werden de prestaties ervan vergeleken met traditionele voorspellingsmethodes (cf.
BS, Monte-Carlo simulaties, EVM & Warburton).
In dit onderzoek werd aan de hand van reele data van 64 projecten de RCF methode getest
en vergeleken met traditionele voorspellingsmethodes. Hierbij werd zoals vermeld in vorige
sectie getracht om tegemoet te komen aan de beperkingen uit vorig onderzoek en aldus de
inzichten omtrent de RCF methode uit te breiden. Net als in de paper door J. Batselier
(Batselier & Vanhoucke, 2016), ’ligt de focus in dit onderzoek op het tijds- en kostaspect van
projectmanagement. Hoewel dit hoogstwaarschijnlijk de twee belangrijkste objectieven zijn van
een PM, zijn andere factoren als veiligheid, duurzaamheid en kwaliteit eveneens van belang.’
Een analyse van deze factoren valt echter buiten het bestek van dit onderzoek.
1.3 Methode
Ten einde op de geformuleerde doelstelling uit vorige sectie een antwoord te kunnen bieden, geven
we een duidelijk overzicht van de traditionele voorspellingsmethodes, alsook een uitgebreide
bespreking van de reference class forecasting methode. Daarnaast zal de praktische toepassing
van de voorspellingsmethodes aan de hand van een voorbeeldproject worden geıllustreerd, om
op die manier de lezer vertrouwd te maken met de technieken voor het voorspellen van de finale
projectduur en -kost.
Voor de eigenlijke evaluatie en vergelijking van de verschillende voorspellingsmethodes, werd
gebruik gemaakt van een database met reele projectdata. De projecten aanwezig in deze
database zijn enerzijds afkomstig uit een eigen rondvraag en anderzijds werden ook projecten
uit de database van OR-AS1 opgenomen. In dit onderzoek werd gebruik gemaakt van de
projectmanagement software tool ’Protrack’, ten einde alle projecten - afkomstig van verschillende
bedrijven - op een gelijkaardige manier weer te geven. Daarnaast werd ProTrack ook gebruikt
voor het uitvoeren van bepaalde voorspellingsmethodes.
1http://www.or-as.be
5
Algemene inleiding
1
1.4 Structuur
Deze thesis omvat 19 hoofdstukken, verdeeld over 7 delen, waarvan in figuur 1.1 en die als volgt
kunnen worden samengevat:
Hoofdstuk 2, 3 en 4 vormen samen met deze algemene inleiding Deel I van deze thesis. In
deze hoofdstukken wordt respectievelijk een overzicht gegeven van de theorie rond earned value
management (hoofdstuk 2), Warburton’s methode (hoofdstuk 3) en Monte-Carlo simulaties
(hoofdstuk 4). Hierbij worden de traditionele voorspellingsmethodes geıntroduceerd en worden
de elementen uit de literatuur besproken die van belang zijn voor deze thesis.
Deel II van deze thesis omvat een uitgebreide beschrijving van de RCF methode zoals voor-
gesteld door B. Flyvbjerg. Hierbij wordt in hoofdstuk 5 enerzijds een overzicht gegeven van de
verklaringen voor inaccurate voorspellingen van de traditionele methodes, en anderzijds wordt
het verschil tussen een inside en outside view toegelicht. Een bespreking van de RCF methode
wordt gegeven in hoofdstuk 6, waarbij een overzicht wordt gegeven van de methode doorheen de
tijd, alsook van de beperkingen ervan. In hoofdstuk 7 wordt dieper ingegaan op de methodologie
van RCF en wordt de stapsgewijze procedure besproken. Tot slot wordt in hoofdstuk 8 een
toepassing van RCF in de praktijk besproken.
In deel III zullen eerst en vooral de tekortkomingen van vroeger onderzoek worden bespro-
ken (hoofdstuk 9). Daarnaast worden in hoofdstuk 10, op basis van deze tekortkomingen, de
onderzoeksvragen geformuleerd.
Deel IV omvat de toelichting van de gevolgde onderzoeksmethodiek, die kan opgedeeld worden
in 3 fasen. De eerste fase betrof het voorbereidend werk alvorens kon overgegaan worden tot het
eigenlijke onderzoek, en wordt behandeld in hoofdstuk 11. Hierbij wordt een overzicht gegeven
van de noodzakelijk projectgegevens alsook een beschrijving van de aanpak van de rondvraag
bij bedrijven, het gebruik van de software tool ProTrack en het aanleggen van de database,
die als uitgangspunt voor de volgende fase dient. In fase 2 (hoofdstuk 12) van ons onderzoek
konden de verschillende voorspellingsmethodes worden toegepast op de reele projecten uit de in
fase 1 aangelegde database. De evaluatie van de verschillende methodes (fase 3) komt aan bod
in hoofdstuk 13, waarbij zowel een kwalitatieve en kwantitatieve analyse en vergelijking werd
uitgevoerd. Tot slot wordt de gevolgde onderzoeksmethodiek geıllustreerd aan de hand van een
voorbeeldproject in hoofdstuk 14.
6
1Algemene inleiding
In deel V wordt een gedetailleerd overzicht gegeven van alle projecten die aan de basis lagen
van dit onderzoek. Hierbij worden de projecten afkomstig uit de eigen rondvraag toegelicht in
hoofdstuk 15. De projecten die uit de database van de OR-AS werden geselecteerd en opgenomen
in onze eigen database worden besproken in hoofdstuk 16.
De resultaten van het uitgevoerde onderzoek worden gepresenteerd in Deel VI. Hierbij worden
in respectievelijk hoofdstukken 17 en 18 de voorspellingsmethodes kwantitatief en kwalitatief
geevalueerd.
In deel VII worden de conclusies van dit onderzoek geformuleerd. Daarnaast worden de
beperkingen besproken en suggesties voor toekomstig onderzoek gegeven.
7
Algemene inleiding
1
Figuur 1.1: Overzicht structuur thesis
8
2
HOOFDSTUK 2
Earned Value Management
In dit hoofdstuk zal een overzicht gegeven worden van de elementen uit de earned value
management (EVM) theorie die van belang zijn voor deze thesis.
2.1 Introductie
Earned value management is een welbekende methode die gebruikt wordt voor het meten en
controleren van de fysieke vooruitgang van een project en die van belang is om de drie kritieke
elementen van projectmanagement zijnde tijd, kost en omvang te integreren. De theorie rond
EVM werd in 1969 geıntroduceerd en maakt het mogelijk om de prestaties van een project te
controleren met betrekking tot tijd en kost. Daarnaast voorziet EVM de projectmanager van
vroegtijdige waarschuwingssystemen bij slechte prestaties van een project, die aangeven dat het
misschien nuttig kan zijn om corrigerende maatregelen te nemen.
EVM systemen steunen op een set van eenvoudige parameters voor het meten en evalueren van
de algemene prestaties van een project. De methodologie houdt rekening met het reeds voltooide
werk, de in beslag genomen tijd alsook de gemaakte kosten om het project te voltooien.
Deze set van parameters en formules kunnen worden onderverdeeld in 3 categorieen. Drie basis-
parameters zullen worden gebruikt om de progressie van het project te bepalen, om vervolgens
prestatiemaatstaven af te leiden die finaal zullen worden vertaald in voorspellingsindicatoren
omtrent de verwachte finale duurtijd en kost van het project.
In de volgende sectie wordt een overzicht gegeven van de componenten uit de EVM theorie,
zoals beschreven door vele auteurs waaronder Henderson (2007), Anbari (2003) en Vanhoucke
(2013). Deze componenten zijn samengevat in figuur 2.1.
9
Earned Value Management
2
Figuur 2.1: EVM: basisparameters, prestatiemaatstaven en voorspellingsindicatoren (Vanhoucke, 2011).
2.2 Basisparameters van EVM
De EVM techniek maakt gebruik van volgende parameters voor het evalueren van de prestaties
van een project : Planned Value, Earned Value en Actual Cost. De Planned Value (PV) stelt de
gebudgetteerde kost van het geplande werk voor en geeft dus het toegestane budget weer voor
de voltooiing van een activiteit of project.
De Planned Value voor een volledig project, dat berekend wordt als de som van de PVs van alle
projectactiviteiten, wordt het Budget at Completion (BAC) genoemd ( BAC =∑
PV). Dit is
het budget nodig voor het voltooien van het project indien elke activiteit uitgevoerd wordt zoals
vooropgesteld op basis van de planning. Omwille van onvoorziene gebeurtenissen zal dit echter
niet altijd het geval zijn en kunnen activiteiten meer tijd in beslag nemen en/of hogere kosten
meebrengen dan gepland. Daarnaast kan het ook zijn dat bepaalde activiteiten niet volgens
plan kunnen starten omwille van voorafgaande activiteiten die niet op tijd beeindigd zijn.
Het is net om die redenen dat de Actual Cost (AC), zijnde de werkelijke kost van het voltooide
werk op een bepaald moment in de tijd, kan afwijken van de Planned Value. Het is hier dat
de derde sleutelcomponent van EVM, zijnde Earned Value (EV) zijn intrede doet. Gedurende
de uitvoering van een project, wordt er waarde verworven of verdiend. Deze waarde wordt
uitgedrukt als een deel van het BAC. Om de EV te berekenen dienen we dus te weten welk
percentage van het werk reeds voltooid is. Dit deel van het reeds voltooide werk wordt het
Percentage Completed (PC) genoemd. Dit geeft aanleiding tot de volgende formule voor de EV:
EV = PC ∗BAC (2.1)
10
2Earned Value Management
2.3 Prestatiemaatstaven van EVM
Aan de hand van de basisparameters uit vorige sectie kan men de actuele en voorgaande prestaties
van een project in uitvoering nagaan.
De prestatie van een project met betrekking tot kost (Cost Performance) wordt bepaald door
de EV te vergelijken met de AC van een activiteit of het project. Daarnaast is ook de prestatie
met betrekking tot het al dan niet op schema zijn van het project (Schedule Performance)
van belang. Deze wordt bepaald door de EV te vergelijken met de PV. In beide gevallen kan
men voor de afwijkingen in termen van tijd en kost, enerzijds gebruik maken van varianties en
anderzijds van eenheidsloze prestatie-indexen.
In de volgende 2 secties worden beide maatstaven besproken en toegelicht voor de prestaties van
een project met betrekking tot respectievelijk de kostprijs en de duurtijd.
2.3.1 Cost Variance (CV) en Cost Performance Index (CPI)
De Cost Variance en Cost Performance Index zijn maatstaven om de prestaties met betrekking
tot de kost van een project te evalueren. Indien op een gegeven moment de EV groter is dan de
AC, dan werd er meer waarde verdiend dan dat er kosten werden gemaakt. In dat geval zit het
project onder het geplande budget, is de CV positief en zal de CPI groter zijn dan 1. Wanneer
de EV echter kleiner is dan de AC, dan is er sprake van een budgetoverschrijding, is de CV
negatief en zal de CPI kleiner zijn dan 1.
CV = EV −AC (2.2)
CPI = EV/AC (2.3)
2.3.2 Schedule Variance (SV) en Schedule Performance Index (SPI)
De Schedule Variance en Schedule Performance Index daarentegen zijn maatstaven om de
prestaties met betrekking tot het al dan niet op schema zijn van het project te evalueren. Indien,
op een gegeven moment de EV groter is dan de PV, werd er meer waarde verdiend dan er
gepland was op dat moment. In dat geval loopt het project voor op schema, is de SV positief en
zal de SPI groter zijn dan 1. Wanneer de EV echter kleiner is dan de PV, loopt het project
achter op schema, is de SV negatief en zal de SPI kleiner zijn dan 1.
SV = EV − PV (2.4)
SPI = EV/PV (2.5)
11
Earned Value Management
2
Wanneer we beide maatstaven voor prestaties met betrekking tot de kost en het al dan niet op
schema zijn van het project combineren, verkrijgen we vier mogelijke scenario’s, weergegeven in
figuur 2.2. Op deze figuur stellen de blauwe, de groene en de oranje curve respectievelijk de PV,
de AC en de EV voor. In figuur 2.2 worden volgende 4 scenario’s weergegeven:
• Links bovenaan: Project heeft vertraging en het budget werd overschreden.
• Rechts bovenaan: Project heeft vertraging en het budget werd niet overschreden.
• Links onderaan: Project loopt voor op schema en het budget werd overschreden.
• Rechts onderaan: Project loopt voor op schema en het budget werd niet overschreden.
Figuur 2.2: EVM: basisparameters voor vroeg- en laattijdig afgewerkte projecten met kosten onder- enoverschrijding, waarbij het aantal weken wordt weergegeven op de x-as en het budget op de y-as(Vanhoucke, 2011).
2.4 Tekortkomingen
In de literatuur hebben diverse auteurs (Henderson, 2001; Lipke, 2003) de tekortkomingen van
de traditionele EVM techniek besproken. Een eerste punt van kritiek betreft het feit dat de
SV uitgedrukt wordt in monetaire termen en niet in tijdseenheden. Ten tweede, wanneer een
project vroeger start dan gepland, zal de PV gelijk zijn aan nul, wat impliceert dat de SPI
niet kan berekend worden. Daarnaast zal naar het einde van het project toe, het PC altijd
convergeren naar 100% en de EV gelijk zijn aan de PV. Als direct gevolg daarvan zal de SPI
eveneens convergeren naar 1 naar het einde van het project toe. Tot slot kan men zich afvragen
12
2Earned Value Management
wanneer men voor de SV en de SPI respectievelijk de waarden 0 en 1 waarneemt, of het project
voltooid is, dan wel perfect verloopt volgens plan.
2.5 Earned Schedule
Om voor de problemen uit de voorgaande sectie een oplossing te bieden, werd de Earned Schedule
(ES) methode geıntroduceerd door W. Lipke (2003). Deze indicatoren worden uitgedrukt in
tijdseenheden in plaats van in monetaire termen, wat de interpretatie ervan vergemakkelijkt bij
het bestuderen van prestaties met betrekking tot het al dan niet op schema zijn van een project.
Daarenboven zijn de ES indicatoren betrouwbaar gedurende de hele tijdshorizon van het project
aangezien de aangepaste formule voor de Schedule Performance niet noodzakelijk convergeert
naar 1 naar het einde van het project toe. De ES indicator wordt als volgt berekend :
Zoek tijdstip t zodat EV ≥ PVt en EV < PVt+1
ES = t+EV − PVtPVt+1 − PVt
(2.6)
De ES is dus een vertaling van de EV in tijdseenheden door te bepalen wanneer deze EV zou
moeten verdiend zijn op basis van de planning. De berekening van de ES wordt weergegeven
aan de hand van figuur 2.3, waarin men kan zien dat de EV op tijdstip 7 (AT) zou moeten
verdiend geweest zijn op tijdstip 5.14 (ES) voor het project om op schema te zitten. De Actual
Time (AT) geeft de tijd weer die reeds verstreken is vanaf de aanvang van het project tot aan
het huidige moment van de berekening.
Figuur 2.3: De Earned Schedule op tijdstip W7 (Vanhoucke, 2011).
13
Earned Value Management
2
Omdat de waarde van de ES uitgedrukt is in tijdseenheden, kan het vergeleken worden met de
AT, hetgeen resulteert in 2 nieuwe prestatiemaatstaven :
SV (t) = ES −AT (2.7)
SPI(t) =ES
AT(2.8)
De Schedule Variance (SV(t)) zal positief zijn en de Schedule Performance Index (SPI(t)) groter
dan 1 wanneer het project voor zit op schema. Wanneer het project achter loopt op schema, zal
SV(t) negatief zijn en SPI(t) kleiner dan 1.
2.6 Voorspellingen aan de hand van EVM
De EVM methode laat toe om de finale duurtijd en kost van het project te voorspellen. In
de volgende sectie geven we een overzicht van de belangrijkste voorspellingsparameters. In
deel IV van deze thesis zullen we de nauwkeurigheid van de voorspellingen aan de hand van
referentieklassen evalueren, en onder andere vergelijken met de voorspellingen aan de hand van
de EVM methode.
2.6.1 Estimated duration at Completion (EAC(t))
Aangezien EAC(t) een voorspelling is van de finale projectduur, moeten de prestatiemaatstaven
omgezet worden van monetaire naar tijdseenheden. In de literatuur werden 3 methodes voorge-
steld die uitvoerig geevalueerd zijn door M. Vanhoucke & S. Vandevoorde (2007). In deze sectie
vatten we de methodes samen die het meest relevant zijn voor deze thesis.
De algemene formule voor EAC(t) is gebaseerd op de som van de Actual Duration (AD)
van het project op het tijdstip van berekening en de Planned Duration of Work Remaining
(PDWR). Merk op dat de Actual Duration hetzelfde is als de Actual Time die gebruikt werd in
de berekening van de Earned Schedule (cf. supra).
EAC(t) = AD + PDWR (2.9)
Planned Value methode van Anbari
De PV methode voorgesteld door Anbari (2003), is gebaseerd op de traditionele EVM parameters
zoals beschreven in sectie 2.2 en stelt nog een aantal additionele parameters voor. De Planned
Value Rate (PVR) wordt als volgt berekend:
PV R =BAC
PD(2.10)
De PD is gelijk aan de Scheduled Duration (SD) van het project dat kan afgeleid worden op
basis van de planning. De PVR geeft aan welke waarde men verwacht verdiend te hebben per
14
2Earned Value Management
geplande tijdsinterval van het project. Met het Time Variance (TV) concept, voorgesteld door
Anbari (2003), wordt de PVR gebruikt om de SV te vertalen in tijdseenheden. De PV methode
geeft echter geen directe schatting voor de PDWR. In plaats daarvan is de EAC(t) gebaseerd op
de TV. Afhankelijk van het feit of de PDWR verloopt volgens plan, de huidige SPI trend of
de huidige SCI trend (CPI ∗ CPI) volgt, worden drie verschillende formules voorgesteld, die
weergegeven worden in tabel 2.1. De Time Variance wordt als volgt berekend:
TV =SV
PV R(2.11)
Earned Duration methode van Jacob en Kane
Jacob & Kane (2004) stellen een tweede methode voor. Deze maakt gebruik van het Earned
Duration (ED) concept en wordt als volgt berekend:
ED = AD ∗ SPI (2.12)
In deze methode worden de SV en SPI ook omgezet naar tijdseenheden. Voor de berekening
van de EAC(t) wordt de Unearned Duration (UD) gecorrigeerd door de Performance Factor
(PF), waarna het wordt toegevoegd aan de AD. De resulterende formules afgeleid op basis van
deze methode worden eveneens voorgesteld in tabel 2.1.
Earned Schedule method van Lipke
In sectie 2.4 werd de kritiek van W. Lipke (2003) beschreven op het gebruik van de SV en SPI
als Schedule Performance maatstaf omwille van de onbetrouwbaarheid naar het einde van het
project toe. Twee nieuwe Schedule Performance maatstaven, SV(t) en SPI(t) werden ontwikkeld
om met deze problematiek om te gaan en worden eveneens uitgedrukt in tijdseenheden. Lipke
berekent EAC(t) als de som van de AD en de resterende UD, gecorrigeerd door de PF. Tabel
2.1 geeft de resulterende formules van deze methode weer.
2.6.2 Estimated cost at Completion (EAC)
In het algemeen wordt de EAC uitgedrukt als de som van de AC op het beschouwde tijdstip
en de Budgeted Cost of Remaining Work (BCRW). Om accurater voorspellingen te maken van
de finale projectkost, dienen assumpties te worden gemaakt omtrent het werk dat nog moet
gedaan worden. Bijvoorbeeld, wanneer een project boven het budget zit, zou men kunnen
aannemen dat het resterende werk nog binnen het budget zal worden uitgevoerd of dat het
waarschijnlijk is dat het resterende werk de trend volgt en het budget zal overschrijden. Om deze
assumpties op te nemen in het EAC, wordt eveneens een PF gebruikt om de BCRW aan te passen:
EAC = AC +BCRW
PF(2.13)
15
Earned Value Management
2
Indien het aangenomen kan worden dat de rest van het project uitgevoerd zal worden volgens
plan, dan is de PF gelijk aan 1. Indien er redenen zijn om aan te nemen dat de uitvoering van het
project de Cost Performance van het reeds voltooide werk zal volgen, dan kan de CPI gebruikt
worden als PF. Eenzelfde redenering kan gevolgd worden voor Schedule Performance door de
SPI te gebruiken als PF. Indien het wenselijk is om niet alleen de huidige Cost Performance
in rekening te brengen, maar ook de huidige Schedule Performance, dan kan de PF uitgedrukt
worden als de Schedule Cost Index, die gelijk is aan CPI ∗ SPI. Tot slot kan men ook de SPI(t)
gebruiken als correctiefactor, of de SCI(t) die gelijk is aan CPI ∗ SPI(t). Op de website van
’PM Knowledge Center’ (Vanhoucke, 2011), worden nog twee opties gegeven waarin de PF een
gewogen gemiddelde is van de SPI of SPI(t) en CPI. Een overzicht kan gevonden worden in
tabel 2.2.
16
2Earned Value Management
Tabel
2.1:
EA
C(t
)vo
orsp
ellin
gsm
eth
od
es
Per
form
ance
Pla
nn
edV
alu
eE
arn
edD
ura
tiona
Earn
edS
ched
ule
Acc
ord
ing
top
lan
EA
C(t
)PV
1E
AC
(t)E
D1
EA
C(t
)ES
1=
PD
-T
V=
PD
+A
D*
(1-
SP
I)=
AD
+(P
D-E
S)
Acc
ord
ing
tocu
rren
tE
AC
(t)P
V2
EA
C(t
)ED
2E
AC
(t)E
S2
cost
per
form
ance
=P
D/S
PI
=P
D/S
PI
=A
D+
(PD
-E
S)/
(SP
I(t)
)
Acc
ord
ing
tocu
rren
tE
AC
(t)P
V3
EA
C(t
)ED
3E
AC
(t)E
S3
tim
ep
erfo
rman
ce=
PD
/SC
I=
AD
+(P
D-
ED
)/(C
PI
*S
PI)
b=
AD
+(P
D-
ES)/
(CP
I*
SP
I(t)
c
aIn
gev
allen
waar
het
pro
ject
nog
nie
tafg
ewer
kt
is(i
.e.
wannee
rA
D>
PD
enSP
I¡1
),za
lde
PD
ver
vangen
word
endoor
de
AD
bD
eze
voors
pel
lin
gsf
orm
ule
kom
tn
iet
voor
inh
etw
erk
van
Jaco
b(2
003)
maar
wer
dto
egev
oeg
dd
oor
S.
Van
dev
oord
een
M.
Vanhouck
e(2
013)
cD
eze
voors
pel
lin
gsf
orm
ule
kom
tn
iet
voor
inh
etw
erk
van
Lip
ke
(2003)
maar
wer
dto
egev
oeg
dd
oor
Van
dev
oord
een
Vanhouck
e(2
007)
Tabel
2.2:
EA
Cvo
orsp
ellin
gsm
eth
od
es
Per
form
ance
SP
IS
PI(
t)
Acc
ord
ing
top
lan
EA
C1
EA
C1
=A
C+
BC
RW
=A
C+
BC
RW
Acc
ord
ing
tocu
rren
tE
AC
2E
AC
2co
stp
erfo
rman
ce=
AC
+B
CR
W/C
PI
=A
C+
BC
RW
/C
PI
Acc
ord
ing
tocu
rren
tE
AC
3E
AC
4ti
me
per
form
ance
=B
CR
W/S
PI
=A
C+
BC
RW
/S
PI(
t)
Acc
ord
ing
tocu
rren
tE
AC
5E
AC
6ti
me/
cost
per
form
ance
=A
C+
BC
RW
/S
CIa
=A
C+
BC
RW
/S
CI(
t)b
Acc
ord
ing
tow
eigh
ted
EA
C7
EA
C8
tim
e/co
stp
erfo
rman
ce=
AC
+B
CR
W/(0
.8*C
PI
+0.2
*S
PI)
=A
C+
BC
RW
/(0
.8*C
PI
+0.2
*S
PI(
t))
am
etSC
I=
SP
I*C
PI
bm
etSC
I=
SP
I*C
PI
17
3
HOOFDSTUK 3
Warburton’s model: tijdsafhankelijke EVM
3.1 Introductie
In de paper ’A time-dependent earned value model for software projects’ (Warburton, 2010)
wordt een formele methode voorgesteld voor het incorporeren van tijdsafhankelijkheid in earned
value management door R.D.H. Warburton. Dit model is gebaseerd op 3 essentiele parameters
die direct gerelateerd zijn aan de fundamentele begrenzingen van een project, zijnde tijd, kost en
omvang. Deze parameters zijn respectievelijk het uitvalpercentage van afgekeurde activiteiten,
de kostenoverschrijdingsparameter en de hersteltijd van de afgekeurde projecten. Dit model is
gebaseerd op de erkende Putnam-Norden-Rayleigh (PNR) labor rate profiles (Parr, 1980) en
vereist daarom nog twee andere parameters, zijnde de totaal te verrichten arbeid en het tijdstip
van de arbeidspiek. Tijdsafhankelijke formules werden afgeleid voor de PV, EV en de AC samen
met de CPI en SPI.
In wat volgt zal een overzicht gegeven worden van de parameters en de tijdsafhankelijke uitdruk-
kingen voor de PV, EV en AC zoals voorgesteld door R.D.H. Warburton. In sectie 3.2 wordt
verder ingegaan op de oorsprong en het beoogde gebruik van het model. Vervolgens worden de
parameters en de opbouw van het model besproken in sectie 3.3, alsook een beschrijving van hoe
het model kan gebruikt worden om voorspellingen te maken. Finaal worden de voornaamste
verschillen met de klassieke EVM methode en de beperkingen van het model behandeld in
respectievelijk de secties 3.5 en 3.6.
19
Warburton’s model: tijdsafhankelijke EVM
3
De integratie van tijdsafhankelijkheid in EVM zal expliciet worden aangeduid door ’(t)’ toe te
voegen aan alle grootheden, en om verwarring te vermijden, zal eveneens het onderschrift ’w’
- verwijzend naar Warburton - worden toegevoegd. Zo zal bijvoorbeeld ev(t)w verwijzen naar
de ogenblikkelijke EV op het moment t van Warburton’s model, terwijl ev refereert naar de
traditionele ogenblikkelijke EV.
3.2 Oorsprong en doel van Warburton’s model
3.2.1 Oorsprong van het idee voor de ontwikkeling van het model
Het uitgangspunt voor het model van Roger D.H. Warburton is de erkende EVM theorie,
die project managers voorziet van vroegtijdige waarschuwingssystemen bij slechte prestaties
van een project, zoals besproken in hoofdstuk 2. Zoals beschreven door R.D.H. Warburton
(2010), ‘wordt in de EVM theorie tijdsafhankelijkheid over het hoofd gezien, omwille van het
gebruik van ogenblikkelijke waarden voor de CPI. Minder dan 10% van de projecten hebben
stabiele CPI waarden over 3 maanden, hetgeen betekent dat bijna alle gemeten CPI waarden
bleken te veranderen, en dus onstabiel waren wanneer ze continu herberekend werden gedurende
korte intervallen van 3 maanden. Minder dan een derde van de projecten heeft stabiele CPI
waarden over 6 maanden. Christensen (1992) heeft aangetoond dat de voortdurend bijgewerkte
gemiddelden over 3 maanden de meest betrouwbare schatting gaven van de finale kost, ondanks
de variabiliteit. Volgens R.D.H. Warburton, suggereren deze ideeen dat de ogenblikkelijke
CPI verandert in de loop der tijd en zoals Christensen & Payne (1991) constateerden, enkel
stabiliseert omwille van het cumulatieve karakter ervan.’
R.D.H. Warburton (2010) merkt op ‘dat men zorgvuldig een onderscheid dient te maken tussen
twee vormen van variatie in de CPI. Ten eerste zijn er statistische fluctuaties, zijnde de inherente
onzekerheid en variatie in de projectdata. Ten tweede is er de aanwezigheid van een functionele
tijdsafhankelijkheid, en het is deze vorm van variatie die nauwelijks wordt beschreven en wordt
opgenomen in Warburton’s model. Functionele tijdsafhankelijkheid is belangrijk omdat de
CPI en zijn bepalende factoren AC en EV gebruikt worden voor het bepalen van de EAC, en
een veranderende CPI impliceert een veranderende EAC. R.H.D. Warburton suggereert echter
dat de EAC niet mag veranderen in de loop der tijd om als waardevol concept te kunnen
worden beschouwd. Hij merkt op dat project managers de finale kost wensen te weten, en het is
begrijpelijk dat ze niet opgezet zouden zijn met een continu veranderende EAC.’ Het model
van Warburton wil aantonen dat er verschillende plausibele tijdsafhankelijke vormen voor de
CPI en de onderliggende AC en EV-curves bestaan, maar dat de resulterende EAC eigenlijk een
constante is.
3.2.2 Doel van Warburton’s model
Het vaak over het hoofd geziene probleem van tijdsafhankelijkheid in de EVM theorie was de
basis voor Warburton’s model. Hoewel de vorige paragraaf voornamelijk de CPI behandelt,
20
3Warburton’s model: tijdsafhankelijke EVM
werd het model van Warburton ontwikkeld met als doel het verbeteren van de EVM theorie
door het incorporeren van tijdsafhankelijkheid in de definities van alle grootheden. Door dit te
doen, beoogt het model nauwkeurige schattingen van de finale projectduur en -kost te leveren.
De discussie rond de CPI is slechts een manier om weer te geven waar de mogelijkheid voor
verbetering zich situeert. Daarenboven tracht het model van Warburton deze nauwkeurige
schattingen van de finale projectduur en -kost te maken in een vroeg stadium van het project, en
is het niet bedoeld om continu te worden bijgewerkt, zoals dat wel het geval is in de traditionele
EVM methode. Het model wil gebruik maken van data die beschikbaar zijn in een vroeg stadium
van het project, de zogenaamde ’vroege projectdata’, om de parameterwaarden te bepalen,
de curves op te stellen en nauwkeurige voorspellingen te maken. De reden hiervoor is dat de
waarschuwingssystemen met betrekking tot de prestaties van het project het meest waardevol
zijn in een vroeg stadium van het project.
R.D.H. Warburton denkt dat het model een waardevolle bijdrage kan leveren voor project
managers door hen in een vroeg stadium van meer betrouwbare schattingen omtrent de finale
projectduur en -kost te voorzien.
De parameters N en T kunnen reeds bepaald worden bij aanvang van het project, terwijl
parameters r, c en τ bepaald zullen worden aan de hand van de vroege projectdata, zijnde
gegevens die beschikbaar zijn nadat een deel van het project reeds werd voltooid. Alle parameters
hebben een waarde groter dan of gelijk aan nul en worden verondersteld constant te zijn over de
duurtijd van het project bij het maken van voorspellingen.
3.3 Parameters en opbouw van Warburton’s model
In deze sectie zal een overzicht worden gegeven van de parameters van Warburton’s model en
daarnaast zal tevens de opbouw van het model van Warburton besproken worden. Voor een
gedetailleerd overzicht en afleiding van de formules en onderliggende Putnam-Norden-Rayleigh
labor rate profiles, wordt de geınteresseerde lezer doorverwezen naar de originele paper van
R.D.H. Warburton (2010).
3.3.1 Sleutelcomponenten van Warburton’s model
Aangezien de PNR-curve, die verder besproken wordt in sectie 3.3.2, aan de basis ligt van het
model, vormt de totale hoeveelheid arbeid die nodig is voor het afwerken van een project -
weergegeven door de letter N - een eerste parameter die eigen is aan het model. Met andere
woorden, N stelt de totaal te verdienen waarde tijdens een project voor en is dus gelijk aan het
BAC. Een tweede parameter die rechtstreeks verband houdt met de PNR-curve is T, die het
tijdsinterval van de arbeidspiek voorstelt. Dit is het moment waarop de hoeveelheid afgewerkte
arbeid op zijn hoogste niveau is, of met andere woorden wanneer de meeste waarde werd verdiend.
21
Warburton’s model: tijdsafhankelijke EVM
3
Tabel 3.1: Parameters van Warburton’s Model
Symbool Parameter BetekenisN Totale hoeveelheid arbeid De totale hoeveelheid aan
te verdienen waarde (BAC).T Tijdstip van arbeidspiek Tijdstip van het project waarop
de meeste waarde wordt verdiend.r Uitvalpercentage van activiteiten Fractie van de activiteiten die
afgekeurd werden, omdat zelanger duurden dan gepland.
c Kostenoverschrijding Gemiddelde additionele kostnodig om een afgekeurdeactiviteit af te werken, uitgedrukt alsfractie van de geplande kost
τ Hersteltijd van afgekeurde activiteiten Gemiddelde additionele tijd nodigom een afgekeurde activiteitaf te werken.
Naast deze twee parameters, die eigen zijn aan het model omwille van de PNR-curve, zijn er nog
3 andere parameters die kenmerkend zijn voor het model van Warburton. Eerst en vooral het
uitvalpercentage van afgekeurde activiteiten, weergegeven door de letter r. Dit is de fractie van
de activiteiten die afgewerkt zijn op het tijdstip van de berekening, maar meer tijd in beslag
namen dan initieel gepland. Met andere woorden, dit is de fractie van activiteiten die niet
afgewerkt zijn binnen de geplande duurtijd. Ten tweede, de kostenoverschrijdingsparameter,
voorgesteld door de letter c, is gelijk aan de gemiddelde additionele kost nodig voor het afwerken
van een afgekeurde activiteit. Deze parameter wordt voorgesteld als fractie van de geplande
kost. De derde en laatste parameter is de hersteltijd van de afgekeurde activiteiten, voorgesteld
door τ , en stelt de additionele tijd bovenop de geplande duurtijd voor, die nodig is voor het
afwerken van een afgekeurde activiteit. Merk op dat deze laatste parameter - in tegenstelling
tot de parameters r en c - uitgedrukt wordt in absolute eenheden en dus geen fractiewaarde (%)
is. Een overzicht wordt gegeven in tabel 3.1.
3.3.2 Opbouw van Warburton’s model
Zoals besproken in sectie 3.2.1, is het model van Warburton gebaseerd op de PNR labor rate
profiles, die gebruik maken van de parameters N en T. De formule kan teruggevonden worden in
vergelijking 3.1. In deze sectie wordt beschreven hoe de curves van de tijdsafhankelijke PV, EV
en AC worden gevormd.
22
3Warburton’s model: tijdsafhankelijke EVM
Planned Value
Zoals aangegeven door R.D.H. Warburton (2010), ‘wordt de PV-curve gevormd bij aanvang
van een project. Wanneer de projectplanning is opgemaakt, worden tijdsgebonden budgetten
opgesteld door het optellen van de tijdsgebonden arbeidsbijdragen van de geplande activiteiten,
hetgeen tevens wordt weergegeven door de PNR-curve. Wanneer men zich in de planningsfase
bevindt, is de snelheid waaraan activiteiten worden afgewerkt gelijk aan de geplande arbeid over
de tijd, pv(t)w.’ Voor Warburton’s model betekent dit dat de ogenblikkelijke pv(t)w gelijk is aan
de arbeidsgraad, of de PNR-curve, terwijl de cumulatieve PV (t)w gelijk is aan de cumulatieve
som van de ogenblikkelijke pv(t)w-waarden:
pv(t)w = PNR(t) =N t
T 2exp
(− t2
2T 2
)(3.1)
PV (t)w =
∫ t
0
pv(s)wds = N
[1− exp
(− t2
2T 2
)](3.2)
Om deze curves te plotten zijn de waarden voor N en T vereist. Aangezien we ons in de
planningsfase van het project bevinden, dienen deze twee parameters te worden bepaald bij
aanvang van het project. Zoals besproken in sectie 3.3.1, is N gelijk aan het vastgestelde BAC.
Het tijdstip van de arbeidspiek is minder vanzelfsprekend om te bepalen. Twee werkwijzen,
die allebei gebruik maken van traditionele EVM technieken kunnen worden gevolgd. De eerste
mogelijkheid om T te bepalen is door te kijken op welk tijdstip t 40% van het BAC, of N,
volgens de projectplanning afgewerkt dient te zijn op basis van de traditionele PV-curve. De
tweede mogelijkheid bestaat erin te bepalen welk tijdstip t de gekwadrateerde afwijking tussen
Warburton’s pv(t)w-curve en de traditionele pv-curve minimaliseert.
Earned Value
De ev(t)w-curve wordt opgesteld nadat een deel van het project reeds is afgewerkt, in tegenstel-
ling tot de pv(t)w-curve die wordt opgesteld bij aanvang van het project. Warburton’s model
beoogt deze curve op te stellen voor het complete project door gebruik te maken van vroege
projectdata, in tegenstelling tot de traditionele EV-curve die continu wordt bijgewerkt op ieder
trackingstijdstip, en dit tot het einde van het project.
R.D.H. Warburton (2010) verklaarde dat ’in ieder interval een fractie r van de activiteiten niet
werd voltooid zoals verwacht, hierdoor werden afgekeurd en waardoor er geen waarde werd
verdiend. De andere activiteiten, zijnde een fractie 1-r, werden wel voltooid zoals verwacht en
waardoor er daarvoor wel waarde werd verdiend. Warburton’s model stelt dat in het begin van
het project, in het interval t ≤ τ , de EV gelijk is aan de PV van de fractie van activiteiten die
succesvol werden voltooid. Voor t > τ , bestaat de EV uit twee delen. Enerzijds is er de fractie
aan activiteiten die succesvol werden voltooid op tijdstip t, en anderzijds de activiteiten die
op tijdstip t-τ vertraging hebben opgelopen en nu voltooid zijn.’ Op deze manier wordt de
23
Warburton’s model: tijdsafhankelijke EVM
3
ev(t)w-cuve opgesteld en volgt de EV (t)w-curve uit het integreren van de ogenblikkelijke waarden:
ev(t)w =
{(1− r)pv(t)w, t ≤ τ
(1− r)pv(t)w + r.pv(t− τ)w, t > τ(3.3)
EV (t)w =
N(1− r)[1− exp
(− t2
2T 2
)], t ≤ τ
N −N(1− r)exp(− t2
2T 2
)− r.N.exp
(− (t−τ)2
2T 2
), t > τ
(3.4)
Voor een grote waarde van t is het duidelijk dat EV (t→∞)w = N = BAC, hetgeen simpelweg
betekent dat aan het einde van het project alle activiteiten voltooid zijn.
Om deze curves te plotten, zijn vier parameterwaarden vereist. N en T werden reeds bepaald bij
aanvang van het project, zoals hierboven vermeld. De parameters r en τ zullen echter bepaald
worden aan de hand van vroege projectdata, zijnde gegevens die beschikbaar zijn nadat een
deel van het project werd voltooid. Dit kan bijvoorbeeld het geval zijn wanneer 25% van N
werd verdiend. Om r te bepalen, dient men te kijken naar de vroege projectdata en het aantal
afgewerkte activiteiten te bepalen. Vervolgens dient men te bepalen welke fractie van deze
afgewerkte activiteiten vertraging heeft opgelopen en dus niet werd afgewerkt binnen hun PD.
De waarde voor τ is dan gelijk aan de gemiddelde vertraging van deze afgekeurde activiteiten.
r =# afgewerkte activiteiten met AD > PD
#aantal afgewerkte activiteiten(3.5)
τ =
∑(AD - PD )van elke afgekeurde activiteit
# afgekeurde activiteiten(3.6)
Actual Cost
Zoals R.D.H. Warburton (2010) beschreef, ‘is de AC-curve, gelijkaardig aan de ev(t)w-curve
en dient deze te worden opgesteld aan de hand van vroege projectdata. Warburton’s model
veronderstelt dat het werk initieel werd verricht volgens plan, maar dat een fractie r van de
activiteiten niet voltooid werd omdat de voorziene hoeveelheid aan arbeidskrachten onvoldoende
was. Daarom wordt de AC verondersteld gelijk te zijn aan de PV voor t < τ . De extra kost nodig
voor het afwerken van de afgekeurde projecten zal in de toekomst worden gemaakt. Dit is de
reden waarom in het geval dat t > τ , de ogenblikkelijke ac(t)w-waarden zowel de kost omvatten
van het reeds gedane werk aan activiteiten die succesvol werden voltooid op tijdstip t, als de
kost voor het voltooien van de afgekeurde activiteiten op tijdstip t− τ die nu voltooid zijn. Zoals
hierboven beschreven, wordt de fractionele extra kost voorgesteld aan de hand van parameter c.
24
3Warburton’s model: tijdsafhankelijke EVM
Dit geeft aanleiding tot volgende formules voor zowel de ac(t)w- en de AC(t)w-curve:
ac(t)w =
{pv(t)w, t ≤ τ
pv(t)w + r.c.pv(t− τ)w, t > τ(3.7)
AC(t)w =
N[1− exp
(− t2
2T 2
)], t ≤ τ
N[1− exp
(− t2
2T 2
)]− r.c.N
[1− exp
(− (t−τ)2
2T 2
)], t > τ
(3.8)
In de bovenstaande formules, stelt r.pv(t− τ)w de fractie van de eerder verworpen activiteiten
voor, terwijl c de extra kost vertegenwoordigt om deze activiteiten af te werken.
Om de curves te plotten, zijn de reeds beschreven parameters N,T, r en τ opnieuw vereist,
waarbij de eerste twee bepaald worden bij aanvang van het project en de laatste twee aan de
hand van vroege projectdata. Gelijkaardig als bij r en τ , wordt de waarde van c bepaald door
te kijken naar beschikbare vroege projectdata op het moment waarop de ac(t)w-curve wordt
opgesteld. De waarde voor c wordt als volgt berekend :
c =
∑(AC−PC
PC )van elke afgekeurde activiteit
# afgekeurde activiteiten(3.9)
Een voorbeeld van hoe de ogenblikkelijke en cumulative PC, EV en AC-curves eruit zien wordt
gegeven in respectievelijk figuur 3.1 en 3.2.
25
Warburton’s model: tijdsafhankelijke EVM
3
Figuur 3.1: Ogenblikkelijke Planned Value, Earned Value en Actual Cost voor de PNR labor profile(Warburton, 2010)
Figuur 3.2: Cumulatieve Planned Value, Earned Value en Actual Cost voor de PNR labor profile (Warburton,2010)
26
3Warburton’s model: tijdsafhankelijke EVM
3.4 Voorspellingen aan de hand van Warburton’s model
In de volgende secties zal beschreven worden hoe het model uit sectie 3.3.2 gebruikt kan worden
om schattingen te maken van de finale projectkost EACw (sectie 3.4.1) en -duur EAC(t)w
(3.4.2.) op basis van vroege projectdata.
3.4.1 Voorspellen van de finale projectkost
Het model van Warburton is in staat om de finale projectkost te voorspellen aan de hand van
vroege projectdata door de finale waarde van de cumulatieve AC(t)w-curve te bepalen :
EACw = AC(t→∞)W = N(1 + r ∗ c) (3.10)
Dit impliceert dat, van zodra de parameters N, r en c bepaald zijn, de finale projectkost geschat
kan worden. Zoals reeds vermeld, is N gekend bij aanvang van het project, terwijl r en c geschat
worden aan de hand van vroege projectdata.
Een belangrijk gegeven in verband met deze voorspelling is dat het een constante betreft,
aangezien ze enkel afhangt van de sleutelcomponenten van Warburton’s model, die als constanten
worden beschouwd over de duur van het project. Net daarom is het mogelijk om voorspellingen
met betrekking tot de finale projectkost te maken waarbij de bepaling van r en c reeds in een
vroeg stadium van het project gebeurt, wat een voordeel is voor project managers.
3.4.2 Voorspellen van de finale projectduur
Hoewel R.D.H. Warburton in zijn paper (2010) suggereert dat zijn model gebruikt kan worden
om de finale projectduur te voorspellen, wordt er geen concrete methode naar voor geschoven
om dit te doen. Men zou er kunnen van uitgaan dat de finale projectduur gevonden kan worden
door te kijken op welk tijdstip de totale waarde N of het BAC verdiend is:
EAC(t)w = Tijdstip t waarop EV (t)w gelijk is aan BAC (3.11)
3.5 Verschillen met traditionele EVM
3.5.1 Functionele tijdsafhankelijkheid
In het model van Warburton werd de tijdsafhankelijkheid, die besproken werd in sectie 3.2,
geıntegreerd. Dit zorgt ervoor dat constante voorspellingen kunnen gemaakt worden van de
finale projectduur (EAC(t)) en -kost (EACw) op basis van vroege projectdata, in tegenstelling
tot continu wijzigende EAC en EAC(t) waarden zoals dat bij de traditionele EVM methode
het geval is.
27
Warburton’s model: tijdsafhankelijke EVM
3
3.5.2 Vroege projectdata
Belangrijk in het model van Warburton is dat de tijdsafhankelijke curves zullen worden opgesteld
op basis van de zogenoemde vroege projectdata. Dit betekent dat de noodzakelijke parame-
terwaarden pas zullen worden bepaald nadat het project reeds gestart is en er een bepaald
percentage, bv. 30%, van het BAC verdiend is. Alle data met betrekking tot de uitvoering van
het project die dan beschikbaar zijn, bv. de data beschikbaar van zodra 30% van het project is
voltooid, zijn de zogenoemde vroege projectdata.
Eens de waarden voor de parameters bepaald zijn, kunnen alle nodige curves, die nodig zijn voor
het maken van voorspellingen omtrent de finale projectduur en -kost, worden opgesteld. Dus, in
tegenstelling tot de traditionele methode, die continu de EV- en AC-curves aanpast tijdens het
verloop van het project, beoogt Warburton’s model om betrouwbare EV- en AC-curves op te
stellen voor het hele project door enkel gebruik te maken van vroege projectdata, aangezien de
waarschuwingssystemen net in dit vroege stadium van een project het nuttigst zijn voor project
managers.
3.6 Tekortkomingen
3.6.1 Acceleratiefasen tijdens het project
Wanneer men kijkt naar de formules van de parameters, wordt het al snel duidelijk dat het model
geen rekening houdt met acceleratiefases van het project of, in andere woorden, met de impact
van activiteiten die vroeger afgewerkt zijn dan gepland. De definitie van de parameter r, het
uitvalpercentage van activiteiten, geeft het percentage van activiteiten weer dat niet afgewerkt
wordt binnen de geplande duurtijd en daarom wordt afgekeurd. Warburton’s model voorziet
echter geen aanpassing van activiteiten die vroeger dan gepland worden afgewerkt of, met andere
woorden, versneld zijn en voorlopen op schema. Dit is een cruciale tekortkoming van het model
omdat de andere sleutelparameters c en τ evenmin zullen worden aangepast. De parameters r
en τ , respectievelijk de kostenoverschrijding en de hersteltijd van de afgekeurde activiteiten,
worden beide berekend op basis van het percentage van activiteiten, bepaald door parameter
r. In zijn aanwijzingen voor toekomstig onderzoek verwijst R.D.H. Warburton (2010) zelf ook
expliciet naar de tekortkomingen van het model dat niet in staat is om te gaan met negatieve
waarden voor τ , omwille van termen met betrekking tot de tijdsvertraging in de formules, bv.
pv(t− τ)w .
3.6.2 Kritieke pad
Omwille van de wiskundige formules die de pc(t)w-, ev(t)w- en ac(t)w-curves bepalen, maakt
het model geen onderscheid tussen kritieke en niet-kritieke activiteiten. Een vertraging van een
kritieke activiteit, heeft een directe impact op de finale duurtijd van het project, terwijl dit niet
noodzakelijk het geval is bij een niet-kritieke activiteit. Het model van Warburton is niet in
28
3Warburton’s model: tijdsafhankelijke EVM
staat om hiermee rekening te houden bij het bepalen van de parameters r, c en τ .
3.6.3 Voorspellen van de finale projectduur
Zoals besproken in sectie 3.4.2, suggereert R.D.H. Warburton dat het model gebruikt kan worden
om de finale projectduur te voorspellen, maar wordt hiervoor geen specifieke methode naar
voren geschoven.
3.6.4 Cumulatieve waarden
Tot slot kan nog gewezen worden op de tekortkoming van Warburton’s model met betrekking
tot de relatie tussen de ogenblikkelijke en cumulatieve waarden. Omwille van de mathematische
formulering van het model, zijn de cumulatieve waarden op een bepaald tijdstip niet gelijk aan
de som van alle ogenblikkelijke waarden. Dit is een direct gevolg van de wiskundige formulering
van het model.
29
4
HOOFDSTUK 4
Monte-Carlo simulaties
4.1 Introductie
Een derde methode voor het verkrijgen van schattingen omtrent de finale projectduur en -kost
betreft het uitvoeren van Monte-Carlo simulaties dewelke gebaseerd zijn op intervalschattingen
voor de specifieke projectdata, dit in tegenstelling tot de puntschattingen zoals vastgelegd door
de project manager in de baseline schedule.
Zoals door J. Mun (2006) beschreven, ‘is een Monte-Carlo simulatie in zijn eenvoudigste vorm
een random number generator die gebruikt kan worden voor voorspellingen, schattingen en
risicoanalyse. Een simulatie berekent verschillende scenario’s van een model door herhaaldelijk
waarden te kiezen uit een voorgedefinieerde kansverdeling voor de onzekere variabelen en deze
te gebruiken in het model.’
In deze thesis worden Monte-Carlo simulaties gebruikt om de kost en duurtijd van projecten te
voorspellen. Zoals hierboven werd beschreven, vormen Monte-Carlo simulaties een herhalend
proces, bestaande uit meerdere runs. Op basis hiervan wordt de fysieke voortgang van het pro-
ject gesimuleerd, rekening houdend met vooraf gedefinieerde risicodistributies voor elke activiteit.
In de volgende sectie zal een overzicht gegeven worden van het gebruik van intervalschattingen
in de vorm van statistische distributies, die de project manager in staat stellen meer realistische
inschatting te maken van de projectuitkomst aan de hand van Monte-Carlo simulaties. Vervol-
gens wordt in sectie 4.3 dieper op in gegaan op het gebruik van driehoekige risicodistributies. In
sectie 4.4 wordt ten slotte beschreven hoe voorspellingen op basis van Monte-Carlo simulatie
kunnen worden gemaakt.
31
Monte-Carlo simulaties
4
4.2 Puntschatting versus intervalschatting
Zoals beschreven door M. Vanhoucke (2011), ‘leidt het gebruik van puntschattingen voor pro-
jectdata, zoals duurtijd en kost van de verschillende activiteiten van een project, vaak tot een
onrealistische voorstelling en schatting van het project, dit omwille van de onzekerheid die
eigen is aan projecten. Risicomanagement vereist echter de nodige analytische vaardigheden
en basiskennis van statistiek, dewelke vaak als zeer complex en theoretisch beschouwd wordt,
en waarbij de aanknoping met de praktijk soms veraf is. Een basiskennis van en inzicht in het
gebruik van waarschijnlijkheids- en distributiefuncties, kunnen de project manager echter in
staat stellen om het effect van onverwachte gebeurtenissen op het project beter in te schatten.’
Volgens M. Vanhoucke (2011), ‘is het gebruik van intervalschattingen onder de vorm van
statistische distributies dan ook cruciaal voor een grondige en realistische analyse van een project
en het toekomstig verloop ervan, dat gekenmerkt wordt door wijzigingen ten opzichte van de
originele puntschattingen uit de baseline schedule. Het gebruik van statistische distributies in
plaats van puntschattingen, vervangt het deterministische karakter van de projectparameters
door intervalschattingen die leiden tot een meer accurate en realistische schatting van het
finale resultaat van het project.’ Onderstaande tabel geeft een beknopt overzicht weer van de
voornaamste verschillen tussen punt- en intervalschattingen.
Tabel 4.1: Overzicht verschillen tussen punt- en intervalschattingen
Type Op basis van Aard Risico-integratie ComplexiteitPuntschatting Baseline schedule Deterministisch Neen LaagIntervalschatting Statistische Stochastisch Ja Hoog
distributiefunctiesDriehoekige Stochastisch Ja Laagrisicodistributies
Ten einde een betere schatting van het finale resultaat te verkrijgen, kunnen intervalschattingen
volgens M. Vanhoucke enerzijds gebeuren aan de hand van statistische distributiefuncties en
anderzijds door gebruik te maken van driehoekige risicodistributies. In sectie 4.3 wordt verder
ingegaan op de laatstgenoemde methode. Het gebruik van statistische distributiefuncties voor
intervalschatting valt helaas buiten het bestek van deze thesis.
Aan de hand van een voorbeeld (Vanhoucke, 2011) geeft onderstaande figuur het verschil in
resultaat weer tussen het gebruik van intervalschattingen aan de hand van statistische distributies,
en puntschattingen voor duurtijd van de individuele activiteiten. De critical path methode
bepaalt het langste pad in het netwerk op basis van de puntschattingen voor de individuele
activiteiten, hetgeen resulteert in n enkele waarde voor de totale projectduur (bovenste luik
van figuur 4.1). Wanneer de puntschattingen echter vervangen worden door intervalschattingen
32
4Monte-Carlo simulaties
aan de hand van statistische distributies, ligt de totale duurtijd van het project tussen twee
extreme waarden en bijgevolg kan de waarschijnlijkheid berekend worden waarmee een project
zal eindigen voor of na een specifiek tijdstip uit dat interval (onderste luik van figuur 4.1).
Figuur 4.1: Een vaste en variabele projectduurtijd als gevolg van het gebruik van enerzijds puntschattingenen anderzijds intervalschattingen voor de duurtijd (Vanhoucke, 2011).
4.3 Driehoekige risicodistributies
Zoals vermeld door M. Vanhoucke (2011), ‘gebeurt de formulering van risico in de praktijk erg
vaak op een subjectieve en vage manier, waardoor het risico kan worden weergegeven aan de
hand van de mate van scheefheid als maatstaf voor de graad van asymmetrie in de waarschijn-
lijkheidsverdeling van de reele waarde van een willekeurige variabele.’
De skewness benadering kan gemakkelijk toegepast worden door gebruik te maken van 3-punts-
schattingen (a, m, b). Hierbij stelt m het meest waarschijnlijke scenario voor en is gelijk aan
de puntschatting op basis van de baseline schedule. Daarnaast wordt eveneens een worst case
en best case scenario gedefinieerd door respectievelijk de puntschattingen a en b, waarbij a <
m < b. In projectmanagement worden 3-punts-schattingen vaak gebruikt gebruikt voor het
modelleren van de duurtijd van activiteiten zoals in de Program evaluation and review technique
(PERT) (Vanhoucke, 2011). Aan de hand van driehoekige risicodistributies, zoals weergegeven
in figuur 4.2, kunnen 3-punts-schattingen worden toegepast voor de integratie van risico in een
projectplanning. Hierbij kan men 3 gevallen onderscheiden:
• Linksscheef: de activiteit is onderhevig aan een zeker risico binnen een bepaald bereik
dat begrensd wordt door een worst case scenario a en best case scenario b,
waarbij (m - a) > (m - b).
33
Monte-Carlo simulaties
4
• Symmetrisch: de activiteit is onderhevig aan een zeker risico binnen een bepaald bereik,
waarbij het worst case scenario a en het best case scenario b symmetrisch boven en onder
de waarde m liggen, i.e. (m - a) = (m - b).
• Rechtsscheef: de activiteit is onderhevig aan een zeker risico binnen een bepaald bereik
dat begrensd wordt door een worst case scenario a en best case scenario b,
waarbij (m - a) < (m - b).
Figuur 4.2: Een vaste en variabele projectduurtijd als gevolg van het gebruik van enerzijds puntschattingenen anderzijds intervalschattingen voor de duurtijd (Vanhoucke, 2011).
4.4 Voorspellingen aan de hand van Monte-Carlo simula-
ties
In deze sectie zal de stapsgewijze procedure voor het maken van voorspellingen aan de hand
Monte-Carlo simulaties besproken worden. Zoals beschreven door M. Vanhoucke (2011), ’wordt
voor het verkrijgen van pre-project voorspellingen, de fysieke vooruitgang van een project een
groot aantal keer gesimuleerd. Hierbij genereert een Monte-Carlo simulatierun een duurtijd voor
iedere activiteit van het project, aan de hand van het vooraf bepaalde risicoprofiel.
Hieronder wordt de stapsgewijze procedure - samengevat in figuur 4.3 - beschreven voor het
uitvoeren van Monte-Carlo simulaties (Vanhoucke, 2011) .
Stap 1: generatie van willekeurige getallen
Zoals beschreven door M. Vanhoucke (2011), ’ is een random number generator een computerge-
stuurd hulpmiddel dat ontworpen werd om een reeks van getallen te produceren, die geen enkel
patroon vertonen (i.e. willekeurig lijken te zijn). Deze eerste stap wordt voorgesteld (Figuur 4.3)
door een Monte-Carlo wiel dat gelabeld is met een nummer tussen 0 (inclusief) en 1 (exclusief),
hetgeen de gebruiker in staat stelt willekeurige getallen met een even grote waarschijnlijkheid te
genereren op basis van dit wiel.’
34
4Monte-Carlo simulaties
Stap 2: cumulatieve distributiefunctie
In de tweede stap, zoals beschreven door M. Vanhoucke, ’ wordt dit willekeurig getal vervolgens
gebruikt om het getal van een vooraf bepaalde distributie te bepalen. Het linkerdeel in de
tweede stap van figuur 4.1 (Vanhoucke, 2011) geeft een discrete distributiefunctie weer met 4
mogelijke waarden (4, 5, 6 of 7) en hun overeenkomstige waarschijnlijkheden. De cumulatieve
distributiefunctie aan de rechterkant van figuur 3.1, kan gebruikt worden voor het genereren van
willekeurige nummers van die distributiefunctieop basis van een reeks willekeurig gegenereerde
nummers tussen 0 en 1.Veronderstel dat het nummer gelijk is aan 0.73, dan zal dit resulteren in
een gegenereerd nummer 6 van de waarschijnlijkheidsdistributie.’
Stap 3: voeg het nieuwe nummer toe aan de BS
In de laatste stap zullen zoals beschreven door M. Vanhoucke (2011), ’de gegenereerde nummers
worden gebruikt om de PD uit de BS te vervangen door de nieuwe gegenereerde waarde om het
fictieve projectverloop te simuleren.’ Dit wordt weergegeven in het onderste luik van figuur 4.1.
35
Monte-Carlo simulaties
4
Figuur 4.3: De Monte-Carlo simulatie-aanpak in projectplanning (Vanhoucke, 2011).
36
Deel II
Reference Class Forecasting
37
5
HOOFDSTUK 5
Introductie
In de paper ‘From Nobel Prize to Project Management: Getting Risks Right’ (Flyvbjerg, 2006)
schuift B. Flyvbjerg verklaringen naar voren als antwoord op de problematiek van onnauwkeurige
voorspellingen. Daarnaast presenteert B. Flyvbjerg een nieuwe methode, zijnde reference class
forecasting, die meer accurate voorspellingen belooft door het hanteren van een zogenaamde
outside view, in tegenstelling tot traditionele voorspellingsmethodes die gebruik maken van een
inside view. De theoretische en methodologische basis voor deze methode werd voor het eerst
beschreven door Kahneman & Tversky (1979), en later door Lovallo & Kahneman (2003). De
RCF methode werd aanvankelijk ontwikkeld om een denkfout te compenseren die D. Kahneman
en A. Tversky in hun werk rond besluitvorming onder onzekerheid ontdekt hadden. Het was
echter B. Flyvbjerg die, in samenwerking met COWI, voor het eerst een praktische benade-
ring van de RCF methode publiceerde in 2004 (Flyvbjerg, Glenting & Ronnest, 2004). De
eerste praktische toepassing van de RCF methode werd door B. Flyvbjerg uitgevoerd op een
uitbreidingsproject van de Edinburgh Trams in 2004 en 2 jaar later gepubliceerd (Flyvbjerg, 2006).
39
Introductie
5
In dit hoofdstuk worden de verklaringen voor de inaccurate voorspellingen met betrekking tot de
finale projectduur en -kost besproken in sectie 5.1. Het verschil tussen een inside en eenoutside
view wordt toegelicht in sectie 5.2.
5.1 Verklaringen voor inaccurate voorspellingen
5.1.1 Verklaringen voor onnauwkeurige voorspellingen met betrek-
king tot de finale projectkost
De planning en het beheer van grote infrastructuurprojecten gaat gepaard met uitdagingen
waardoor de projectkost moeilijk te controleren valt. Deze projecten hebben volgens B. Flyvbjerg
over het algemeen de volgende kenmerken:
• Aan infrastructuurprojecten zijn inherent risico’s verbonden, vanwege de lange plannings-
horizon en de complexiteit van de projecten.
• De technologie is vaak uniek en dus atypisch.
• Tijdens het besluitvormings- en planningsproces zijn er meerdere partijen met tegenstrijdige
belangen betrokken.
• Tijdens het project doen er zich allerlei onvoorziene gebeurtenissen voor.
• Uit statistische gegevens blijkt dat ongeplande gebeurtenissen vaak niet administratief ver-
werkt worden. Dit zorgt ervoor dat reserves voor onvoorziene uitgaven zeer onnauwkeurig
worden aangelegd.
• Op die manier wordt er ook verkeerde informatie over het project bijgehouden met
betrekking tot kosten, tijd en risico’s.
• Dit resulteert in kostenoverschrijdingen en/of overschatting van de winsten voor het
merendeel van de projecten.
Om te begrijpen hoe deze kenmerken gelinkt zijn aan kostenoverschrijdingen, is het belangrijk
om te bepalen welke elementen ertoe leiden dat projecten financieel uit de hand lopen.
De redenen voor onnauwkeurige voorspellingen met betrekking tot de projectkost bij traditionele
voorspellingsmethodes kunnen worden onderverdeeld in drie categorieen (Flyvbjerg, 2006: 2011).
1. Technische verklaringen
2. Psychologische verklaringen
3. Politieke verklaringen
40
5Introductie
Technische verklaringen
Volgens Flyvbjerg (Flyvbjerg, 2006), ‘leggen de technische verklaringen de onnauwkeurigheid
uit als een gevolg van projectonzekerheid, onbetrouwbare of verouderde data, het gebruik van
ongeschikte voorspellingsmethodes en onervaren voorspellers. Het zijn vaak redenen die door het
management gebruikt worden om ondermaatse voorspellingen te verklaren. In het verleden (meer
dan 10 jaar geleden) waren zulke verklaringen wel meer van toepassing omdat de data toen een
lagere kwaliteit hadden, maar de dag van vandaag worden zulke verklaringen echter niet meer
aanvaard door de aanwezigheid van een grote hoeveelheid kwalitatieve data en geavanceerde
technologieen’.
Hoewel de kwaliteit van data en mathematische modellen in het algemeen evolueert, is gebleken
dat dit niet heeft geleid tot betere voorspellingsprestaties. Dit toont aan dat er nog andere
verklaringen moeten bestaan behalve slechte gegevens en modellen. De psychologische en
politieke redenen bieden een betere verklaring voor het gebrek aan verbetering op dit vlak.
Psychologische verklaringen
Psychologische verklaringen beschrijven de onnauwkeurigheid als gevolg van optimism bias.
Optimism bias kan worden gedefinieerd als ‘de systematische tendens van voorspellers om te
optimistisch te worden over de belangrijkste projectparameters’ (The green book - Appraisal
and evaluation in central government: Treasury guidance, 2003). Met andere woorden, optimism
bias doet zich voor wanneer planners zich laten vangen door de zogenaamde planning fallacy.
Dit laatste komt voor wanneer managers beslissingen nemen op basis van misleidend optimisme,
in plaats van een rationele afweging te maken van winst, verlies en waarschijnlijkheden. Winsten
worden hierbij overschat en kosten onderschat. Enkel de succes-scenario’s worden bekeken,
terwijl er met het risico op fouten en miscalculaties geen rekening gehouden wordt. Dit zorgt
ervoor dat managers initiatieven voortzetten, waarbij het zeer onwaarschijnlijk is dat ze binnen
het budget en op tijd gerealiseerd zullen worden’ (Lovallo & Kahneman, 2003).
Er werd reeds aangetoond dat mensen in het algemeen te optimistisch zijn. Uit onderzoek bleek
dat het zeer gebruikelijk is dat - wanneer aan mensen gevraagd wordt hun eigen talenten te
evalueren - ze denken dat ze zich boven het gemiddelde bevinden. Bijvoorbeeld, in een onderzoek
met een miljoen deelnemende studenten gaf 70% aan dat ze meer leiderskwaliteiten hadden dan
het gemiddelde, terwijl slechts 2% zich onder het gemiddelde klasseerde. Daarnaast beoordeelde
60% zichzelf boven het gemiddelde toen ze werden gevraagd naar hun atletisch vermogen, maar
slechts 6% beoordeelde zichzelf onder het gemiddelde. Een significante 60% antwoordde zichzelf
boven het gemiddelde te klasseren met betrekking tot hun vermogen om met anderen om te
gaan, terwijl 25% dacht tot de top 1% te behoren. Statistisch gezien is dat onmogelijk (Lovallo
& Kahneman, 2003).
41
Introductie
5
Een andere, veel voorkomende tendens bij mensen is om negatieve resultaten toe te schrijven
aan externe factoren, maar krediet te nemen voor de positieve. Een studie toont bijvoorbeeld
aan dat managers de neiging hebben om externe factoren, zoals het weer of de inflatie, de schuld
te geven als het resultaat ongunstig is. Daartegenover schrijven ze een gunstige uitkomst toe aan
factoren die onder hun controle vallen, zoals bv. de bedrijfsstrategie (Lovallo & Kahneman, 2003).
Daarnaast zijn er twee andere redenen die het optimisme nog verder vergroten: enerzijds
anchoring en anderzijds het verwaarlozen van de concurrentie.
• Anchoring
Dit fenomeen komt voor wanneer een voorspelling wordt gebaseerd op een plan dat werd
opgesteld door de persoon of het team dat het project initieel voorstelde. Dit kan tot een
over-optimistische voorspelling leiden omdat het plan juist werd opgesteld om de positieve
punten van het project te belichten. Een voorspelling op basis van dit plan zal daarom
automatisch te optimistisch worden (Lovallo & Kahneman, 2003).
• Het verwaarlozen van de concurrentie
Dit komt voor wanneer planners zich uitsluitend richten op hun eigen bedrijfsmogelijkheden
bij het maken van voorspellingen, maar de mogelijkheden van hun concurrenten hierbij
volledig negeren. Dit leidt tot het onderschatten van de kans op negatieve gebeurtenissen
(Lovallo & Kahneman, 2003).
Het is echter niet zo dat enthousiasme altijd nefast is, en bijgevolg door planners en organisaties
getemperd moet worden. Vaak brengt enthousiasme ook optimisme mee en motiveert het
medewerkers om het doel van het bedrijf te bereiken. Maar, de financiele belichting maakt het
belangrijk om te zorgen voor een realistische voorspelling. De sleutel hierbij is om bewust te
zijn van de optimism bias en dit zo veel mogelijk te elimineren door middel van een geschikte
methodologie. Daarom is het bij de eerste beslissing omtrent het al dan niet voortzetten van
het project sterk aan te raden om een outside view te hanteren in plaats van een inside view
(cf. infra), omdat het eerste een betere kans biedt op een nauwkeurige voorspelling (Lovallo &
Kahneman, 2003).
Als optimism bias de enige verklaring was voor de onnauwkeurigheid in de voorspellingen, dan
zou verwacht moeten worden dat planners geleerd zouden hebben om het patroon te herkennen
om zo de voorspellingen te verbeteren doorheen de tijd. In sommige gevallen is de optimism
bias de belangrijkste reden voor de onnauwkeurigheden, bijvoorbeeld wanneer de voorspelling
wordt gemaakt door een nieuwe, onervaren forecaster, maar het lijkt onwaarschijnlijk dat
een hele beroepsgroep van voorspellingsexperts dezelfde fouten keer op keer zou maken. Zij
zouden immers leren uit hun voorgaande fouten waardoor hun voorspellingen zouden verbeteren.
Optimism bias kan een deel van de verklaring zijn voor de onnauwkeurigheid in de voorspellingen,
maar kan niet alles verklaren (Flyvbjerg, 2011).
42
5Introductie
Politieke verklaringen
De politieke verklaringen verklaren de onnauwkeurigheid van voorspellingen als gevolg van een
strategische, verkeerde voorstelling van zaken. Dit doet zich voor wanneer voorspellers en mana-
gers bewust de winst overschatten en de kosten onderschatten om de kans op goedkeuring van
het project te verhogen, en meer geldmiddelen voor het project binnen te halen (Flyvbjerg, 2006).
Er wordt gezegd dat een strategisch verkeerde voorstelling van zaken het resultaat is van enerzijds
het feit dat beslissingen ondersteund moeten worden met feiten en cijfers om overtuigend te zijn,
en anderzijds van te veel politieke en organisatorische druk. Groepen en individuen zijn voortdu-
rend in concurrentie met elkaar omdat het onmogelijk is om alle projecten te financieren. Dus,
om de kans te verhogen dat een project geselecteerd wordt, stellen mensen de verwachte resulta-
ten zo gunstig mogelijk voor, alhoewel gegevens gewijzigd werden en/of belangrijke informatie
verzwegen werd die nochtans belangrijk zijn voor het welslagen van het project (Flyvbjerg, 2011).
Studies van Flyvbjerg, Glentling & Ronnest (2004) en Wachs (1986) ondersteunen de opvatting
dat in situaties waar sprake is van een hoge politieke en organisatorische druk, voorspellers
opzettelijk gebruik maken van de volgende formule om de goedkeuring en de financiering van
hun projecten veilig te stellen:
Onderschatte kosten + Overschatte winsten = Goedkeuring van het project (5.1)
Het resultaat hiervan is dat het niet de beste projecten zijn die uitgevoerd worden, maar wel
de projecten die kunstmatig en misleidend zijn gemaakt om er het best uit te zien op papier
(Flyvbjerg, 2011).
Hoewel de laatste twee verklaringen (psychologische en politieke) verschillend zijn, is het resultaat
hetzelfde: onnauwkeurige voorspellingen. Zoals getoond in figuur 5.1 kunnen de psychologische
verklaringen (optimism bias) het optimisme bij voorspellingen vooral verklaren in situaties
waar de politieke en organisatorische druk afwezig of laag is, terwijl politieke verklaringen (een
strategische, verkeerde voorstelling van zaken) vooral hun verklarende waarde hebben wanneer
de politieke en organisatorische druk hoog is (Flyvbjerg, 2008).
De twee verklaringen vullen elkaar aan: de ene is sterk waar de andere zwak is en beide verkla-
ringen zijn noodzakelijk om het fenomeen van onnauwkeurige voorspellingen te begrijpen en te
bedwingen (Flyvbjerg, 2006).
43
Introductie
5
Figuur 5.1: Verklarende kracht van strategic misrepresentation en optimism bias ten opzichte van politiekeen organisatorische druk (Flyvbjerg, 2006).
Tabel 5.1: Overzicht van de verklaringen voor onnauwkeurige voorspellingen
Technische verklaringen Psychologische verklaringen Politieke verklaringen- Foute voorspellingen - Optimism bias - Strategische verkeerde- Ongeschikte voorspellings- - Ondoordachte houding voorstelling van zakenmethodes ten opzichte van om het project- Gebrekkige plannen risico’s en onzekerheden goedgekeurd te krijgen
5.1.2 Verklaringen voor onnauwkeurige voorspellingen met betrek-
king tot de finale projectduur
Naast het voorspellen van de finale projectkost, vormt het voorspellen van de finale duurtijd een
tweede belangrijke uitdaging voor project managers. Projecten lopen namelijk vaak vertragingen
op omwille van een verscheidenheid aan redenen. In deze sectie zullen we een overzicht geven
van de oorzaken van het overschrijden van de voorspelde projectduur in de bouwsector (Shi,
Cheung & Arditi, 2001). In het contract wordt namelijk een duurtijd vastgelegd die door de
managers gerespecteerd dient te worden. Helaas kunnen er zich onverwachte gebeurtenissen
voordoen tijdens de levensduur van het bouwproject die een invloed kunnen hebben op de finale
projectduur. Wanneer een aannemer er niet in slaagt om het project binnen de contractperiode
te voltooien, is er dus sprake van vertraging voor het project.
Een project bestaat meestal uit een collectie van verschillende, opeenvolgende activiteiten. De
kans dat een deel van deze activiteiten wordt uitgevoerd op een ander tijdstip dan initieel werd
voorspeld is dan ook reeel. Dit kan er voor zorgen dat sommige activiteiten een vertraging
oplopen, hetgeen kan leiden tot een toename in de finale projectduur. Het beeindigen van
44
5Introductie
een activiteit kan enerzijds worden vertraagd doordat een activiteit met vertraging start en
anderzijds doordat een activiteit langer duurt dan gepland. De redenen waarom activitei-
ten met vertraging starten, zijn verschillend van de redenen waarom activiteiten meer tijd in
beslag nemen dan gepland, zoals weergegeven in figuur 5.2. Vertragingen voor activiteiten
kunnen al dan niet zorgen voor vertragingen in daaropvolgende activiteiten en kunnen zo leiden
tot een vertraging van de finale projectduur. Ook dit wordt schematisch in figuur 5.2 weergegeven.
Figuur 5.2: Oorzaak-gevolg relaties van vertraging in de bouw (Shi, Cheung & Arditi, 2001)
45
Introductie
5
5.2 Inside versus outside view
Het verschil tussen het nemen van een inside view en een outside view valt het best te omschrijven
met een kort voorbeeld (Flyvbjerg, 2006):
Tijdens een project om een curriculum te ontwikkelen voor een nieuwe studierichting voor
middelbare scholen in Israel, werd aan elk lid van het planningsteam gevraagd om in te schatten
hoe lang de projectduur zou zijn. De schattingen varieerden tussen 18 en 30 maanden. Een
lid van het team, een expert in curriculumontwikkeling, werd vervolgens gevraagd om zo veel
mogelijk soortgelijke projecten te zoeken en de andere teamleden te vertellen hoe lang deze
projecten uit het verleden hadden geduurd. De expert kwam tot de verbinding dat ongeveer 40%
van de vergelijkbare projecten nooit werd voltooid en dat de duurtijd van de overige 60% van
de projecten varieerde tussen 7 en 10 jaar. Daarnaast achtte de expert het huidige team even
bekwaam als de voorgaande teams. Desondanks besloot het team om verder te gaan met de
initiele voorspelling. De ontwikkeling van het curriculum werd uiteindelijk 8 jaar later voltooid,
maar het werd zelden opgenomen.
In dit voorbeeld werden twee voorspellingen gemaakt die zeer verschillende resultaten opleverden.
De inside view was enkel gericht op het huidige project. De resulterende prognoses waren zeer
optimistisch. De outside view daarentegen, negeerde het huidige project volledig, maar in plaats
daarvan onderzocht het vergelijkbare ervaringen uit het verleden. De resulterende prognose was
veel nauwkeuriger.
Onderzoek heeft aangetoond dat wanneer aan mensen eenvoudige vragen worden gesteld die
hen verplichten om een outside view te nemen, hun antwoord meer objectief en betrouwbaar
wordt. Uit onderzoek blijkt ook dat mensen van nature de neiging hebben zich te overschatten
en te denken dat hun capaciteiten boven het gemiddelde liggen. Dit valt psychologisch te
verklaren zoals besproken in sectie 5.1.1. Bijvoorbeeld, wanneer aan studenten gevraagd werd
naar hun toekomstige resultaten, antwoordde 84% dat zij verwachtten beter te doen dan
hun medestudenten. Maar, wanneer aan de leerlingen eerst een vraag werd gesteld over de
resultaten van hun ingangsexamen in vergelijking met hun medestudenten en pas daarna over
hun toekomstige punten, verwachtte nog 64% het beter dan hun medestudenten te doen. Dit
is nog steeds optimistisch, maar al veel realistischer (Flyvbjerg, 2006). De outside view is een
methode om de fouten veroorzaakt door psychologische en politieke verklaringen te omzeilen
(Lovallo & Kahneman, 2003).
5.2.1 Inside view
Bij het maken van een voorspelling, zowel op vlak van kosten als op vlak van duurtijd, focust men
zich vaak op het betreffende project. Men zal hierbij veel informatie verzamelen, verschillende
scenario’s in kaart brengen en mits enkele aanpassingen deze informatie extrapoleren om zo tot
een voorspelling te komen. Dit is de zogenaamde inside view.
46
5Introductie
Een belangrijk kenmerk van de inside view is dat men de neiging heeft om zich te focussen op
het unieke van een bepaald project (Lovallo & Kahneman, 2003). Mensen hebben de neiging
te denken dat projecten die ze proberen te voorspellen unieker zijn dan dat ze werkelijk zijn.
Daarom leiden inside view-voorspellingen vaak tot te optimistische prognoses. D. Kahneman &
A. Tversky (1979) concludeerden dat het menselijk oordeel over het algemeen optimistisch is. Dit
zou te wijten zijn aan overmoed en onvoldoende aandacht voor distributionele informatie over
eerdere en soortgelijke projecten. Hierdoor hebben mensen de neiging om kosten, doorlooptijden
en risico te onderschatten en de winsten te overschatten. De inside view richt zich op delen van
het specifieke project, in plaats van op de gerealiseerde resultaten van soortgelijke gebeurtenissen
die reeds werden voltooid in het verleden.
Beperkingen van de inside view
In zijn boek “Thinking, Fast and Slow”(Kahneman, 2011), illustreert D. Kahneman de be-
langrijkste beperking van de inside view. Hij illustreert deze beperking aan de hand van een
voorbeeld betreffende de planning voor het schrijven van zijn bovengenoemde boek. Hij stelt
vast dat mensen spontaan een inside view nemen om de toekomst van een project te beoordelen,
hetgeen hij zelf ook deed. Hij concentreerde zich namelijk op de specifieke omstandigheden van
het project. Op basis van de twee hoofdstukken die hij reeds afwerkte, maakte hij een schatting
van de tijd die hij nodig zou hebben om de resterende hoofdstukken te schrijven. Hij voegde
enkele maanden als foutenmarge toe om zijn schatting iets voorzichtiger te maken.
Deze extrapolatie was echter een vergissing. Zijn voorspelling was gebaseerd op de informatie
die op dat moment aanwezig was, maar D. Kahneman had de zogenaamde unknown unknowns
niet in zijn voorspelling opgenomen. Dit vormde volgens hem de belangrijkste beperking van de
inside view. Op het moment dat D. Kahneman zijn schatting maakte, was er geen manier om
rekening te gaan houden met de opeenvolging van de volgende gebeurtenissen die voor heel wat
vertraging zouden zorgen: echtscheidingen, ziektes, coordinatiecrisissen met bureaucratieen. Dit
toonde aan dat er veel onvoorziene omstandigheden kunnen zijn, waarmee moeilijk rekening kan
gehouden worden en die een voorspelling heel onnauwkeurig kunnen maken. De kans dat er iets
fout gaat tijdens een groot project is namelijk reeel.
5.2.2 Outside view
De outside view kijkt bij een specifieke voorspelling naar voltooide projecten uit een grotere
referentieklasse. Terwijl de inside view op de verschillen wijst van specifieke projecten, richt de
outside view zich juist op de gelijkenissen ervan. Over het algemeen probeert de outside view de
volgende vraag te beantwoorden: “Wat is er in het verleden gebeurd met soortgelijke projecten
in een soortgelijke situatie?”. Het nemen van een outside view laat toe zich te distantieren
van de specifieke kenmerken van het project en de voorspelling op een statistische manier te
behandelen.
47
Introductie
5
Figuur 5.3: Inside view versus outside view gebaseerd op een technical report van B. Flyvbjerg, Glenting &Ronnest (2004)
48
6
HOOFDSTUK 6
Overzicht van de reference class forecasting methode
6.1 Introductie
Reference class forecasting (RCF) is een methode om systematisch een outside view te nemen bij
het plannen van projecten. Dit door de voorspellingen te baseren op gerealiseerde prestaties
van vergelijkbare projecten uit het verleden, in plaats van alleen te focussen op het project
in uitvoering. Oorspronkelijk werd reference class forecasting ontwikkeld om een denkfout
te compenseren die D. Kahneman en A. Tversky (1979) ontdekt hadden in hun werk over
planning en besluitvorming onder onzekerheid. Het onderzoek van D. Kahneman leverde hem
de Nobelprijs voor de Economie op in 2002.
De American Planning Association (APA) heeft planners aanbevolen om niet enkel te vertrouwen
op de inside view technieken, maar om ook gebruik te maken van de reference class forecasting
techniek als een aanvulling op de traditionele methodes om de nauwkeurigheid te verhogen. “The
green book - Appraisal an evaluation in central government: Treasury guidance”(2003) beveelt
ook aan dat de voorspellingen van kosten, winsten en duurtijd van een project, best worden geba-
seerd op gegevens van projecten uit het verleden of van vergelijkbare projecten (Flyvbjerg, 2008).
49
Overzicht van de reference class forecasting methode
6
Reference class forecasting vereist dat de volgende drie stappen worden doorlopen voor elk
afzonderlijk project (Flyvbjerg, 2008):
Stap 1: Identificatie van een relevante referentieklasse van projecten uit het verle-
den
De sleutel tot succes is om een klasse te identificeren die ruim genoeg is om statistisch betekenis-
vol te zijn, maar ook smal genoeg om vergelijkbaar te zijn met het te voorspellen project.
Stap 2: Opstellen van een kansverdeling voor de geselecteerde referentieklasse
Dit vereist betrouwbare gegevens omtrent de overschrijding van de voorspelde kosten en duur-
tijd voor een voldoende aantal projecten binnen de referentieklasse om een statistisch zinvolle
conclusie te trekken. De gegevens van de projecten uit de referentieklasse zijn gebaseerd op (1)
de tijd van de beslissing, (2) de geraamde kosten op het moment van deze beslissing en (3) de
werkelijke kosten van het project. Alle gegevens van de geselecteerde referentieklasse worden
gebruikt voor het opstellen van een kansverdeling.
Figuur 6.1: Statistische weergave van de RCF methode (Flyvbjerg, 2011).
Stap 3: Vergelijking van het specifieke project met de distributie van de referen-
tieklasse
Bovenstaande figuur geeft een statistische kijk op hoe reference class forecasting werkt. In een
eerste stap verschuift reference class forecasting de beste schatting van de conventionele voorspel-
ling - de voorspelling van de planner, hier aangeduid door de grijze lijn - in de richting van het
gemiddelde van de referentieklasse. De distributie van de resultaten van de referentieklasse wordt
aangegeven door de rode curve (stap 2). Daarna past reference class forecasting de schatting
van het interval voor de conventionele prognose aan, aan het interval van de referentieklasse
(stap 3).
50
6Overzicht van de reference class forecasting methode
6.2 Reference class forecasting methodes doorheen de tijd
6.2.1 De methode van Mott MacDonald (2002)
De methode van Mott MacDonald (MacDonald, 2002) kan worden beschouwd als de eerste
toepassing van RCF voor infrastructuurprojecten. Het consultancy bureau Mott MacDonald
adviseerde de Britse regering op welke manier zij een outside view konden nemen voor het
voorspellen van hun infrastructuurprojecten. Ze raadpleegden hiervoor een eigen database,
die minder uitgebreid en minder gedetailleerd was dan de Flyvbjerg database (cf. infra). De
consultants van Mott MacDonald adviseerden om de voorspellingen te verhogen binnen een
bepaald interval.
Figuur 6.2: Overzicht concept van de methode volgens Mott MacDonald
Dit wordt geıllustreerd in figuur 6.2. Als uitgangspunt wordt de maximale waarde van de uplift
genomen (stap 2) en deze kan worden verminderd door aan te tonen dat de risico’s worden
beheerd aan de hand van de 5 risicozones voor bouwprojecten die door hen naar voren werden
geschoven (stap 3). In dit opzicht worden specifieke kenmerken van het project verwerkt.
6.2.2 De methode van Flyvbjerg (2006)
De methode van Flyvbjerg (Flyvbjerg, 2006: 2008) is gebaseerd op de database die hij begon
aan te leggen vanaf zijn eerste artikel over RCF (2003) en omvat een grote verscheidenheid aan
projecten. Het basisidee van deze methode is een optimism bias uplift gebaseerd op het risico dat
de initiator bereid is te accepteren. Deze uplift wordt afgeleid uit een gepaste normale distributie
uit de database die gebaseerd is op ervaringen uit het verleden. Er wordt ook rekening gehouden
met alle vormen van vertekening.
Figuur 6.3: Overzicht concept van de methode volgens B. Flyvbjerg
Het basisconcept van deze werkwijze wordt geıllustreerd in figuur 6.3. Bijvoorbeeld, wanneer de
aanleg van een weg als project wordt beschouwd en de gemiddelde kostoverschrijding van de
51
Overzicht van de reference class forecasting methode
6
referentieklasse 20% bedraagt, dan wordt aangenomen dat er 50% kans bestaat dat de kosten
van het project minder dan 120% van de voorspelde kosten zullen bedragen. Op basis van het
aanvaardbare risiconiveau, wordt het startpunt van de uplift geschat (stap 2). De uplift kan
worden verminderd door het aanvaardbaar risiconiveau te verlagen (stap 3).
6.2.3 De methode van Salling (2009)
Deze methode (Salling & Banister, 2009) werd ontwikkeld door Salling, assistent-professor aan
de Technische Universiteit van Denemarken, en combineert de deterministische berekening van
de kosten-batenanalyse (KBA) met de stochastische berekening van RCF.
Figuur 6.4: Overzicht concept van de methode volgens Salling
Het basisconcept is geıllustreerd in figuur 6.4. Tijdens de eerste stap wordt de puntschatting van
de KBA aangepast met de optimism bias uplift. Dit principe is hetzelfde als in de methode van
Flyvbjerg. Vervolgens worden verschillende soorten distributies (Erlang, Beta-PERT, PERT)
vergeleken met verdelingen van kostenoverschrijdingen voor de verschillende projecten die werden
gevonden in de database van B. Flyvbjerg (stap 3). Dan wordt er een minimum en een maximum
waarde bepaald voor de belangrijkste kostenposten die werden voorspeld. Hierna wordt er een
toepasselijke verdeling toegewezen aan deze kostenposten en wordt er een Monte-Carlo simulatie
uitgevoerd om de meest waarschijnlijke uitkomst van de voorspelling te bepalen.
6.2.4 Conclusie
Hieronder zullen de belangrijkste kenmerken, overeenkomsten en verschillen van de verschillende
methodes worden samengevat. Dit wordt geıllustreerd in tabel 6.1. Ook de belangrijkste punten
van kritiek worden besproken.
52
6Overzicht van de reference class forecasting methode
Tabel
6.1:
Ove
rzic
ht
van
de
RC
Fm
eth
od
esvo
lgen
sM
acD
on
ald
,F
lyvb
jerg
enS
allin
g
Meth
od
evan
Mott
Macd
on
ald
Meth
od
evan
Fly
vb
jerg
Meth
od
evan
Sall
ing
Gegeven
sG
ebas
eerd
opei
gen
on
der
zoek
Uit
geb
reid
ein
tern
ati
on
ale
Uit
geb
reid
ein
tern
ati
on
ale
data
base
data
base
Meth
od
olo
gie
Up
lift
wor
dt
gec
orr
igee
rdop
Up
lift
word
tgec
orr
igee
rdop
Inte
gra
tie
van
kan
sver
del
ing
inb
asis
van
het
aanva
ard
baar
risi
cob
asi
sva
nh
etaanva
ard
baar
risi
cost
och
ast
isch
evo
ors
pel
lin
g
Toep
ass
ing
Ver
enig
dK
onin
kri
jk(v
oorg
an
ger
Ver
enig
dK
on
inkri
jken
Nog
nie
toffi
ciee
lgeb
ruik
tva
nd
eF
lyvb
jerg
-met
hod
e)D
enem
ark
enR
efe
renti
ekla
ssen
Sta
nd
aard
enn
on
-sta
nd
aard
Weg
en/S
poorw
egen
/B
ruggen
Weg
en/S
poorw
egen
/B
ruggen
(vb
tran
sport
infr
ast
ructu
ur)
bou
ww
erke
n
Voor-
en
nad
ele
n+
Cor
rect
ieva
nd
esc
hatt
ing
+U
itgeb
reid
ed
atab
an
k+
Ged
etail
leer
de
inte
gra
tie
-Z
eer
grot
ere
fere
nti
ekla
ssen
-V
ergel
ijkb
aarh
eid
53
Overzicht van de reference class forecasting methode
6
6.3 Beperkingen
De RCF methode werd officieel in 2004 gepubliceerd (Flyvbjerg, Glenting & Ronnest, 2004),
maar echte praktische toepassingen van deze methode zijn schaars. De echte uitdaging bij
reference class forecasting ligt in het samenstellen van een geldige dataset die een betrouwbare
voorspelling toelaat (Flyvbjerg, 2008). Zulke datasets zijn echter zeldzaam in de realiteit. Voor
grote, overheidsgefinancierde projecten is het tijdsverloop tussen de beslissing tot bouwen en de
opening van de infrastructuur meestal zeer lang. Dit maakt de reconstructie van de werkelijke
totale kosten van een overheidsproject zeer moeilijk en complex. Voor particuliere projecten
worden deze gegevens doorgaans enkel binnen de bedrijfsmuren gehouden. Het is ook zo dat
voor zowel overheids- als privaat gefinancierde projecten, de bouwheren niet staan te springen
om kostenoverschrijdingen van hun projecten openbaar te maken. Het is ook zeer tijdrovend om
die gegevens te produceren. Voor B. Flyvbjerg duurde het bijvoorbeeld 4 jaar om 258 projecten
te verzamelen met gegevens omtrent zowel de werkelijke bouwkosten en de geraamde kosten
(Flyvbjerg, Holm & Buhl, 2002). Kortom, het verzamelen van betrouwbare gegevens over de
werkelijke kosten van een project kan vaak zeer tijdrovend of simpelweg onmogelijk zijn.
Het potentieel van reference class forecasting is anders in situaties waarin (1) optimism bias
de belangrijkste oorzaak voor onnauwkeurigheid is dan in situaties waarin (2) een strategische
foutieve voorstelling de belangrijkste reden voor onnauwkeurigheid is. In het eerste geval, zijn
de mogelijkheden voor het gebruik van de outside view en reference class forecasting goed.
Maar in het tweede geval, zijn de mogelijkheden voor reference class forecasting laag en de
barrieres voor het gebruik ervan hoog. Dat betekent dat de voorspellers niet geınteresseerd zijn
in andere schattingsmethodes om hun voorspellingen te verbeteren, omdat er bewust voor de
onnauwkeurigheid werd gekozen. Om deze barrieres te verlagen, zouden er stimulansen moeten
worden afgesteld om nauwkeurige voorspellingen te belonen en de onnauwkeurige te bestraffen.
54
7
HOOFDSTUK 7
Methodologie
7.1 Introductie
Nadat een grondig overzicht werd gegeven van de reference class forecasting methode in hoofdstuk
6, zullen we in dit hoofdstuk dieper ingaan op de methodologie van RCF. De stapsgewijze
procedure van het model wordt behandeld in sectie 7.2. Vervolgens wordt beschreven hoe de
optimism bias uplift en het aanvaardbaar risiconiveau dienen bepaald te worden in respectievelijk
sectie 7.3 en 7.4.
7.2 Stapsgewijze procedure
Stap 1: Identificatie van een relevante referentieklasse van projecten uit het verle-
den
Het voornaamste probleem bij het identificeren van een relevante referentieklasse van projecten
uit het verleden is hoe de indeling gemaakt moet worden. De referentieklassen mogen niet
te smal zijn. Dit wil zeggen dat de projecten niet teveel mogen worden opgedeeld omdat het
dan moeilijk zou zijn om een geldige optimism bias uplift te bepalen. Daarnaast mogen de
referentieklassen ook niet te breed zijn, want dit zou ervoor kunnen zorgen dat projecten binnen
eenzelfde referentieklasse dan niet vergelijkbaar zijn (Flyvbjerg, 2004). Het is belangrijk dat er
voor de projecten binnen eenzelfde referentieklasse kan worden aangetoond dat het risico voor
het overschrijden van voorspellingen (bijvoorbeeld de mate waarin de gerealiseerde kosten hoger
zijn dan de voorspelde) als statistisch gelijk kan worden beschouwd. Dit kan door middel van
statistische tests, benchmarking of door andere analyses aangetoond worden (Flyvbjerg, 2006).
Wat Flyvbjerg omschrijft met uplifts is bijvoorbeeld hoeveel aandeel aanvullende financiering er
55
Methodologie
7
nodig is om 50% zeker te zijn dat het project de voorspellingen niet overschrijdt.
Het artikel ”Delusions of Success: How Optimism Undermines Executives’ Decisions” (Lovallo
& Kahneman, 2003) geeft het voorbeeld van een studio directeur die de verkoop van een nieuwe
film probeert te voorspellen, waarbij hij de referentieklasse baseert op de volgende variabelen:
genre, acteurs, budgetten, enz. De referentieprojecten voor de voorspelling zijn de recente films
uit hetzelfde genre, met soortgelijke budgetten en dezelfde acteurs.
Een ander voorbeeld toont hoe Flyvbjerg, Glenting & Ronnest (2004) vervoersprojecten opdeel-
den in de volgende klassen: wegen, spoor en bruggen. Met behulp van vergelijkbare projecten
waren ze in staat om een distributie op te stellen van de kostenoverschrijdingen voor nieuwe
projecten die qua omvang en risico’s vergelijkbaar zijn met de projecten uit de referentieklasse.
Stap 2: Opstellen van een kansverdeling voor de geselecteerde referentieklasse
Van zodra de referentieklassen bepaald zijn, moet er voor elke klasse een nauwkeurige distributie
voor overschrijding van voorspellingen worden gevonden. De overschrijdingen van de geraamde
kostprijs in percentielen worden bepaald volgens de volgende vergelijking:
Ic =Ca − CfCf
(7.1)
met Ic = overschrijding van de geraamde kostprijs in %, Ca = werkelijke kosten van een
project en Cf = voorspelde kosten van een project. Werkelijke kosten worden gedefinieerd als
gerealiseerde, verantwoorde kosten bepaald op het moment van de voltooiing van een project.
De voorspelde kosten worden gedefinieerd als de kosten op het moment dat de beslissing wordt
genomen om een project uit te voeren (2005). Voor de duurtijd werden de berekeningen niet
expliciet opgenomen, maar kunnen we ervan uitgaan dat de berekening analoog verloopt:
Id =Da −Df
Df(7.2)
met Id = overschrijding van de geraamde duurtijd in %, Da = werkelijke duurtijd van een
project en Df = voorspelde duurtijd van een project. Om de vergelijkbaarheid te waarborgen,
is het ook hierbij van belang dat de definitie van de voorspelde en werkelijke duurtijd voor alle
projecten identiek is. De statistische verdeling van elke referentieklasse kan dan worden gebruikt
om de optimism bias uplift van stap 3 te ontwikkelen.
In deze stap is de steekproef en gegevensverzameling van groot belang. De gegevens moeten
een willekeurige steekproef uit een grotere populatie zijn en moeten deze populatie correct
weerspiegelen. Het is heel moeilijk om zeker te weten of de steekproef representatief is voor de
populatie. Er zijn hiervoor verschillende verklaringen (Flyvbjerg, Glenting & Ronnest, 2004):
• Er kan aangetoond worden dat wanneer de beschikbare gegevens en andere factoren van
projecten goed worden beheerd, dit leidt tot prestaties die beter dan gemiddeld zijn.
56
7Methodologie
• De beheerders van projecten met grote overschrijding zijn niet geınteresseerd om deze
gegevens openbaar te maken, terwijl sterke projectmanagers wel geınteresseerd zijn om
deze kostengegevens openbaar te maken. Dit leidt tot een ondervertegenwoordiging van de
“slechte”projecten, maar oververtegenwoordiging van ”goede”projecten in de steekproef.
• Het is ook zo dat wanneer managers hun kostgegevens beschikbaar maken, zij ervoor kiezen
deze gegevens zo gunstig mogelijk te presenteren. Vaak zijn er verschillende voorspellingen
van de kosten en ook een aantal nacalculaties van de werkelijke kosten. Managers kunnen
er dus voor kiezen om de voorspelde en de werkelijke kosten openbaar te maken die er het
beste uitzien op papier.
• Er kunnen verschillen optreden in de vertegenwoordiging van verschillende deelmonsters in
een bepaalde referentieklasse. Bijvoorbeeld, een referentieklasse die vergelijkbaar is voor
zowel bruggen als tunnels zou voor 85% bruggen kunnen bevatten en slechts voor 15%
tunnels.
De resultaten van de gelijkaardige, recente referentieprojecten worden weergegeven aan de hand
van een histogram (van de meest tot de minst gunstige), op basis waarvan een kansverdeling
wordt opgesteld via interpolatie.
De gegevens van deze kansverdeling kunnen gebruikt worden om de verwachte resultaten van
het project uit te drukken. Flyvbjerg, Glenting & Ronnest (2004) maakten hiervoor gebruik van
statistische lineaire modellen uit SPSS, zijnde variantie- en regressieanalyse met de geschikte
F- en T-testen. Ook chi-kwadraattesten werden uitgevoerd om de onafhankelijkheid van de
projecten te testen. Bovendien werd voor elke test de p-waarde gerapporteerd. Deze waarde
wordt gebruikt om de nulhypothese - die stelt dat de beschouwde projecten in de groep als
referentieklasse kunnen worden beschouwd - te testen ten opzichte van de alternatieve hypothese.
Een p-waarde lager dan 0,01 wordt beschouwd als zeer significant, lager dan 0,05 significant,
terwijl een grotere p-waarde betekent dat de afwijking tussen de projectuitkomsten te groot is
en de projecten dus irrelevant zijn om te vergelijken.
Stap 3: Vergelijken van het specifieke project met de distributie van de referentie-
klasse
Wanneer er voor de referentieklasse een kansverdeling voor kostenoverschrijding is gevonden, is
het mogelijk om de noodzakelijke optimism bias uplift te bepalen. De vereiste uplift wordt bepaald
als functie van de hoeveelheid risico die men bereid is te nemen. Hoe lager het aanvaardbaar
risico, hoe hoger de vereiste uplift (Flyvbjerg, Glenting & Ronnest, 2004).
57
Methodologie
7
7.3 Optimism bias uplifts
Indien het project dat voorspeld wordt een gemiddeld project is (risicoanalyse is gemiddeld),
dan moet verwacht worden dat de gerealiseerde kosten, gemiddeld gezien, de voorspelde kosten
zullen overtreffen met de gemiddelde verhoging van het budget. Bijvoorbeeld, als in een enkele
referentieklasse de gemiddelde kostenoverschrijding 10% bedraagt, dan moet er, om 50% kans te
hebben om onder de voorspelde kosten te eindigen, 10% uplift worden toegevoegd aan het project
dat wordt vergeleken met de referentieklasse. Bij dit voorbeeld is er dan ook 50% kans om boven
de verwachte kosten te eindigen. Als het niet aanvaardbaar is dat de kans op overschrijding
50% is, dan moet de uplift hoger zijn dan de gemiddelde kostoverschrijding, want hoe lager
het aanvaardbaar risico, hoe hoger de vereiste uplift (cf. supra). Als de kans op overschrijding
onder een bepaalde drempel (x%) ligt, dan toont figuur 7.1 de noodzakelijke uplift (Flyvbjerg,
Glenting & Ronnest, 2004).
Figuur 7.1: Noodzakelijke uplift die vereist is om ervoor te zorgen dat de kans op een kostenoverschrijdinglager is dan X% (Flyvbjerg, Glenting & Ronnest, 2004).
7.4 Aanvaardbaar risico
Het 50% percentiel kan alleen worden gebruikt in gevallen waar men bereid is om een grote
hoeveelheid risico te nemen (het risico is de kans dat de gerealiseerde kosten hoger zullen zijn
dan de voorspelde kosten). Dit kan bijvoorbeeld het geval zijn wanneer beleggers een groot
aantal projecten financieren en dus waarbij kostenbesparingen van het ene project gebruikt
kunnen worden ter dekking van kostenoverschrijdingen in andere projecten. De bovenste percen-
tielen (80% - 90%) worden gebruikt als men een hoge mate van zekerheid wenst dat er geen
overschrijding van voorspellingen zal plaatsvinden, bijvoorbeeld in stand-alone projecten met
beperkte toegang tot extra middelen. Andere percentielen kunnen worden gebruikt om een nog
hogere mate van risico te aanvaarden (Flyvbjerg, Glenting & Ronnest, 2004).
58
7Methodologie
Als een project uit twee of meer verschillende projectsegmenten bestaat, d.w.z. hetzelfde
project bevat bijvoorbeeld zowel een weg als een brug, dan kan het worden beschouwd als
een gecombineerd project en dan moet het worden verdeeld in twee delen. De juiste uplifts
moeten dan onafhankelijk van elkaar worden bepaald voor elk deelproject. Om de totale
budgetverhoging voor het volledige project te berekenen, moet men de budgetverhogingen van
de twee deelprojecten optellen (Flyvbjerg, Glenting & Ronnest, 2004).
59
8
HOOFDSTUK 8
RCF in de praktijk
Reference class forecasting werd in 2002 een eerste keer in de praktijk toegepast door B. Flyvbjerg
en COWI (Flyvbjerg, Glenting & Ronnest, 2004) in samenwerking met HM Treasury en het
Britse Ministerie van Transport. De methode werd in het Verenigd Koninkrijk toegepast op
grote projecten van transportinfrastructuur. Uit een database van 260 infrastructuurprojecten
bleek dat er een groot verschil op vlak van overbesteding bestond tussen de volgende catego-
rieen: wegen, spoorwegen en bruggen. Dit betekent met andere woorden dat statistische tests
aantoonden dat de projecten binnen elk van deze drie groepen als gelijkwaardig konden worden
beschouwd met betrekking tot het risico op overschrijden van voorspellingen. Voorbeelden van
projecten uit elke categorie worden weergegeven in tabel 8.1.
Alle beschikbare gegevens van projecten uit het verleden die zich in de databank van Flyvbjerg
bevonden, werden beschouwd als een deel van de steekproef. Kostengegevens werden verzameld
uit verschillende bronnen; ze werden via jaarlijkse project accounts, vragenlijsten, interviews en
andere studies verkregen. De voorspelde kost werd geıdentificeerd op het moment dat de goed-
keuring voor het project werd gegeven. Als deze voorspelling niet beschikbaar was, werd een zo
goed mogelijke schatting gebruikt.In totaal waren er gegevens van 353 projecten beschikbaar. 85
projecten hiervan moesten worden verworpen omwille van onvoldoende kwaliteit van de gegevens.
Flyvbjerg besloot ook alleen projecten uit Europa en Noord-Amerika te gebruiken, in totaal
waren dat er 252, waarvan 172 wegprojecten, 46 spoorwegprojecten en 34 projecten met betrek-
king tot vaste verbindingen (bruggen & tunnels). Informatie over de mate waarin onvoorziene
omstandigheden in aanmerking werden genomen tijdens een eerste prognose was niet beschikbaar.
61
RCF in de praktijk
8
Tabel 8.1: Categorieen en projecttypes die als basis voor RCF werden gebruikt (Flyvbjerg, 2006)
Category Types of ProjectsRoads Motorway
Trunk RoadsLocal RoadsBicycle facilitiesPedestrian facilitiesPark and rideBus lane schemesGuided buses on wheels
Rail MetroLight railGuided buses on tracksConventional railHigh speed rail
Fixed links BridgesTunnels
Building Projects StationsTerminal buildings
IT Projects IT system developmentStandard civil engineering Included for reference purposes onlyNon standard civil engineering Included for reference purposes only
Voor elke categorie van projecten werd een referentieklasse van voltooide, vergelijkbare projecten
gebruikt om kansverdelingen op te stellen voor kostenoverschrijdingen voor de nieuwe projecten.
Eerst werden histogrammen voor kostenoverschrijdingen opgesteld (zie figuren 8.1 en 8.2) en
vervolgens werden de kansverdelingen daaruit afgeleid.
62
8RCF in de praktijk
Figuur 8.1: Kostoverschrijding van wegenprojecten in het VK (N=128) en een benchmark (N=44) (Flyvbjerg,Glenting & Ronnest, 2004)
63
RCF in de praktijk
8
Figuur 8.2: Kostoverschrijding van vaste verbindingsprojecten in het VK (N=4) en een benchmark (N=30)(Flyvbjerg, Glenting & Ronnest, 2004).
64
8RCF in de praktijk
Als resultaat verkreeg Flyvbjerg de volgende kansverdelingen voor de referentieklasse van wegen-
bouwprojecten (figuur 8.3) en de referentieklasse van vaste verbindingsprojecten (Figuur 8.4).
Figuur 8.3 illustreert het aantal projecten met een bepaalde maximale kostenoverschrijding ten
opzichte van de procentuele kostenoverschrijding voor wegenbouw. 40% van de projecten heeft
bijvoorbeeld een maximale overschrijding van 10% en 80% van de projecten heeft een maximale
overschrijding van 32% etc. Figuur 8.4 geeft hetzelfde weer voor vaste verbindingen. Hierin
heeft 40% van de projecten een maximale overschrijding van 16% en 80% van de projecten heeft
een maximale overschrijding van 55% etc.(Flyvbjerg, Glenting & Ronnest, 2004).
Figuur 8.3: Kansverdeling van de kostoverschrijding voor wegen, N = 1772 (Flyvbjerg, 2006).
Figuur 8.4: Kansverdeling van de kostoverschrijding voor vaste verbindingen, N = 34 (Flyvbjerg, 2006)
65
RCF in de praktijk
8
Figuur 8.5: Vereiste uplift in functie van het maximaal aanvaardbare risico op kostenoverschrijding voorwegen (Flyvbjerg, 2006)
Figuur 8.6: Vereiste uplift in functie van het maximaal aanvaardbare risico op kostenoverschrijding voorvaste verbindingen (Flyvbjerg, 2006).
Op basis van de waarschijnlijkheidsverdeling, zoals getoond in figuren 8.3 en 8.4, worden de
noodzakelijke uplifts voor wegen en vaste verbindingen berekend zoals getoond in figuren 8.5 en
8.6.
Als men bereid is om 50% kans op kostenoverschrijding te aanvaarden, dan zou de vereiste
uplift 15% zijn voor wegen, maar 23% voor bruggen. In beide gevallen geldt: hoe lager het
aanvaardbaar risico voor overschrijding, hoe hoger de uplift (cf. supra).
66
8RCF in de praktijk
Tabel
8.2:
Ver
eist
eu
plif
tsvo
orvo
orsp
ellin
gen
aan
de
han
dva
nre
fere
nti
ekla
ssen
volg
ens
een
stu
die
uit
het
VK
(Sal
ling
,L
eleu
r&
Sko
ug
aard
,2
01
0)
Cate
gory
Typ
es
of
pro
jects
Ap
pli
cab
leop
tim
ism
bia
su
pli
fts
[perc
enti
les]
50%
60%
70%
80%
90%
Road
sM
oto
rway
15%
24%
27%
32%
45%
Tru
nk
Road
sL
oca
lR
oad
sB
icycl
efa
cili
ties
Ped
estr
ian
faci
liti
esP
ark
an
dri
de
Bu
sla
ne
sch
emes
Gu
ided
bu
ses
on
wh
eels
Rail
Met
ro
40%
45%
51%
57%
68%
Lig
ht
rail
Gu
ided
bu
ses
on
track
sC
onve
nti
on
al
rail
Hig
hsp
eed
rail
Fix
ed
lin
ks
Bri
dges
23%
26%
34%
55%
83%
Tu
nn
els
Bu
ild
ing
Pro
jects
Sta
tion
s4-5
1%
*T
erm
inal
bu
ild
ings
ITP
roje
cts
ITsy
stem
dev
elop
men
t10-2
00%
*S
tan
dard
civ
ilen
gin
eeri
ng
Incl
ud
edfo
rre
fere
nce
3-4
4%
*p
urp
ose
son
lyN
on
stan
dard
civ
ilen
gin
eeri
ng
Incl
ud
edfo
rre
fere
nce
6-6
6%
*p
urp
ose
son
ly
*G
ebase
erd
op
Mott
MacD
onald
(2002);
Gee
nka
nsv
erdel
ing
bes
chik
baar.
67
RCF in de praktijk
8
Tabel 8.2 geeft een overzicht van de toepasselijke optimism bias uplifts voor het 50%, 60%, 70%
80% en 90% percentiel voor de projecten uit tabel 8.1. Het 80% percentiel komt overeen met een
risico voor kostenoverschrijding van 20% - dit is ook het risiconiveau dat het Britse departement
voor transport meestal bereid was te accepteren.
Als een groep planners een business case zou voorbereiden voor de aanleg van een nieuwe
snelweg en hun client beslist dat het risico van kostenoverschrijding minder dan 20% moet zijn,
dan moeten ze een uplift van 32% nemen op hun voorspellingen (zie tabel 8.2). Dus als de
aanvankelijke voorspelling £100 miljoen bedraagt, dan moet deze forecast verhoogd worden tot
£132 miljoen. Als hun client zou beslissen dat een overschrijdingsrisico van 50% aanvaardbaar
is, dan bedraagt de uplift 15% en wordt de voorspelling geraamd op £115 miljoen.
68
Deel III
Specifieke uitdagingen
69
9
HOOFDSTUK 9
Tekortkomingen vroeger onderzoek
Hoewel verschillende experimentele studies (Kahneman, 1994; Kahneman & Tversky, 1977;
1979; Lovallo & Kahneman, 2003) reeds hebben aangetoond dat RCF nauwkeuriger is dan
traditionele voorspellingsmethoden, kaderden deze studies echter niet binnen het gebied van
projectmanagement. B. Flyvbjerg was de eerste en enige die de RCF methode binnen het
domein van projectmanagement heeft toegepast, met name op een project uit de transportsector
(Flyvbjerg, 2006).
Een cruciale tekortkoming in het werk van Flyvbjerg betreft het feit dat de RCF methode enkel
wordt toegepast bij het voorspellen van de finale projectkost. Het nagaan van de algemene
toepasbaarheid van de methode, of met andere woorden onderzoeken of de methode eveneens
kan worden gebruikt voor het voorspellen van de finale projectduur, vormt dan ook een eerste
uitdaging in dit onderzoek.
71
Tekortkomingen vroeger onderzoek
9
Ten tweede ontbreekt in het werk van B. Flyvbjerg een kwantitatieve evaluatie van de methode,
om de nauwkeurigheid van de voorspellingen op basis van referentieklassen te bepalen. In zijn
paper luidt de conclusie dat, ‘door het gebruik van de empirische distributie informatie voor het
voorspellen van de finale projectkost, Ove Arup1 in staat was een outside view te hanteren bij
het maken van de voorspelling van de kapitaalkost van de Edinburgh Tram Line 2 en aldus tot
een onvertekende voorspelling te komen. Dit in tegenstelling tot de schatting van de kapitaalkost
(i.e. BAC) van de promotor, die te optimistisch was.’ Wat echter ontbreekt is een kwantificering
van de nauwkeurigheid van beide voorspellingmethodes aan de hand van statistische maatstaven
(e.g. mean average percentage error).
Daarnaast wordt evenmin de prestatie van de RCF methode vergeleken met de prestaties van
andere, traditionele voorspellingsmethodes (cf. EVM, Warburton, Monte-Carlo simulaties).
Een vierde en laatste uitdaging in dit onderzoek betreft het verwerven van nieuwe inzichten in
de RCF methode en een verdere ondersteuning te bieden voor de toepassing van RCF in de
praktijk.
1Ove Arup & Partners is een Britse multinational (wereldwijd opererend ingenieursbureau) die consultancydiensten verleent op het vlak van engineering, design, planning, projectmanagement in de bouwsector (vnl. groteopenbare bouwprojecten).
72
10
HOOFDSTUK 10
Onderzoeksvragen
10.1 Algemene toepasbaarheid
Zoals besproken in vorige sectie wordt de RCF methode door B. Flyvbjerg enkel toegepast voor
de voorspelling van de finale projectkost, hoewel ze ook zou kunnen worden toegepast voor
het voorspellen van de finale projectduur. Een eerste doelstelling is dan ook om de algemene
toepasbaarheid van de RCF methode, zoals voorgesteld door B. Flyvbjerg, na te gaan.
Onderzoeksvraag 1: Is de RCF methode algemeen toepasbaar voor het voorspellen vanzowel de finale projectkost als de finale projectduur?
10.2 Keuze referentieklassen
Als eerste stap bij toepassing van de RCF methode dient een relevante referentieklasse met
projecten uit het verleden te worden geıdentificeerd. De voornaamste uitdaging hierbij betreft
hoe specifiek de indeling dient te worden gemaakt. Aan de ene kant mogen de referentieklassen
niet te smal zijn, hetgeen impliceert dat het aantal projecten in een referentieklasse niet te
beperkt mag zijn, ten einde een geldige optimism bias uplift te kunnen bepalen. Daarnaast mogen
de referentieklassen ook niet te breed zijn, want dit zou ervoor kunnen zorgen dat projecten
binnen eenzelfde referentieklasse dan niet vergelijkbaar zijn. We zullen deze stelling kwantitatief
benaderen door verschillende referentieklassen op te bouwen en hun voorspellingsprestaties
onderling te vergelijken.
73
Onderzoeksvragen
10
Onderzoeksvraag 2: Welke invloed heeft de keuze van de specifieke referentieklasse bij hetmaken van voorspellingen omtrent de finale projectduur en -kost vaneen project?
Onderzoeksvraag 3: Hoe breed/smal dient een referentieklasse te zijn voor het verkrijgenvan de meest nauwkeurige voorspellingen?
10.3 Prestaties van de RCF methode
In tegenstelling tot B. Flyvbjerg, die geen kwantitatieve evaluatie van de kostvoorspelling
op basis van de RCF methode heeft uitgevoerd, zullen in dit onderzoek de prestaties van de
RCF methode onderzocht worden aan de hand van statistische maatstaven. Het belangrijkste
criterium voor het bepalen van de kwaliteit betreft de nauwkeurigheid van de voorspellingen.
Onderzoeksvraag 4: Hoe presteert de RCF methode met betrekking tot de nauwkeurigheidvan de voorspellingen?
Daarnaast zal de kwantitatieve evaluatie van de RCF methode gebaseerd zijn op nog 2 andere
criteria, namelijk de stabiliteit van de voorspellingen en de timeliness (i.e. de mogelijkheid van
de voorspellingsmethode om accurate voorspellingen te maken tijdens verschillende fasen van
het project).
Onderzoeksvraag 5: Hoe presteert de RCF methode met betrekking tot de stabiliteit van devoorspellingen?
Onderzoeksvraag 6: Hoe presteert de RCF methode met betrekking tot de nauwkeurigheidvan de voorspellingen in verschillende fasen (i.e. timeliness) van hetproject?
10.4 Vergelijking met traditionele voorspellingsmethoden
Ten einde op onderzoeksvragen 4, 5 en 6 een antwoord te kunnen geven, zal de RCF methode
kwantitatief vergeleken worden met de traditionele voorspellingsmethodes.
Een eerste methode voor het verkrijgen van voorspellingen omtrent de finale projectduur en -kost,
die met de RCF methode zal worden vergeleken, betreft de schatting van de projectmanager
zoals vastgelegd in de baseline schedule.
Onderzoeksvraag 7: Hoe presteert de RCF methode in vergelijking met de voorspellingenvan de project manager (i.e. baseline schedule schattingen)?
74
10Onderzoeksvragen
Daarnaast zal de RCF methode ook vergeleken worden met de voorspellingen op basis van
Monte-Carlo simulaties, EVM en Warburton’s methode.
Onderzoeksvraag 8: Hoe presteert de RCF methode in vergelijking met voorspellingen opbasis op Monte-Carlo simulaties?
Onderzoeksvraag 9: Hoe presteert de RCF methode in vergelijking met voorspellingen opbasis van EVM?
Onderzoeksvraag 10: Hoe presteert de RCF methode in vergelijking met voorspellingenvolgens Warburton’s methode?
Naast de kwantitatieve vergelijking, zal de RCF methode eveneens kwalitatief vergeleken worden
met de traditionele voorspellingsmethodes. Hierbij staat het gebruiksgemak van de voorspel-
lingsmethodes centraal en zullen deze aan de hand van verschillende criteria beoordeeld worden.
Onderzoeksvraag 11: Welke voorspellingsmethode is kwalitatief gezien het best?
Om op al deze onderzoeksvragen een antwoord te vinden, zal een onderzoek worden uitgevoerd
op basis van reele projecten die afkomstig zijn uit enerzijds een eigen rondvraag en anderzijds
uit de database van OR-AS1. De voornaamste uitdaging hierbij is om een inzicht te bieden in de
praktische toepassing van de verschillende voorspellingstechnieken - in het bijzonder RCF -, en
om een betrouwbare indicatie te schetsen omtrent de bruikbaarheid van RCF en de prestaties
ten opzichte van de traditionele voorspellingsmethodes. Meer informatie omtrent de database
met reele projecten wordt gegeven in deel V.
1http://www.or-as.be
75
Deel IV
Onderzoeksmethodiek
77
Overzicht
Ten einde de voorspellingsnauwkeurigheid van de reference class forecasting methode te testen
en te vergelijken met de traditionele methodes, werden de verschillende technieken voor het
voorspellen van de finale projectduur en -kost toegepast op reele projecten uit de door ons
aangelegde database.
In de volgende hoofdstukken zal de onderzoeksmethodiek, die opgedeeld wordt in 3 fasen, in
detail behandeld worden en eveneens worden geıllustreerd aan de hand van een voorbeeldproject.
Een schematisch overzicht van de onderzoeksmethodiek wordt gegeven in figuur 10.1.
79
Figuur 10.1: Overzicht onderzoeksmethodiek
80
11
HOOFDSTUK 11
Fase 1: Voorbereiding
In dit hoofdstuk beschrijven we de eerste fase van de onderzoeksmethodiek, die het voorbereidende
werk omvat. Er wordt een overzicht gegeven van de noodzakelijke gegevens, en de aanpak voor
de rondvraag bij bedrijven wordt toegelicht. Daarnaast volgt eveneens een beschrijving van
ProTrack, een software tool voor projectmanagement, alsook toelichting bij de aanleg van onze
specifieke database, die als uitgangspunt voor de volgende fase heeft gediend.
11.1 Noodzakelijke gegevens
In deze sectie zal een overzicht gegeven worden van de specifieke gegevens die noodzakelijk
waren voor het opstellen van ons onderzoek. Onderstaande gegevens waren voldoende om op elk
project de verschillende voorspellingsmethodes toe te passen. We bespreken achtereenvolgens de
noodzakelijk input voor: baseline schedule, risicoanalyse en projectcontrole.
11.1.1 Baseline schedule
De baseline schedule geeft de planning van het project en de relaties tussen de activiteiten weer.
Bovendien worden er ook geschatte kosten toegewezen aan de activiteiten. De baseline schedule
vormt de basis voor de risicoanalyse en projectcontrole (cf. infra).
Algemeen
• ID: aan elke activiteit wordt er een ID toegewezen. Dit zal later gebruikt worden voor
het uitdrukken van de relaties tussen de verschillende activiteiten. De ID’s moeten niet
noodzakelijk opeenvolgend zijn.
• Naam: naam de activiteit zo goed mogelijk beschrijft.
81
Fase 1: Voorbereiding
11
• WBS: alle activiteiten worden in een hierarchische structuur ondergebracht om zo tot een
ordening van de noodzakelijke activiteiten te komen.
Onderlinge relaties
• Voorgangers: lijst van activiteiten die de huidige activiteit onmiddellijk voorafgaan met
bijhorende relaties.
• Opvolgers: lijst van activiteiten die de huidige activiteit onmiddellijk opvolgen met bijho-
rende relaties.
Type relaties
• Finish-start (FS): een activiteit kan enkel starten nadat de voorgaande activiteit werd
beeindigd.
• Finish-finish (FF): een activiteit kan enkel eindigen nadat de voorgaande activiteit werd
beeindigd.
• Start-start (SS): een activiteit kan enkel starten nadat de voorgaande activiteit van start
is gegaan.
• Start-finish (SF): een activiteit kan enkel eindigen nadat de voorgaande activiteit van start
is gegaan.
Planning
• Baseline start: geplande startdatum van elke activiteit volgens de baseline schedule.
• Baseline end: geplande einddatum van elke activiteit volgens de baseline schedule.
• Duurtijd: geplande duurtijd van elke activiteit volgens de baseline schedule. De duurtijd
wordt uitgedrukt in werkdagen (en werkuren). Elke dag telt 8 werkuren en er zijn 5
werkdagen per week (van maandag tot vrijdag).
• Vaste kosten: de geplande vaste kosten van een activiteit. Dit bedrag is onafhankelijk van
de duur van de activiteit.
• Kost/uur: de verwachte kosten per uur voor een activiteit. Dit zal de variabele kosten van
die activiteit bepalen.
• Variabele kost: een variabel bedrag dat afhankelijk is van de duur van de activiteit. Het
wordt berekend door de kost/uur te vermenigvuldigen met de geplande duurtijd.
• Totale kost: de totale kost is de som van de vaste kosten en de variabele kosten voor elke
activiteit.
82
11Fase 1: Voorbereiding
11.1.2 Risicoanalyse
Risicoanalyse is gebaseerd op de risicodistributies van de duurtijd voor elke activiteit. Op basis
van deze distributies kunnen simulatie-gebaseerde voorspellingen worden gemaakt voor de finale
projectduur en -kost.
Driehoekige risicodistributies
Aan elke activiteit wordt er een van de volgende vier standaarddistributies toegewezen:
• Geen risico: de activiteit bevat geen risico en de duurtijd wordt voorspeld door een
puntschatting.
• Symmetrisch: de activiteit is onderhevig aan risico’s binnen een bepaald gebied, met een
worst case en best case scenario die zich symmetrisch boven en onder het gemiddelde
bevinden.
• Rechtsscheef: de activiteit is onderhevig aan risico’s binnen een bepaald gebied, maar
vertragingen komen meer voor dan een vroegtijdige beeindiging.
• Linksscheef: de activiteit is onderhevig aan risico’s binnen een bepaald gebied, maar
vroegtijdige beeindiging komt meer voor dan een vertraging.
Alle voorgedefinieerde profielen zijn uitgedrukt in relatieve duurtijd en kunnen worden beschreven
aan de hand van drie schattingen:
• Optimistisch: de kortst mogelijke duurtijd van de activiteit (i.e. best case). Deze schatting
komt overeen met het beginpunt (links) van de driehoekige risicodistributie.
• Meest waarschijnlijke: de meest waarschijnlijke duurtijd van de activiteit. Deze schatting
komt overeen met de top van de driehoekige risicodistributie.
• Pessimistisch: de langst mogelijke duur van de activiteit (i.e. worst case). Deze schatting
komt overeen met het eindpunt (rechts) van de driehoekige risicodistributie.
11.1.3 Projectcontrole
Projectcontrole bestaat uit de controle van de fysieke voortgang van een project, met betrekking
tot zowel de duurtijd als kost. Hierbij wordt periodiek de vooruitgang van het project en de
gemaakte kosten van alle activiteiten bijgehouden. Een tijdstip waarop de fysieke vooruitgang
van een project gecontroleerd wordt, wordt een tracking periode (TP) genoemd.
Tracking
Tracking periodes hoeven niet noodzakelijk dezelfde lengte te hebben. Het is echter wel de meest
voorkomende aanpak (bijv. maandelijkse controle van de vooruitgang van het project).
83
Fase 1: Voorbereiding
11
Voor elke tracking periode worden de volgende gegevens bijgehouden:
• TP datum: de TP datum is de einddatum van een TP, het is de datum waarop de
vooruitgang van het project wordt geevalueerd.
• Werkelijke start: de werkelijke begindatum van de activiteit. Deze datum moet voor
het einde van de tracking periode vallen. Het is natuurlijk mogelijk dat de werkelijke
startdatum verschillend is van de voorspelde startdatum uit de baseline schedule.
• Werkelijke duurtijd: de werkelijke duurtijd of AD van de activiteit, of de duurtijd van
activiteit tot de tracking datum. Voor een activiteit die nog niet begonnen is, is de
werkelijke duur uiteraard gelijk aan 0.
• Werkelijke kost: de werkelijke kosten of de AC die reeds voor de activiteit werden gemaakt.
Voor activiteiten die op het moment van tracking reeds klaar zijn, zullen de werkelijke
kosten natuurlijk gelijk zijn aan de uiteindelijke werkelijke kosten. Voor activiteiten die
op het moment van tracking nog niet volledig zijn voltooid, bedragen de werkelijke kosten
een deel van de uiteindelijke werkelijke kosten van de activiteit.
• Percentage Completed: het PC is het deel (percentage) van een activiteit dat op het
moment van de tracking geschat wordt afgewerkt te zijn. De PC heeft dus betrekking op
de geschatte fysieke voortgang van een activiteit.
11.2 Aanpak rondvraag bedrijven
Een belangrijke onderdeel van de eerste fase van het onderzoek betrof het vergaren van reele
projectdata, ten einde een database te kunnen aanleggen die als uitgangspunt voor het eigenlijke
onderzoek zou dienen. Op basis van het overzicht van de noodzakelijke projectgegevens (cf.
supra) zijn we onze rondvraag gestart in oktober 2014. Op de BIS-beurs (Bouw- en Immobilien
Salon) werden de eerste contacten gelegd met bedrijven die potentieel bereid waren ons van
de nodige projectdata te voorzien. Gedurende onze rondvraag naar data hebben we onze
aanpak vaak bijgestuurd, gezien het feit dat de respons en de bereidheid van bedrijven tot het
verschaffen van dergelijke gevoelige informatie enerzijds, en de mogelijkheid tot het voorzien
van alle noodzakelijke projectdata anderzijds, zeer laag was.
Alvorens bedrijven effectief te contacteren was het belangrijk om het nodige opzoekings- ,
screenings- en selectiewerk te doen omtrent de te contacteren bedrijven die naar ons inziens
over de vereiste projectdata beschikten. Op basis van eigen ervaring die werd opgedaan tijdens
dit proces en mede dankzij tips en suggesties van de gecontacteerde bedrijven, kregen we na
verloop van tijd een duidelijk beeld van het type bedrijven dat over dergelijke data beschikte en
waarop we aldus onze focus dienden te leggen.
84
11Fase 1: Voorbereiding
Een tweede belangrijk aspect voor de aanpak van onze rondvraag, betrof de wijze waarop
bedrijven werden gecontacteerd. Aanvankelijk trachtten we telefonisch contact op te nemen
met bedrijven, maar al snel werd duidelijk dat de responsgraad via dit kanaal bijzonder laag
was. Deze aanpak hebben we dan ook snel laten varen en ingewisseld voor een meer directe
manier van contactname. Zo besloten we om naar de bedrijven toe te gaan en daar onze vraag
rechtstreeks voor te leggen. Tot onze verbazing bleek deze aanpak veel efficienter en mochten
we in het merendeel van de gevallen ons onderzoek concreet toelichten en onze delicate vraag
omtrent de projectverzameling voorleggen aan de bevoegde persoon/personen.
Na een jaar actief onze rondvraag te hebben uitgevoerd, slaagden we erin om 24 projecten binnen
te halen, afkomstig van 3 verschillende bedrijven. Een overzicht van de specifieke projecten
evenals van de bedrijven zelf, wordt gegeven in hoofdstuk 15.
11.3 ProTrack
Teneinde de verschillende projecten op een gelijkaardige manier weer te geven, werd gebruik
gemaakt van ProTrack, een software tool voor projectmanagement, die gebaseerd is op we-
tenschappelijk onderzoek dat gepubliceerd werd in internationale tijdschriften en boeken, en
bekroond werd door diverse erkende organisaties.
In ProTrack konden we vervolgens alle projecten aan de hand van de in sectie 11.1 besproken
noodzakelijke inputgegevens op gelijkaardige wijze modelleren. Daarnaast stelt ProTrack de
gebruiker in staat om MC-simulaties en EVM-analyses uit te voeren, waarop dieper wordt
ingegaan in respectievelijk secties 12.2 en 12.3.
11.4 Aanleggen database
Zoals in vorige sectie beschreven, was het aanleggen van een database met projecten noodzakelijk
voor ons onderzoek. Naast de 24 projecten afkomstig uit de eigen rondvraag hadden we ook
toegang tot de database met reele projecten van OR-AS1. Een overzicht van de specifieke
projecten die werden opgenomen in de voor dit onderzoek aangelegde database, wordt gegeven
in hoofdstuk 16.
1www.or-as.be/research/database
85
12
HOOFDSTUK 12
Fase 2: Voorspellingen
Op basis van de in fase 1 aangelegde database werden in de tweede fase van het onderzoek de
verschillende voorspellingsmethodes toegepast voor het voorspellen van de finale duurtijd en kost
voor alle projecten. In dit hoofdstuk zullen we voor iedere voorspellingsmethode beschrijven
hoe de voorspellingen exact werden uitgevoerd.
12.1 Baseline schedule schatting
Op basis van de baseline schedule, zoals opgesteld door de PM, kan voor ieder project uit de
aangelegde database zowel het BAC als de PD bepaald worden. Hierbij volgt de berekening
van het BAC eenvoudigweg door het sommeren van de PV’s van alle activiteiten in het project,
hetgeen automatisch door de software tool ProTrack gebeurt.
Daarnaast berekent ProTrack eveneens de PD van het gehele project aan de hand van de PD’s
van de individuele activiteiten en de onderlinge relaties tussen de activiteiten. Hierbij is het
belangrijk om in te zien dat enkel de activiteiten die op het kritieke pad liggen, de PD van het
gehele project bepalen.
De onderlinge relaties tussen de activiteiten van een project zijn reeds voor de start van het
project gekend. Bovendien zijn zowel de geplande kost (PV) als de geplande duurtijd (PD) van
de verschillende activiteiten pre-project verwachtingen van de PM, zodat het BAC en de PD
van het gehele project beschouwd kunnen worden als pre-project schattingen omtrent de finale
kost en de duurtijd van het project.
87
Fase 2: Voorspellingen
12
12.2 Monte-Carlo simulaties
Een methode voor het verkrijgen van meer onderbouwde schattingen - door incorporatie van
risico - omtrent de finale projectduur en -kost, betreft het gebruik Monte-Carlo simulaties. In
dit onderzoek werden de Monte-Carlo simulaties uitgevoerd aan de hand van de in sectie 11.3
besproken software tool ProTrack. Op basis van de driehoekige risicodistributies voor de duurtijd
van de verschillende activiteiten die werden ingegeven in ProTrack, werden 100 simulatieruns
uitgevoerd waarbij de finale duurtijd van het gehele project wordt gesimuleerd op basis van deze
risicodistributies.
12.2.1 Voorspelling finale projectduur
Op basis van de uitkomst van deze simulaties konden we vervolgens een gemiddelde nemen
van de finale duurtijd, dat net als de baseline schedule schatting uit vorige sectie als een pre-
project voorspelling kan worden beschouwd. Aangezien MC-simulaties steunen op de driehoekige
risicodistributies, dient de PM assumpties te maken inzake de risico’s die verbonden aan iedere
activiteit van het project. Dit zorgt ervoor dat de voorspellingen aan de hand van MC-simulaties,
zoals beschreven door J. Batselier & M. Vanhoucke (2016), kunnen worden beschouwd als
voorspellingen waarbij een semi-outside view wordt gehanteerd. Dit resulteert in onderstaande
formule voor de berekening van de voorspelling van de finale projectduur (voorgesteld door
MC(t)) aan de hand van Monte-Carlo simulaties:
MC(t) =
∑100i=1MC(t)i
100(12.1)
met MC(t)i de gesimuleerde duurtijd van de i-de Monte-Carlo simulatierun
12.2.2 Voorspelling finale projectkost
De risicodistributies die in sectie 11.1.2 werden besproken, hebben enkel betrekking op de duur-
tijd van activiteiten en niet op de kost ervan. Het uitvoeren van Monte-Carlo simulaties voor het
simuleren van de finale projectkost is dan ook weinig zinvol aangezien er geen risicodistributies
voor de kosten van de activiteiten worden opgesteld.
Zoals eerder besproken, zijn de totale kosten van een project gelijk aan de som van enerzijds
vaste en anderzijds variabele kosten. Hierbij zijn de variabele kosten een functie van de duur
van de verschillende activiteiten. In ons onderzoek hebben we dan ook de de assumptie gemaakt
dat de voorspelling van de finale projectkost indirect gerelateerd is aan de voorspelling van
de finale projectduur (MC(t)). Dit resulteert in onderstaande formule voor de berekening van
de voorspelling van de finale projectkost (voorgesteld door MC) gebaseerd op Monte-Carlo
simulaties:
MC = Vaste kosten + Variabele kosten ∗ MC(t)
PD(12.2)
88
12Fase 2: Voorspellingen
Voor sommige projecten uit de database echter werd er geen opdeling gemaakt tussen vaste
en variabele kosten voor iedere activiteit, en werden daarom alle kosten als vast ingegeven in
ProTrack. Na raadpleging van verschillende PM’s kwamen we tot volgende assumptie omtrent
de verdeling van de kosten: gemiddeld genomen is 60% van de totale kost als vast te beschouwen
en 40% variabel.
Dit geeft aanleiding tot een aanpassing van bovenstaande formule voor de voorspelling van de
finale projectkost op basis van Monte-Carlo simulaties:
MC = Totale kost ∗ (0, 6 + 0, 4 ∗ MC(t)
PD) (12.3)
12.3 Earned value management
In tegenstelling tot de vorige twee methodes voor het verkrijgen van schattingen van de finale
projectduur en -kost, worden op basis van EVM geen pre-project voorspellingen van de duurtijd
en kost gemaakt, maar worden ze elke TP bijgewerkt.
De berekening van de EAC en EAC(t) volgens de verschillende EVM voorspellingsmethodes die
in hoofdstuk 2 werden besproken, wordt voor elke TP automatisch door ProTrack berekend.
Voor de evaluatie van de verschillende voorspellingsmethodes (cf. infra) zullen voor de EVM
voorspellingen enkel deze methodes in beschouwing worden genomen waarvan reeds werd
aangetoond (Batselier & Vanhoucke, 2015) dat ze de meest accurate voorspellingen opleveren.
12.3.1 Voorspelling finale projectduur
Op basis van gemaakte assumpties omtrent het toekomstig verloop van het project, en de
keuze tussen de voorspellingsmethode volgens Anbari, Jacob of Lipke, beschikken we over 9
verschillende methodes voor het berekenen van de finale projectkost aan de hand van de EVM
techniek. Zoals in vorige sectie reeds vermeld, wordt de EAC(t) voor elke trackingperiode
volgens de verschillende methoden door ProTrack automatisch berekend.
In het onderzoek van J. Batselier & M. Vanhoucke (2015) werd aangetoond dat de meest accurate
voorspelling van de finale projectduur verkregen wordt via de methode van Lipke met PF = 1
(i.e. toekomstige projectprestatie met betrekking tot de duurtijd verloopt volgens plan) en
PF = SPI(t) (i.e. toekomstige projectprestatie met betrekking tot de duurtijd verloopt volgens
de huidige projectprestatie met betrekking tot de duurtijd).
89
Fase 2: Voorspellingen
12
Dit levert ons volgende formules op voor de voorspelling van de finale projectduur die van belang
zijn in het kader van ons verder onderzoek:
EAC(t)1 = EAC(t)− ES(PF = 1) = AT + (PD − ES) (12.4)
EAC(t)2 = EAC(t)− ES(PF = SPI(t)) = AT +PD − ESSPI(t)
(12.5)
12.3.2 Voorspelling finale projectkost
Net zoals bij de voorspelling van de finale projectduur wordt ook de EAC voor elke trackingperiode
volgens de verschillende methodes - zoals beschreven in hoofdstuk 2 - door ProTrack automatisch
berekend. In het kader van deze thesis zullen in het nauwkeurigheidsonderzoek in hoofdstuk
17 enkel de methodes beschouwd worden waarvan werd aangetoond dat ze de meest accurate
voorspelling opleveren. Volgens J. Batselier en M. Vanhoucke (2015), worden deze verkregen
voor PF = 1 (i.e. toekomstige projectprestaties met betrekking tot kost verloopt volgens plan)
en PF = CPI (i.e. toekomstige projectprestaties met betrekking tot de kost verloopt volgens
de huidige projectprestatie met betrekking tot de kost). Dit levert ons volgende formules op
voor de voorspelling van de finale projectkost die van belang zijn in het kader van ons verder
onderzoek:
EAC1 = EAC(PF = 1) = AC + (BAC − EV ) (12.6)
EAC2 = EAC(PF = CPI) = AC +BAC − EV
CPI(12.7)
12.4 Methode van Warburton
12.4.1 Parameters van het model
N (totale hoeveelheid arbeid)
Zoals in hoofdstuk 3 vermeld, is de totale hoeveelheid arbeid (N) gelijk aan de totaal te verdienen
waarde en dus gelijk aan het BAC.
N = BAC =
n∑i=1
PVi (12.8)
met n het totaal aantal activiteiten van het specifieke project
en PVi de planned value van de i-de activiteit
90
12Fase 2: Voorspellingen
T (tijdstip van de arbeidspiek)
R.D.H. Warburton schuift in zijn paper zelf geen specifieke methode naar voren om de parameter
T te bepalen, die het tijdstip van de arbeidspiek voorstelt. De parameter T werd hier bepaald
aan de hand van de cumulatieve planned value formule van Warburton PV (t)w:
PV (t)w =
∫ t
0
pv(s)wds = N
[1− exp
(− t2
2T 2
)](12.9)
Wanneer we vervolgens t=T invullen, krijgen we:
PV (t)w = N
[1− exp
(− T 2
2T 2
)]= N
[1− exp
(−1
2
)]= N [1− 0, 606] (12.10)
waaruit volgt:
PV (t)w = N [1− 0, 606] ≈ 0, 40N (12.11)
Dit betekent dat op het tijdstip t=T, 40% van de totale hoeveelheid arbeid reeds werd uitgevoerd,
of met andere woorden dat 40% van het BAC werd verdiend. Op basis hiervan weten we dat het
tijdstip van de arbeidspiek (T) gelijk is aan het tijdsip t waarop 40% van het project is voltooid.
De paramater T kan dus als volgt bepaald worden:
T = tijdstip t waarop de PV gelijk is aan 0, 40N (12.12)
r (uitvalpercentage van de activiteiten)
Zoals in hoofdstuk 3 besproken, wordt de parameter r evenals de parameters c en τ (cf. infra)
bepaald aan de hand van vroege projectdata, nl. data die beschikbaar zijn nadat een deel van
het project reeds is voltooid. In ons onderzoek werden deze vroege projectdata gedefinieerd als
alle projectdata die beschikbaar waren na de TP waarop het PC van het project minimaal 30%
bedroeg.
Op basis van deze vroege projectdata kon vervolgens het uitvalpercentage van de activiteiten
worden bepaald aan de hand van volgende formule:
r =# afgewerkte activiteiten met AD > PD
#aantal afgewerkte activiteiten(12.13)
c (kostenoverschrijding)
Op basis van de vroege projectdata kan eveneens de gemiddelde extra kost berekend worden die
nodig is voor het afwerken van afgekeurde activiteiten, berekend als fractie van de PV van de
activiteiten:
c =
∑((AC - PV)van elke afgekeurde activiteit
PVvan elke afgekeurde activiteit)
# afgekeurde activiteiten(12.14)
91
Fase 2: Voorspellingen
12
τ (hersteltijd van de afgekeurde activiteiten)
Tot slot dient ook nog de hersteltijd van de afgekeurde activiteiten te worden bepaald, berekend
als de gemiddelde additionele tijd nodig voor het afwerken van afgekeurde activiteiten:
τ =
∑(AD - PD)van elke afgekeurde activiteit
# afgekeurde activiteiten(12.15)
12.4.2 Voorspelling finale projectkost
Zoals in hoofdstuk 3 beschreven, is het model van Warburton in staat om aan de hand van de
parameters N, r en c de finale projectkost te voorspellen door de finale waarde van de cumulatieve
AC(t)w-curve te bepalen:
EACw = AC(t→∞)W = N(1 + r ∗ c) (12.16)
12.4.3 Voorspelling finale projectduur
In sectie 3.4.2 van hoofdstuk 3 werd reeds vermeld dat hoewel R.D.H. Warburton suggereert
dat zijn model kan worden gebruikt voor het voorspellen van de finale projectduur, hiervoor
geen specifieke methode naar voren werd geschoven in zijn paper (Warburton, 2010). De finale
projectduur zou, zoals eveneens in sectie 3.4.2 vermeld, kunnen bepaald worden door te kijken
op welk ogenblik t het project voltooid is, of met andere woorden wanneer de totale hoeveelheid
arbeid (N), dat gelijk is aan het BAC, is verdiend:
EAC(t)w = Tijdstip t waarop EV (t)w gelijk is aan BAC (12.17)
Omwille van de mathematische formulering van het model, dat gebruik maakt van exponentiele
factoren, vertonen de ev(t)w-curves in Warburton’s model lange staarten. Hierdoor wordt het
probleem echter op een inaccurate manier benaderd en wordt de finale projectduur in grote mate
overschat. Naarmate het project zijn einde nadert, zal de waarde van ev(t)w en de toename in
EV (t)w zeer klein zijn, en zal er heel wat tijd verstrijken alvorens het project is voltooid, i.e. N
is bereikt.
Om deze reden zullen we een correctie van formule (3.11) doorvoeren om de problematiek van de
lange staarten het hoofd te bieden en wordt in ons onderzoek de finale projectduur bepaald door
te kijken op welk ogenblik t 97,5% van het BAC is verdiend, om op die manier meer nauwkeurige
voorspellingen met betrekking tot de duurtijd te verkrijgen:
EAC(t)w = Tijdstip t waarop EV (t)wgelijk is aan 97,5% BAC (12.18)
92
12Fase 2: Voorspellingen
12.5 Reference class forecasting
12.5.1 Keuze referentieklassen
Om de RCF techniek toe te passen, moeten er referentieklassen van soortgelijke projecten worden
geıdentificeerd. Omdat wij ook de invloed van de gekozen referentieklasse willen nagaan ten
opzichte van de voorspellingsprestaties van RCF, beschouwen we verschillende referentieklassen.
We laten de referentieklassen versmallen van een algemene, allesomvattende referentieklasse naar
een bedrijfsspecifieke. Concreet maken we de volgende referentieklassen (van meest algemeen
naar meest specifiek): alle projecten, soort, functie, type en bedrijfsspecifiek. Eerst behoren alle
projecten tot eenzelfde referentieklasse, daarna nemen we alle projecten van dezelfde soort samen
(hier wordt er een onderscheid gemaakt tussen bouwprojecten en IT projecten). Vervolgens
verdelen we de projecten verder op per functie (voor bouwprojecten wordt er een onderscheid
gemaakt tussen gebouwen voor commerciele of industriele doeleinden enerzijds en gebouwen
voor residentiele doeleinden anderzijds). Deze referentieklasse kan dan verder versmald worden
door enkel de projecten te nemen van hetzelfde type (residentiele bouwprojecten kunnen worden
opgesplitst in huizenbouw en appartementsbouw). Als laatste worden enkel de projecten van
hetzelfde bedrijf samengenomen. Tabel 12.1 geeft weer hoe de opdeling in referentieklassen voor
elke projectklasse is gebeurd. Hierbij verwijzen we voor een overzicht van de projecten naar deel
V.
Tabel 12.1: Overzicht opdeling in referentieklassen voor de verschillende projecten
Projectklasse Projecten Soort Functie Type Bedrijf
Bedrijf X 1-5 Bouw Wonen Woning JaBedrijf Y 6-16 Bouw Wonen Woning Ja
Bedrijf Z 17-24 Bouw WonenApparte-
mentJa
Appartementen 25-30 Bouw WonenApparte-
mentJa
31-33 Bouw WonenApparte-
mentJa
Kantoren 34 Bouw Werken Kantoor -35-39 Bouw Werken Kantoor Nee
IT-Projecten 40-54 IT - - Ja
Woningbouw 55-57 Bouw Wonen Woning Nee
Industrie 58-64 Bouw Werken Industrie Nee
12.5.2 Voorspellingen
De eerste stap van de drie-stappen-procedure (het identificeren van relevante referentieklassen
van vergelijkbare projecten uit het verleden) werd reeds uitgevoerd in de vorige paragraaf.
Daarom kunnen we nu overgaan naar de tweede stap. Toch zullen we niet expliciet rekening
houden met de kansverdelingen van de geselecteerde referentieklassen, zoals in het werk van
Flyvbjerg (2006) wel werd gedaan. De werkwijze die in deze paper werd beschreven, wordt wel
93
Fase 2: Voorspellingen
12
geıllustreerd in appendix A. In het onderzoek van Flyvbjerg was het doel om de vereiste uplift
te bepalen (d.w.z. budgetverhoging ten opzichte van de voorspelling) die overeenkomt met een
bepaalde, aanvaardbare kans op overschrijding. Aangezien het in dit onderzoek de bedoeling is
om de RCF methode te vergelijken met de traditionele voorspellingstechnieken - die allemaal
gericht zijn op het verstrekken van puntschattingen van de meest waarschijnlijke projectduur
en -kost - zijn we geıntresseerd in de meest waarschijnlijke uitkomst van het betrokken project
(d.w.z. vergelijkbaar met de uplift zodat er 50% kans is op kostenoverschrijding zoals in de
studie van Flyvbjerg (2006)). Dit komt overeen met de derde stap van de RCF procedure.
Bij de beschrijving van de projecten gebruikt voor ons onderzoek worden voor elk project de
afwijkingen van de werkelijke projectkosten (K- kolom) en van de werkelijke duurtijd (D-kolom)
ten opzichte van de baseline schedule weergegeven. Een negatief percentage geeft aan dat
de werkelijke uitkomst gunstiger bleek te zijn dan verwacht (kortere duurtijd of onder het
budget), terwijl een positief getal uiteraard het tegenovergestelde betekent. Deze percentages
werden berekend aan de hand van formules 7.1 en 7.2. De meest waarschijnlijke kostprijs of
duurtijd van een bepaald project volgens de RCF methode, kan worden berekend op basis van
de gemiddelde afwijking van alle projecten uit die referentieklasse. Concreet worden de RCF
resultaten verkregen door deze gemiddelde afwijking op te tellen bij de voorspelling van de
baseline schedule (dus bij de BAC voor de kost en bij PD voor duurtijd).
94
13
HOOFDSTUK 13
Fase 3: Evaluatie
13.1 Kwantitatieve analyse
13.1.1 Nauwkeurigheid
Om de verschillende technieken onderling met elkaar te vergelijken, hadden we nood aan een
methode die de accuraatheid kon meten. Om de nauwkeurigheid van voorspellingen na te gaan
bestaan er verschillende metrics. Voor het bepalen van de nauwkeurigheid wordt gekeken hoe
goed de voorspelling de werkelijkheid benadert. In de paper van Adhikari and Agrawal (2013)
wordt een overzicht gegeven van de belangrijkste methoden. De werkelijke waarden worden
voorgesteld door yi, de voorspelde waarden door yi en het aantal projecten door n.
Mean Absolute Percentage Error: MAPE
De MAPE is een procentuele weergave van de gemiddelde absolute afwijking van de voorspelling:
MAPE =1
n
n∑i=1
∣∣∣∣yi − yiyi
∣∣∣∣× 100 (13.1)
Hierbij geldt het volgende: hoe lager de MAPE, hoe nauwkeuriger de voorspelling.
Mean Percentage Error: MPE
MPE is gelijkaardig aan MAPE, echter heffen bij MPE de negatieve en positieve afwijkingen
elkaar op:
MPE =1
n
n∑i=1
yi − yiyi
× 100 (13.2)
95
Fase 3: Evaluatie
13
13.1.2 Stabiliteit
Een tweede criterium voor het bepalen van de kwaliteit van de verschillende voorspellingsmetho-
des betreft de stabiliteit van de voorspellingen over verschillende herzieningsperiodes. In dit
onderzoek is er slechts een enkele methode, namelijk EVM, waarbij de voorspellingen periodiek
worden herzien (i.e. na iedere TP). Bij zowel de baseline schatting, Monte-Carlo simulaties als
de RCF methode worden pre-project voorspellingen gemaakt omtrent de finale projectduur en
-kost. Bij de methode van Warburton gebeurt de voorspelling nadat reeds een deel van het
project werd voltooid maar betreft het ook een stabiele schatting die niet wordt bijgewerkt op
latere herzieningsperiodes.
Bovenstaande zal duidelijk worden gemaakt aan de hand van een voorbeeldproject in hoofdstuk
14, waar de voorspellingen volgens de verschillende methodes op verschillende TP’s zullen
weergegeven worden in een figuur.
13.1.3 Timeliness
Timeliness is het derde criterium van Covach, Haydon & Reither (1981) voor de beoordeling
van de kwaliteit van voorspellingen. Hierbij wordt het gedrag van de prognose doorheen het
project geanalyseerd en wordt er gemeten of de voorspelde methodes betrouwbare resultaten
kunnen produceren in een vroege, midden en late fase van het project life cycle (Vanhoucke, 2009).
Tabel 13.1: Overzicht verschillende fasen in de project life cycle
ProjectfaseVroeg Midden Laat
[Project start - TP30%[ [TP30% - TP60%[ [TP60% - Project einde[
13.2 Kwalitatieve analyse
De kwalitatieve analyse zal worden gebaseerd op de criteria die in tabel 13.2 worden voorgesteld
en vervolgens kort worden toegelicht.
Tabel 13.2: Overzicht kwalitatieve beoordelingscriteria
Criterium Omschrijving
A In welke fase van het project wordt de voorspelling gemaakt?
B Is er nood aan statistische risico-informatie?
CIs de methode in staat rekening te houden met verschillendeniveau’s van risico?
D Hanteert de methode een inside of outside view?
E Is de methode complex?
F Is de methode objectief of subjectief?
96
13Fase 3: Evaluatie
A. Een eerste criterium waarop de technieken geclassificeerd worden, is de vraag of de voorspel-
ling pre-project wordt gemaakt. Sommige methodes maken een voorspelling voor aanvang van
het project (pre-project), terwijl andere technieken actuele projectdata gebruiken om zo een
forecast te formuleren. Voor dit criterium achten we methodes die pre-project voorspellingen
maken waardevoller.
B. Een tweede criterium betreft de noodzaak aan statistische risico-informatie. Voor sommige
methodes moet er aan elke activiteit van het project een risicodistributie worden verbonden. Het
gebruik van statistische distributies in plaats van puntschattingen, vervangt het deterministisch
karakter van de de projectparameters door intervalschattingen die leiden tot een accuratere en
realistischere schatting van het finale resultaat van het project (Vanhoucke, 2011). Dit vergt
natuurlijk extra tijd van de projectmanager en opgedane ervaring en inzichten uit het verleden.
C. Een volgend criterium waarop we de kwalitatieve classificatie zullen baseren, betreft het al
dan niet in staat zijn van de methode om vooraf het aanvaardbaar risico te kiezen. Sommige
methodes laten toe om vooraf het aanvaardbaar risico voor duur- en kostoverschrijdingen te
bepalen, terwijl dit bij andere methodes niet het geval is.
D. Vervolgens worden methodes ook kwalitatief geevalueerd op basis van het feit of ze een inside
of outside view hanteren.
E. Een bijkomend criterium waarop we de methodes beoordelen betreft de complexiteit van de
voorspellingsmethode en de eenvoud waarmee voorspellingen kunnen worden gemaakt.
F. Tot slot maken we nog een onderscheid tussen de objectieve en subjectieve methodes.
97
14
HOOFDSTUK 14
Voorbeeldproject
In deze sectie illustreren we onze methodologie op 1 voorbeeldproject. Eerst zullen we een
overzicht geven van het te voorspellen project. Vervolgens lichten we de keuze van de verschillende
referentieklassen toe, waarna de RCF methode zal worden toegepast. Vervolgens bekijken we
de traditionele voorspellingsmethodes; eerst degenen die pre-project prognoses opleveren, om
daarna de technieken te bespreken die voorspellingen tijdens de uitvoering van het project
opleveren. Meer concreet zullen we het in de opeenvolgende paragrafen hebben over de baseline
schedule, MC simulaties, EVM en de methode van Warburton.
14.1 Beschrijving van het project
Het project dat hieronder wordt besproken is een reeel project, waarvan we de data verkregen
van bedrijf X. Het betreft de voorbereiding, de funderingen en de ruwbouw van een woning.
Deze werken werden uitgevoerd door een Vlaams familiebedrijf met tientallen jaren ervaring
in de bouwsector. De volledige lijst van alle activiteiten met bijhorende kosten, duurtijden en
risicodistributies wordt weergegeven in tabel 14.1.
99
Voorbeeldproject
14
Tabel
14.1:
Ove
rzic
ht
acti
vite
iten
van
het
voor
bee
ldpr
oje
ct
IDN
aam
Voorg
an
gers
Opvolg
ers
Kost
[e]
Du
urt
ijd
[d]
Ris
icod
istr
ibu
tie
0W
onin
g5
95.6
94,0
0126d
20V
oorb
erei
din
g6.2
20,0
019d
1T
ran
spor
tkos
ten
FS
3750,0
03
stan
dard
-sym
met
ric
2S
tud
ieko
sten
FS
35.4
70,0
019
stan
dard
-sym
met
ric
21F
un
der
inge
n12.2
41,0
027
3F
un
der
inge
n1F
S;2
FS
FS
412.2
41,0
027
stan
dard
-ske
wed
left
22R
uw
bou
w77.2
33,0
080
4G
ewa/
Met
selw
erk
3FS
FS
5;F
S6
22.9
82,0
023
stan
dard
-sym
met
ric
5G
ewel
ven
/Str
uct
uu
r4F
SF
S7
10.2
16,0
08
stan
dard
-sym
met
ric
6U
itb
ran
den
GE
WA
4FS
FS
7528,0
02
stan
dard
-sym
met
ric
7Is
olat
ie5F
S;6
FS
FS
85.7
73,0
08
stan
dard
-sym
met
ric
8P
aram
ent
7FS
FS
927.7
64,0
023
stan
dard
-sym
met
ric
9Y
ton
g8F
SF
S10;F
S11;F
S12
2.2
76,0
08
stan
dard
-sym
met
ric
10D
orp
els
9FS
FS
13
2.8
78,0
02
stan
dard
-sym
met
ric
11V
oeg
wer
k9F
SF
S13
2.1
91,0
08
stan
dard
-sym
met
ric
12S
tell
ing
9FS
FS
13
2.4
25,0
09
stan
dard
-sym
met
ric
13K
arw
eien
10F
S;1
1FS
;12F
S200,0
01
stan
dard
-sym
met
ric
100
14Voorbeeldproject
De duurtijden worden uitgedrukt in standaard werkdagen van 8 uur. Daarnaast is het ook van
belang te vermelden dat deze kosten en duurtijden de voorspellingen zijn die de projectmanager
voor de aanvang van het project maakte.
De onderlinge relaties tussen de activiteiten worden eveneens in tabel 14.1 weergegeven. De
relaties vertegenwoordigen de technische vereisten van het project. De onderlinge relaties de
activiteiten kunnen ook worden geıdentificeerd uit de Gantt chart (figuur 14.1).
Figuur 14.1: Gantt chart van het voorbeeldproject
14.2 Fase 2: Voorspellingen
14.2.1 Baseline schedule
De baseline schedule voorspellingen voor het beschouwde project kunnen al uit tabel 3 worden
afgeleid. Het BAC bleek e95.694 te zijn en de PD 126 dagen. Het BAC kan vrij gemakkelijk
worden berekend als de som van de kosten van alle activiteiten (deze worden weergegeven in
tabel 14.1). De berekening van de PD is echter niet zo eenvoudig, omdat de onderlinge relaties
tussen de verschillende activiteiten gerespecteerd moeten worden. Alleen de activiteiten die deel
uitmaken van het kritieke pad (CP) bepalen de PD. De kritieke activiteiten van het project
worden in het rood aangegeven in figuur 14.1. De kritieke activiteiten van het voorbeeldproject
staan vermeld onder de nummers 2, 3, 4, 5, 7, 8, 9, 12 en 13.
14.2.2 Monte-Carlo simulaties
De Monte-Carlo simulaties werden uitgevoerd met behulp van de software tool ProTrack. Per
project werden er 100 simulaties uitgevoerd. De projectkosten en -duurtijden die op basis van
deze simulaties werden verkregen, worden overzichtelijk weergegeven in onderstaande histogram-
men. Beide grafieken werden opgemaakt door de gegevens te verdelen in 11 gelijke intervallen.
Omdat 12 van de 13 activiteiten een symmetrische verdeling hebben en slechts 1 activiteit
een links scheve, verwachtten we dat de verdeling van de gesimuleerde projectkosten eerder
symmetrisch zal zijn. De polynoom in figuur 14.2 bevestigt deze verwachting, er is namelijk geen
101
Voorbeeldproject
14
duidelijke scheefheid af te leiden. Het BAC geeft de voorspelde kosten weer en was voor het
beschouwde project gelijk aan e95.694. De gemiddelde kosten van het project na 100 simulaties
komt overeen met e95.722,12. Deze voorspelling zal gebruikt worden om de vergelijking met
andere methodes te maken. Merk op dat dit resultaat slechts enkele euro’s hoger ligt dan de
BAC (minder dan 1% verschil). Dit kan worden verklaard doordat er maar 1 activiteit een links
scheve distributie heeft (dat wil zeggen: een grotere kans op een langere duur van de activiteit).
Figuur 14.2: MC simulatie voor de finale projectkost
Figuur 14.3: MC simulatie voor de finale projectduur
102
14Voorbeeldproject
In tegenstelling tot de projectkosten, bepalen alleen de kritische activiteiten (d.w.z. de activiteiten
op het kritieke pad) de totale projectduur. In het beschouwde project zijn dit activiteiten 2,
3, 4, 5, 7, 8, 9, 12 en 13. Enkel activiteit 3 vertoont een linksscheve distributie. Dit verklaart
de symmetrische distributie van de gesimuleerde projectduur (figuur 14.3). De gemiddelde
projectduur door MC simulatie, die als basis voor verdere evaluatie zal worden gebruikt, bedraagt
125,91 dagen. Deze waarde ligt lager dan de PD (126 dagen).
14.2.3 EVM
Zoals in de vorige sectie besproken, wordt de voorspelling van de finale projectduur (EAC(t))
en en -kost (EAC) voor iedere TP door ProTrack automatisch berekend volgens de verschillende
methodes, zoals besproken in hoofdstuk 12. Een samenvatting van de output voor zowel de
voorspelling van de finale projectduur en -kost voor de verschillende TP’s kan teruggevonden
worden in respectievelijk tabel 14.2 en 14.3.
Tabel 14.2: EVM voorspellingen van de finale projectduur volgens de verschillende methodes [d]
TP 1 TP 2 TP 3 TP4
EAC(t)-PV (PF=1) 127 127 137 127
EAC(t)-PV (PF=SPI) 127 127 138 127
EAC(t)-PV (PF=SCI) 143 129 144 134
EAC(t)-ED (PF=1) 127 127 137 130
EAC(t)-ED (PF=SPI) 127 127 138 130
EAC(t)-ED (PF=SPI) 138 128 139 130
EAC(t)-ES (PF=1) 127 127 128 130
EAC(t)-ES (PF=SPI(t)) 127 127 128 130
EAC(t)-ES (PF=SCI(t)) 138 128 128 130
Tabel 14.3: Voorspellingen finale projectkost volgens de verschillende methodes [e]
TP 1 TP 2 TP 3 TP4
EAC (PF=1) 97.923 96.732 99.817 100.763
EAC (PF=CPI) 107.248 97.407 100.177 100.763
EAC (PF=SPI) 97.923 96.732 100.472 100.763
EAC (PF=SPI(t)) 97.923 96.732 99.883 100.763
EAC (PF=SCI) 107.248 97.407 100.863 100.763
EAC (PF=SCI(t)) 107.248 97.407 100.246 100.763
EAC (PF=0.8*CPI+0.2*SPI) 105.207 97.270 100.234 100.763
EAC (PF=0.8*CPI+0.2*SPI(t)) 105.207 97.270 100.116 100.763
103
Voorbeeldproject
14
14.2.4 Warburton’s model
Voor het maken van een voorspelling omtrent de finale projectduur en -kost volgens het model
van Warburton dienen eerst de parameters N, T, c, r & τ bepaald te worden. Hierbij kunnen N en
T voor de aanvang van het project bepaald worden, terwijl voor de parameters c, r en τ gebruik
gemaakt wordt van vroege projectdata. Onder deze project data verstaan we alle gegevens die
beschikbaar zijn na de specifieke TP waarbij minimaal 30% van het project voltooid is. Een over-
zicht van de early project data voor het beschouwde voorbeeldproject wordt gegeven in tabel 14.6.
Op basis van deze gegevens konden de parameters die eigen zijn aan het model van Warburton
bekend worden. Onderstaande tabel geeft een overzicht van de waarden N, T, c, r en τ voor het
voorbeeld, samen met de overeenkomstige formule.
Tabel 14.4: Overzicht paramaters van Warburton’s model voor het voorbeeldproject
Parameter Waarde FormuleN [e]
95.694 = BAC
T [d]60 = t waarvoor EV(t)w gelijk is aan 40% BAC
r [%]14,29 = # afgewerkte activiteiten met AD>PD
#aantal afgewerkte activiteiten
c [%]284,13 =
∑((AC - PV)van elke afgekeurde activiteit
PVvan elke afgekeurde activiteit)
# afgekeurde activiteiten
τ [d]7 =
∑(AD - PD)van elke afgekeurde activiteit
# afgekeurde activiteiten
Tabel 14.5: Voorspellingen van de finale projectduur en -kost volgens de methode van Warburton.
Waarde Formule
EAC(t)w[d] 164 = t waarvoor EV(t)w gelijk is aan 97,5% BAC
EACw[e] 134.537 = N∗(1+r∗c)
104
14Voorbeeldproject
Tabel
14.6:
Ove
rzic
ht
acti
vite
iten
geb
ruik
tvo
orh
etb
epal
enva
nW
arb
urt
on
’sp
aram
eter
s(i
.e.
vro
ege
pro
ject
dat
a).
Act
ivit
eit
Bas
elin
esc
hed
ule
Earl
yp
roje
ctd
ata
Ver
tragin
gK
ost
over
sch
rijd
ing
IDN
aam
PS
PD
[d]
PV
[e]
PC
[%]
AS
AD
[d]
AC
[e]
[d]
[e]
[%]
20V
oor
ber
eid
ing
1910
1T
ran
spor
tkos
ten
07/0
3/20
163
750
100
07/03/2016
10
2.8
81
72.1
31
284,1
32
Stu
die
kost
en07
/03/
2016
19100
07/03/2016
10
-21
Fu
nd
erin
gen
2731
3F
un
der
inge
n01
/04/
2016
27100
21/03/2016
31
-22
Ruw
bou
w80
37
4G
ewa/
Met
selw
erk
10/0
5/20
1623
100
03/05/2016
26
-5
Gew
elven
/Str
uct
uu
r10
/06/
2016
8100
08/06/2016
3-
6U
itb
ran
den
Gew
a10
/06/
2016
2100
08/06/2016
2-
7Is
olat
ie22
/06/
2016
8100
13/06/2016
8-
105
Voorbeeldproject
14
14.2.5 RCF
Selectie van de referentieklasse
Om de RCF techniek toe te passen, moeten er referentieklassen van soortgelijke projecten worden
geıdentificeerd. Omdat wij ook de invloed van de gekozen referentieklasse willen nagaan, ten
opzichte van de voorspellingsprestaties van RCF, beschouwen we verschillende referentieklassen.
We laten de referentieklassen van een algemene, allesomvattende referentieklasse versmallen
naar een bedrijfsspecifieke. Hoe breder de referentieklasse, hoe meer projecten deze bevat. Voor
het voorbeeldproject maken we de volgende referentieklassen: alle projecten, soort, functie,
type en bedrijfsspecifiek. Projecten die aan deze referentieklassen worden toegevoegd, zijn
afkomstig uit de eigen rondvraag of uit de database OR-AS1. Tabel 14.8 geeft een overzicht
weer van de projecten binnen de verschillende referentieklassen. Een getal in een kolom toont
aan dat het project tot deze referentieklasse behoort. De laatste kolom is de meest specifieke
referentieklasse, met enkel projecten van eenzelfde bedrijf. Deze projecten hebben dus de hoogste
mate van overeenstemming. De opbouw van deze projecten komt in grote mate overeen met het
beschouwde project, hoewel het bij de referentieprojecten niet enkel over de ruwbouw gaat, maar
over de bouw van de ganse woning (voorbereiding, fundering, dakwerken, buitenschrijnwerk,
binnenafwerking, technieken, omgevingswerken en schilderwerken).
Voorspelling finale projectduur en -kost
In tabel 14.8, kunnen we de procentuele afwijkingen waarnemen van de werkelijke projectkosten
(K- kolom) en duurtijden (D-kolom) van de respectievelijke BS voorspellingen. Een negatieve
afwijking geeft aan dat de realisatie lager bleek dan voorspeld (dat wil zeggen gunstiger), terwijl
een positief getal het tegenovergestelde betekent. De meest waarschijnlijke afwijking voor een
bepaalde referentieklasse wordt dan berekend als de gemiddelde afwijking van alle projecten in
die referentieklasse (voorlaatste rij van tabel 14.8). Voorspellingen aan de hand van de RCF
methode worden dan verkregen door deze gemiddelde afwijking in aanmerking te nemen bij de
baseline schedule voorspellingen (BAC en PD). Tabel 14.7 geeft een overzicht van alle RCF
voorspellingen voor het beschouwde project.
Tabel 14.7: RCF voorspellingen van de finale projectduur en -kost voor de verschillende referentieklassen.
Referentieklasse
Duurtijd [d] Alle projecten Soort Functie Type Bedrijf
Baseline schatting 126 126 126 126 126
Gemiddelde afwijking +8,43% +11,90% +18,16% +4,42% +3,23%
RCF voorspelling 136,6 141,0 148,9 131,6 130,1
Kost [e] Alle projecten Soort Functie Type Bedrijf
Baseline schatting 95.694 95.694 95.694 95.694 95.694
Gemiddelde afwijking -4,64% +2,85% +5,17% +6,19% +1,68%
RCF voorspelling 91.252 98.424 100.640 101.613 97.306
1www.or-as.be/research/database
106
14Voorbeeldproject
Tabel
14.8:
Ove
rzic
ht
keu
zere
fere
nti
ekla
ssen
enb
ijh
oren
de
afw
ijki
ng
tuss
envo
orsp
ellin
gen
real
isat
ie(1
/2
).
All
ep
roje
cte
nS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sN
rN
aam
D[%
]K
[%]
D[%
]K
[%]
D[%
]K
[%]
D[%
]K
[%]
D[%
]K
[%]
1W
onin
g1
5,39
0,4
45,3
90,4
45,3
90,4
45,3
90,4
45,3
90,4
42
Won
ing
20,
001,5
40,0
01,5
40,0
01,5
40,0
01,5
40,0
01,5
43
Won
ing
37,
843,0
87,8
43,0
87,8
43,0
87,8
43,0
87,8
43,0
84
Won
ing
4-0
,31
1,6
7-0
,31
1,6
7-0
,31
1,6
7-0
,31
1,6
7-0
,31
1,6
7
5A
fwer
kin
g-
Lot
1-
18,2
3-
18,2
3-
18,2
3-
18,2
36
Afw
erkin
g-
Lot
2-
18,0
6-
18,0
6-
18,0
6-
18,0
67
Afw
erkin
g-
Lot
3-
19,0
0-
19,0
0-
19,0
0-
19,0
08
Afw
erkin
g-
Lot
4-
3,9
9-
3,9
9-
3,9
9-
3,9
99
Afw
erkin
g-
Lot
5-
3,3
9-
3,3
9-
3,3
9-
3,3
910
Afw
erkin
g-
Lot
6-
1,2
4-
1,2
4-
1,2
4-
1,2
411
Afw
erkin
g-
Lot
7-
1,5
0-
1,5
0-
1,5
0-
1,5
012
Afw
erkin
g-
Lot
8-
0,8
2-
0,8
2-
0,8
2-
0,8
213
Afw
erkin
g-
Lot
9-
1,7
5-
1,7
5-
1,7
5-
1,7
514
Afw
erkin
g-
Lot
10-
3,9
7-
3,9
7-
3,9
7-
3,9
715
Afw
erkin
g-
Lot
11-
3,9
6-
3,9
6-
3,9
6-
3,9
6
16B
uil
din
ga
Hou
se4,
122,1
84,1
22,1
84,1
22,1
84,1
22,1
817
Fam
ily
Res
iden
ce2,
35-3
,02
2,3
5-3
,02
2,3
5-3
,02
2,3
5-3
,02
18F
amil
yR
esid
ence
(2)
11,5
429,5
311,5
429,5
311,5
429,5
311,5
429,5
3
19A
fwer
kin
gA
111
,43
1,9
511,4
31,9
511,4
31,9
520
Afw
erkin
gA
28,
994,1
18,9
94,1
18,9
94,1
121
Afw
erkin
gB
111
,21
4,6
511,2
14,6
511,2
14,6
522
Afw
erkin
gB
210
,84
5,9
010,8
45,9
010,8
45,9
023
Ruw
bou
wA
14,7
33,4
714,7
33,4
714,7
33,4
724
Ruw
bou
wB
12,9
42,5
512,9
42,5
512,9
42,5
525
Ruw
bou
wK
elder
11,2
72,9
711,2
72,9
711,2
72,9
726
Voor
ber
eid
ing
12,8
28,1
212,8
28,1
212,8
28,1
2
27A
par
tmen
tB
uild
ing
(1)
20,1
811,0
820,1
811,0
820,1
811,0
828
Ap
artm
ent
Bu
ild
ing
(2)
11,7
03,2
311,7
03,2
311,7
03,2
329
Ap
artm
ent
Bu
ild
ing
(3)
14,4
516,9
814,4
516,9
814,4
516,9
830
Ap
artm
ent
Bu
ild
ing
(4)
18,0
319,4
818,0
319,4
818,0
319,4
831
Ap
artm
ent
Bu
ild
ing
(5)
28,1
3-5
,82
28,1
3-5
,82
28,1
3-5
,82
32A
par
tmen
tB
uild
ing
(6)
8,33
1,5
48,3
31,5
48,3
31,5
4
107
Voorbeeldproject
14A
lle
pro
jecte
nS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sN
rN
aam
D[%
]K
[%]
D[%
]K
[%]
D[%
]K
[%]
D[%
]K
[%]
D[%
]K
[%]
33S
oci
alA
par
tmen
tsY
pre
s(1
)20
4,10
-5,4
7204,1
0-5
,47
204,1
0-5
,47
33S
oci
alA
par
tmen
tsY
pre
s(2
)36
,16
-2,3
936,1
6-2
,39
36,1
6-2
,39
35S
oci
alA
par
tmen
tsY
pre
s(3
)-3
0,45
-2,7
7-3
0,4
5-2
,77
-30,4
5-2
,77
36G
over
nm
ent
Offi
ceB
uild
ing
-2,2
710,9
0-2
,27
10,9
037
Offi
ceF
inis
hin
gW
orks
(1)
-8,0
5-1
4,5
3-8
,05
-14,5
338
Offi
ceF
inis
hin
gW
orks
(2)
10,0
0-1
2,0
910,0
0-1
2,0
939
Offi
ceF
inis
hin
gW
orks
(3)
-32,
75-9
,70
-32,7
5-9
,70
40O
ffice
Fin
ish
ing
Wor
ks
(4)
-44,
90-2
0,0
0-4
4,9
0-2
0,0
041
Offi
ceF
inis
hin
gW
orks
(5)
-33,
54-1
6,6
3-3
3,5
4-1
6,6
3
42R
ailw
ayS
tati
on(1
)20
,14
-13,6
720,1
4-1
3,6
743
Ind
ust
rial
Com
ple
x(1
)8,
17-1
6,7
28,1
7-1
6,7
244
Ind
ust
rial
Com
ple
x(2
)5,
39-9
,75
5,3
9-9
,75
45G
ard
enC
ente
r-2
,62
-1,1
5-2
,62
-1,1
546
Rai
lway
Sta
tion
(2)
60,7
347,2
260,7
347,2
247
Rai
lway
Sta
tion
Antw
erp
19,1
211,4
919,1
211,4
948
Fir
eS
tati
on4,
930,6
74,9
30,6
7
49T
axR
etu
rnS
yst
em(1
)0,
00-5
7,8
250
Sta
ffA
uth
oriz
atio
nS
yst
em-1
,82
-36,7
751
Pre
miu
mP
aym
ent
Syst
em-0
,54
-55,9
452
Bro
ker
Con
vers
ion
Syst
em-0
,85
-21,5
553
Su
pp
.P
ensi
ons
Dat
abas
e-0
,81
-46,6
354
FA
CT
AS
yst
em0,
00-3
9,8
755
Gen
eric
Doc.
Ou
tpu
tS
yst
em-0
,37
-0,7
756
Insu
ran
ceB
un
dli
ng
Syst
em13
,46
-0,1
357
Tax
Ret
urn
Syst
em(2
)-0
,78
-35,6
758
Rec
eip
tN
um
ber
ing
Syst
em0,
00-1
4,3
259
Pol
icy
Nu
mb
erin
gS
yst
em-5
,85
-12,2
260
Inve
stm
ent
Pro
du
ct(1
)-2
,70
-19,4
061
Ris
kP
rofi
leQ
ues
tion
nai
re0,
00-4
1,7
762
Inve
stm
ent
Pro
du
ct(2
)-1
,65
-30,0
863
CR
MS
yst
em0,
00-1
6,4
5G
em
idd
eld
eafw
ijkin
g8,4
3%
-4,6
4%
11,9
0%
2,8
5%
18,1
6%
5,1
7%
4,4
2%
6,1
9%
3,2
3%
1,6
8%
#P
roje
cte
n52
63
37
48
24
35
718
44
108
14Voorbeeldproject
14.3 Fase 3: Evaluatie
14.3.1 Kwantitatieve evaluatie
Nauwkeurigheid
Een eerste criterium voor de kwantitatieve evaluatie van de verschillende voorspellingsmethoden
betreft de nauwkeurigheid van de gedane voorspelling. De nauwkeurigheid wordt, zoals in hoofd-
stuk 13 beschreven, bepaald aan de hand van de mean average percentage error (MAPE), dat de
(gemiddelde) procentuele afwijking van de voorspelling ten opzichte van de gerealiseerde waarde
weergeeft. Hieronder volgt een overzicht van de nauwkeurigheid van iedere voorspellingsmethode.
Bij de berekening van de MAPE waarden voor de voorspellingen op basis van de BS, Monte-Carlo
simulaties, EVM en Warburton’s model onderstaande formule gebruikt:
MAPE =
∣∣∣∣yi − yiyi
∣∣∣∣× 100 (14.1)
De aandachtige lezer zal opmerken dat dit een vereenvoudigde versie is van de MAPE formule
(13.1) zoals in sectie 13.1.1 gepresenteerd.
Voor EVM echter, waar de voorspelling van de finale projectduur en -kost na iedere TP wordt
bijgewerkt voor de verschillende methodes, dient de gemiddelde MAPE berekend te worden aan
de hand van volgende formule:
MAPE =1
n
n∑i=1
∣∣∣∣yi − yiyi
∣∣∣∣× 100 (14.2)
met n het aantal beschouwde tracking periodes
1) Baseline schedule schatting
Tabel 14.9: Nauwkeurigheid van de voorspellingen op basis van de BS schatting.
MAPE [%] Formule
PD 3,08 = (AD - PD)/AD
BAC 5,03 = (AC - BAC)/AC
2) Monte-Carlo simulaties
Tabel 14.10: Nauwkeurigheid van de voorspellingen op basis van Monte-Carlo simulaties.
MAPE [%] Formule
MC(t) 3,15 = (AD - MC(t))/AD
MC 5,00 = (AC - MC)/AC
109
Voorbeeldproject
14
3) Earned value management
Tabel 14.11: Nauwkeurigheid van de EVM voorspellingen voor de finale duurtijd.
MAPE [%] TP 1 TP 2 TP 3 TP 4 Gemiddelde
EAC (PF=1) 2,82 4,00 0,94 0,00 2,59
EAC (PF=CPI) 6,44 3,33 0,58 0,00 3,45
EAC (PF=SPI) 2,82 4,00 0,29 0,00 2,37
EAC (PF=SPI(t)) 2,82 4,00 0,87 0,00 2,56
EAC (PF=SCI) 6,44 3,33 0,10 0,00 3,29
EAC (PF=SCI(t)) 6,44 3,33 0,51 0,00 3,43
EAC (PF=0.8*CPI+0.2*SPI) 4,41 3,47 0,52 0,00 2,80
EAC (PF=0.8*CPI+0.2*SPI(t)) 4,41 3,47 0,64 0,00 2,84
Tabel 14.12: Nauwkeurigheid van de EVM voorspellingen voor de finale duurtijd.
MAPE [%] TP 1 TP 2 TP 3 TP 4 Gemiddelde
EAC(t)-PV (PF=1) 2,23 2,23 5,55 2,23 3,34
EAC(t)-PV (PF=SPI) 2,23 2,23 6,09 2,23 3,52
EAC(t)-PV (PF=SCI) 9,87 0,72 10,96 2,72 7,19
EAC(t)-ED (PF=1) 2,23 2,23 5,39 0,00 3,28
EAC(t)-ED (PF=SPI) 2,23 2,23 6,09 0,00 3,52
EAC(t)-ED (PF=SPI) 5,97 1,70 6,62 0,00 4,76
EAC(t)-ES (PF=1) 2,23 2,23 1,67 0,00 2,04
EAC(t)-ES (PF=SPI(t)) 2,23 2,23 1,30 0,00 1,92
EAC(t)-ES (PF=SCI(t)) 5,97 1,70 1,23 0,00 2,97
4) Warburton’s model
Tabel 14.13: Nauwkeurigheid van de voorspellingen volgens Warburton’s methode.
MAPE [%] Formule
EAC(t)w 26,21 = (AD - EAC(t)w)/AD
EACw 33,52 = (AC - EACw)/AC
5) Reference class forecasting
Tabel 14.14: Nauwkeurigheid van de voorspellingen volgens RCF.
ReferentieklasseMAPE [%] Alle Soort Functie Type BedrijfRCF(t) 5,09 8,45 14,52 1,21 0,06RCF 9,44 2,32 0,12 0,84 3,43
110
14Voorbeeldproject
Figuur14.4:
Ove
rzic
ht
kost
voor
spel
ling
eno
pve
rsch
illen
de
de
TP
’s.
111
Voorbeeldproject
14
Figuur14.5:
Ove
rzic
ht
du
urt
ijd
voor
spel
ling
eno
pve
rsch
illen
de
de
TP
’s.
112
14Voorbeeldproject
Stabiliteit
Bij de analyse van de stabiliteit van de verschillende voorspellingsmethodes valt het op dat EVM
de enige methode is waarbij de voorspellingen wijzigen doorheen de tijd (i.e. onstabiel zijn). Dit is
zichtbaar in figuur 14.4 en figuur 14.5 voor respectievelijk de kost- en duurtijdvoorspellingen. De
horizontale dikke lijn geeft respectievelijk de AD en AC weer. Hoe dichter de voorspellingen van
de andere methodes bij deze lijn liggen, hoe nauwkeuriger de voorspelling van de corresponderende
werkwijze is.
Timeliness
Het derde criteria voor de kwantitatieve evaluatie van de verschillende voorspellingsmethodes,
betreft het al dan niet in staat zijn van de specifieke methode om nauwkeurige schattingen te
leveren in verschillende fasen van het project. Aangezien de voorspelling van de finale projectduur
en -kost op basis van de BS, Monte-Carlo simulaties en de RCF methode niet worden bijgewerkt,
zijn de schattingen constant en gelijk over de verschillende projectfasen. Bij de methode van
Warburton wordt de voorspelling van de finale projectduur en -kost pas na de vroege projectfase
gemaakt. Onderstaande tabellen geven de nauwkeurigheid weer van de voorspellingen (van het
voorbeeldproject) volgens de verschillende methodes voor de verschillende projectfasen weer.
Hierbij stellen we vast dat de kostvoorspelling op basis van EVM nauwkeuriger wordt naar het
einde van het project toe. Voor de duurtijd in dit geval blijkt de voorspelling in de middenfase
het minst accuraat.
Tabel 14.15: Overzicht nauwkeurigheid van de verschillende methodes in verschillende projectfases (kost-voorspellingen) [%].
RCF EVMBAC MC EACw A S F T B EAC1 EAC2
Vroeg
5,03 5,00 - 9,44 2,32 0,12 0,84 3,43 0,85 5,73
Midden
5,03 5,00 33,52 9,44 2,32 0,12 0,84 3,43 0,70 4,37
Laat
5,03 5,00 33,52 9,44 2,32 0,12 0,84 3,43 0,00 0,11
Tabel 14.16: Overzicht nauwkeurigheid van de verschillende methodes in verschillende projectfases (duur-tijdvoorspellingen) [%].
RCF EVMPD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
Vroeg
3,08 3,15 - 5,09 8,45 14,52 1,21 0,06 0,67 0,67
Midden
3,08 3,15 26,21 5,09 8,45 14,52 1,21 0,06 1,68 3,44
Laat
3,08 3,15 26,21 5,09 8,45 14,52 1,21 0,06 0,67 0,67
113
Deel V
Overzicht projecten
115
Overzicht
In dit deel worden de projecten besproken die aan de basis lagen van dit onderzoek. De projecten
uit eigen rondvraag en deze afkomstig uit de database van OR-AS2 worden voorgesteld in
respectievelijk hoofdstukken 15 en 16. De volgende pagina geeft een overzicht weer van alle
projecten met hun overeenkomstige ID’s, dewelke later zullen worden gebruikt om naar de
specifieke projecten te verwijzen.
2www.or-as.be/research/database
117
Tabel 14.17: Overzicht alle projecten
Projecten uit eigen rondvraag Projecten database OR-ASBedrijf X Appartementen
1 Woning 1 25 Apartment Building (1)2 Woning 2 26 Apartment Building (2)3 Woning 3 27 Apartment Building (3)4 Woning 4 28 Apartment Building (4)5 Woning 5 29 Apartment Building (5)
Bedrijf Y 30 Apartment Building (6)6 Afwerking - Lot 1 31 Social Apartments Ypres (1)7 Afwerking - Lot 2 32 Social Apartments Ypres (2)8 Afwerking - Lot 3 33 Social Apartments Ypres (3)9 Afwerking - Lot 4 Kantoren10 Afwerking - Lot 5 34 Government Office Building11 Afwerking - Lot 6 35 Office Finishing Works (1)12 Afwerking - Lot 7 36 Office Finishing Works (2)13 Afwerking - Lot 8 37 Office Finishing Works (3)14 Afwerking - Lot 9 38 Office Finishing Works (4)15 Afwerking - Lot 10 39 Office Finishing Works (5)16 Afwerking - Lot 11 IT-projecten
Bedrijf Z 40 Tax Return System (1)17 Afwerking A1 41 Staff Authorization System18 Afwerking A2 42 Premium Payment System19 Afwerking B1 43 Broker Account Conversion System20 Afwerking B2 44 Supplementary Pensions Database21 Ruwbouw A 45 FACTA System22 Ruwbouw B 46 Generic Document Output System23 Ruwbouw Kelder 47 Insurance Bundling System24 Voorbereiding 48 Tax Return System (2)
49 Receipt Numbering System50 Policy Numbering System51 Investment Product (1)52 Risk Profile Questionnaire53 Investment Product (2)54 CRM System
Woningbouw55 Building a House56 Family Residence57 Family Residence (2)
Industrie58 Railway Station (1)59 Industrial Complex (1)60 Industrial Complex (2)61 Garden Center62 Railway Station (2)63 Railway Station Antwerp64 Fire Station
118
15
HOOFDSTUK 15
Projecten uit eigen rondvraag
15.1 Bedrijf X
Bedrijf X is een Vlaams familiebedrijf met tientallen jaren ervaring in de bouwsector. Het
bedrijf is gespecialiseerd in de bouw van woningen en appartementen en telt tussen 201-500
medewerkers. Het beschikt over een geconsolideerd eigen vermogen van ruim 100 miljoen euro
en draait een jaarlijkse omzet tussen de 100 en 200 miljoen euro. Van bedrijf X kregen we de
gegevens van 5 volledige woningbouwprojecten.
Tabel 15.1: Bedrijf X: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
1 55 5 241 254 5,39 162.472 163.189 0,44
2 59 5 291 291 0,00 222.858 226.285 1,54
3 51 5 306 330 7,84 367.952 379.300 3,08
4 48 5 321 320 -0,31 218.366 222.022 1,67
5 13 4 126 130 3,17 95.694 100.763 5,30
15.2 Bedrijf Y
Bedrijf Y is actief op het gebied van vastgoedontwikkeling en woningbouw. Het bedrijf telt
tussen 201-500 werknemers. Naast Belgie, is de groep ook actief in het buitenland. Het bedrijf
draait een jaarlijkse omzet tussen de 200 en 300 miljoen euro. Van bedrijf Y bekwamen we
data met betrekking tot de afwerking van 11 woningbouwprojecten deel uitmakend van een
verkavelingsproject.
119
Projecten uit eigen rondvraag
15
Tabel 15.2: Bedrijf Y: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
6 24 4 90 90 - 54.578 64.527 18,23
7 24 4 86 86 - 54.703 64.580 18,06
8 25 4 91 91 - 51.116 60.830 19,00
9 25 4 91 91 - 51.303 53.351 3,99
10 25 4 91 91 - 52.021 53.783 3,39
11 24 4 101 101 - 54.324 54.996 1,24
12 24 4 101 101 - 56.969 57.822 1,50
13 24 4 101 101 - 56.183 56.646 0,82
14 24 4 101 101 - 52.263 53.177 1,75
15 24 4 91 91 - 54.580 56.748 3,97
16 24 4 91 91 - 51.286 53.319 3,96
15.3 Bedrijf Z: overzicht projectgegevens
Bedrijf Z is door de jaren heen uitgegroeid van familiebedrijf tot een groep van meerdere bedrijven.
Het is actief in ontwikkeling, ontwerp, financiering, bouw, onderhoud en exploitatie van projecten
en dit in verschillende sectoren. Het bedrijf telt tussen de 501-1000 werknemers. Het bedrijf
draait een jaarlijkse omzet tussen de 100 en 300 miljoen euro. Van bedrijf Z bekwamen we data
met betrekking tot de bouw van een verzorgingscentrum met 50+ appartementskamers. Het
betreft een U-vormig gebouw met vier bouwlagen met een aangrenzend plein. We verkregen de
data als afzonderlijke stukken, dus besloten we om het totaalproject op te splitsen in 8 aparte
projecten.
Tabel 15.3: Bedrijf Z: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
17 23 4 105 117 11,43 488.936 498.473 1,95
18 22 4 89 97 8,99 477.381 496.991 4,11
19 23 4 116 129 11,21 377.282 394.829 4,65
20 23 3 83 92 10,84 362.476 383.871 5,90
21 19 4 129 148 14,73 1.797.874 1.860.331 3,47
22 23 4 85 96 12,94 1.319.736 1.353.361 2,55
23 19 4 71 79 11,27 569.178 586.087 2,97
24 16 4 78 88 12,82 813.663 879.701 8,12
120
16
HOOFDSTUK 16
Projecten uit de OR-AS database
In de database van de OR-AS1 gingen we op zoek naar projecten die geschikt waren voor ons
onderzoek. We selecteerden eerst alle projecten waarvoor trackinggegevens beschikbaar waren.
Daarna maakten we een verdere opdeling, en werden gelijkaardige projecten aan eenzelfde
projectklasse toegewezen.
De real-life project database die in deze thesis gebruikt wordt, werd opgesteld door J. Batselier
& M. Vanhoucke (2015). Op het moment van dit onderzoek, bevatte de database 88 projecten
afkomstig van verschillende bedrijven uit verschillende sectoren (hoofdzakelijk bouw, maar
ook event management, IT, productie, onderwijs, enz.). De kwaliteit en authenticiteit van de
projectgegevens wordt gegarandeerd door de toevoeging van de zogenaamde projectkaarten, die
de belangrijkste eigenschappen van een bepaald project samenvatten en het mogelijk maken om
de projecten te categoriseren en te evalueren (Batselier & Vanhoucke, 2015). De projectkaarten
van de projecten in de database zijn beschikbaar op www.or-as.be/research/database, net als
de projectgegevens zelf. De gegevens werden oorspronkelijk opgemaakt met behulp van de
projectmanagement software tool ProTrack2.
1www.or-as.be/research/database2www.protrack.be
121
Projecten uit de OR-AS database
16
16.1 Appartementen
Deze klasse bevat 6 appartementsgebouwen en drie projecten betreffende de bouw van sociale
appartementen te Ieper.
Tabel 16.1: Appartementen: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
25 25 13 228 274 20,18 532.410 591.411 11,08
26 29 19 547 611 11,70 3.486.375 3.599.114 3,23
27 25 14 353 404 14,45 1.102.537 1.289.697 16,98
28 39 13 233 275 18,03 1.992.222 2.380.300 19,48
29 56 8 160 205 28,13 2.750.938 2.590.797 -5,82
30 64 5 120 130 8,33 2.524.765 2.563.676 1,54
31 40 14 244 742 204,10 440.941 416.813 -5,47
32 29 21 271 369 36,16 1.310.723 1.279.346 -2,39
33 53 14 358 249 -30,45 2.509.031 2.439.480 -2,77
16.2 Kantoren
Het betreft hier 5 afwerkingsprojecten van kantoorgebouwen, voornamelijk met betrekking de
plaatsing van scheidingswanden. De projectgegevens werden rechtstreek van de projecteigenaar
verkregen. Daarnaast werd er eveneens een project geselecteerd betreffende de bouw van een
kantoorruimte, bestemd voor de overheid.
Tabel 16.2: Kantoren: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
34 274 18 352 344 -2,2719.429.811 21.546.846
10,90
35 11 9 236 217 -8,05 1.118.497 955.929 -14,53
36 9 2 80 88 10,00 85.848 75.468 -12,09
37 17 6 171 115 -32,75 341.468 308.344 -9,70
38 7 5 196 108 -44,90 248.204 198.567 -20,00
39 23 5 161 107 -33,54 244.205 203.606 -16,63
122
16Projecten uit de OR-AS database
16.3 IT projecten
Deze klasse bevat 15 IT projecten die door eenzelfde bedrijf werden uitgevoerd.
Tabel 16.3: IT projecten: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
40 20 3 85 85 0,00 18.990 8.010 -57,82
41 13 3 55 54 -1,82 14.400 9.105 -36,77
42 42 3 184 183 -0,54 132.570 58.410 -55,94
43 22 4 117 116 -0,85 12.735 9.990 -21,55
44 24 4 124 123 -0,81 34.260 18.285 -46,63
45 19 3 57 57 0,00 11.700 7.035 -39,87
46 30 6 270 269 -0,37 64.620 64.125 -0,77
47 91 5 208 236 13,46 281.430 281.070 -0,13
48 21 3 128 127 -0,78 39.450 25.380 -35,67
49 24 4 181 181 0,00 43.800 37.530 -14,32
50 11 4 171 161 -5,85 12.645 11.100 -12,22
51 17 2 37 36 -2,70 4.020 3.240 -19,40
52 31 4 151 151 0,00 29.880 17.400 -41,77
53 40 4 121 119 -1,65 46.920 32.805 -30,08
54 29 6 233 233 0,00 44.130 36.870 -16,45
16.4 Woningbouw
De projectklasse woningbouw is samengesteld uit drie projecten met volgende functies: permanent
wonen of tweede verblijf.
Tabel 16.4: Woningbouw: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
55 34 41 194 202 4,12 484.398 494.948 2,18
56 45 11 170 174 2,35 180.476 175.031 -3,02
57 184 10 260 290 11,54 143.673 186.107 29,53
123
Projecten uit de OR-AS database
16
16.5 Industrie
In deze klasse zijn alle bouwprojecten opgenomen zonder woonfunctie. Het betreft hier industriele
complexen, treininfrastructuur en een brandweerkazerne.
Tabel 16.5: Industrie: overzicht projectgegevens
Algemeen Duurtijd Kost# Act # TPs PD [d] AD [d] D [%] PC [e] AC [e] C [%]
58 215 9 417 501 20,14 1.121.317 967.989 -13,67
59 135 9 257 278 8,17 2.244.091 1.868.796 -16,72
60 146 9 297 313 5,39 5.999.600 5.414.544 -9,75
61 186 8 191 186 -2,62 467.297 461.900 -1,15
62 348 9 354 569 60,73 1.457.424 2.145.682 47,22
63 18 6 68 81 19,12 22.704 25.313 11,49
64 204 8 284 298 4,93 1.874.497 1.887.087 0,67
124
Deel VI
Resultaten
125
Overzicht
In dit deel worden de resultaten van de verschillende voorspellingsmethodes gepresenteerd
en besproken. Zoals eerder aangegeven, zullen de verschillende voorspellingsmethodes zowel
kwantitatief als kwalitatief vergeleken en geevalueerd worden in respectievelijk de hoofdstukken
17 en 18. We willen er op wijzen dat de bespreking en analyse gebaseerd is op de resultaten van
de specifieke projecten uit de aangelegde database.
127
17
HOOFDSTUK 17
Kwantitatieve evaluatie
De werkwijze voor de kwantitatieve evaluatie die aan de hand van het voorbeeldproject (cf.
hoofdstuk 14) werd geıllustreerd, werd voor ieder project uit de aangelegde database toegepast.
Voor een uitgebreid overzicht van de resultaten verwijzen we naar appendices C en D, waarin res-
pectievelijk de resultaten met betrekking tot de nauwkeurigheid en timeliness werden opgenomen.
In de volgende sectie volgt de bespreking en analyse van de resultaten met betrekking tot de
nauwkeurigheid, stabiliteit en timeliness. We wensen hier nogmaals te benadrukken dat de
analyse en evaluatie van de resultaten per projectklasse gebeurt. Dit om zinvolle conclusies
trekken en aanbevelingen te kunnen geven omtrent de meest geschikte voorspellingsmethode
voor ieder(e) bedrijf/projectklasse. Wel wordt tijdens de analyse en evaluatie van de resultaten
een opdeling gemaakt tussen duurtijd- en kostvoorspellingen.
De resultaten met betrekking tot de nauwkeurigheid, stabiliteit en timeliness zullen gepresenteerd
worden in respectievelijk de secties 17.1, 17.2 en 17.3. Hierbij wordt ook telkens een opdeling
gemaakt tussen voorspellingen van de finale projectduur en -kost.
17.1 Nauwkeurigheid
De resultaten van het nauwkeurigheidsonderzoek voor de verschillende voorspellingsmethodes
met betrekking tot de finale duurtijd kunnen teruggevonden worden in appendix C (tabellen
C.1 tot en met C.6). Hierbij geven tabellen C.1 en C.4 een overzicht van de voorspellingen van
respectievelijk de finale duurtijd en kost van ieder project, volgens de verschillende voorspel-
lingsmethodes. De bijhorende MAPE’s en MPE’s van de voorspellingen worden weergegeven in
respectievelijk tabellen C.2 & C.5 en C.3 & C.6.
129
Kwantitatieve evaluatie
17
Aan de hand van deze resultaten zullen de verschillende voorspellingsmethodes met elkaar
vergeleken worden. Gezien alle projecten uit de database reeds werden opgedeeld in verschillende
klassen, zullen we de methodes zoals reeds aangehaald evalueren voor iedere specifieke project-
klasse. Om die reden wordt voor iedere projectklasse de nauwkeurigheid van de voorspellingen
besproken aan de hand van de gemiddelde MAPE en MPE waarden.
Daarnaast worden deze gegevens overzichtelijk weergegeven door middel van staafgrafieken.
Hierbij zal de voorspellingsmethode die - gemiddeld gezien - het nauwkeurigst is, telkens in het
donkergrijs worden aangeduid in zowel de MAPE als MPE grafiek.
We wijzen er echter op dat deze analyse in de eerste plaats gebaseerd is op de resultaten van de
verschillende projecten per projectklasse, en dat een evaluatie louter op basis van deze gemid-
delde waarden onvoldoende is. Voor de gemiddelde MPE waarde vermelden we nog dat deze in
sommige gevallen een vertekend beeld geven omtrent de gemiddelde over- of onderschatting van
bepaalde methodes, omwille van het feit dat positieve en negatieve waarden elkaar opheffen.
Dit verduidelijken we nog even aan de hand van een voorbeeld. Wanneer op basis van de MPE
waarden blijkt dat binnen een bepaalde projectklasse (met bv. 5 projecten) een voorspellings-
methode 4 maal leidde tot een lichte overschatting van de finale projectkost en een 5e project
zwaar werd onderschat, zou dit in sommige gevallen kunnen leiden tot een gemiddelde MPE
waarde die positief is. Dit omwille van de grote positieve waarde die in staat is de kleinere
negatieve waarden op te heffen. Op basis van dit gemiddelde zou men kunnen concluderen dat
de beschouwde voorspellingsmethode binnen een specifieke projectklasse - gemiddeld genomen
- leidt tot een onderschatting van de finale projectkost. Het spreekt voor zich dat zowel de
gemiddelde MPE waarden met de nodige voorzichtigheid dienen geınterpreteerd te worden. De
reden waarom ze bewust wel werden opgenomen is omdat ze op een eenvoudige en overzichtelijke
manier een indicatie geven omtrent de neiging van een methode tot over- of onderschatting.
130
17Kwantitatieve evaluatie
17.1.1 Bedrijf X
Voor de projecten afkomstig van Bedrijf X waren alle gegevens beschikbaar, zodat alle verschil-
lende voorspellingsmethodes konden worden uitgevoerd.
Duurtijd
Voor bedrijf X kunnen we concluderen dat de voorspellingen van de PM, zoals vastgelegd in de
BS, reeds erg accuraat waren. Op basis van de MAPE waarden uit tabel 17.1, blijkt dat enkel
EVM in staat is nog nauwkeurigere voorspellingen van de finale projectduur dan de PM (i.e.
PD) te maken. Hieruit blijkt namelijk dat voor 4 van de 5 projecten zowel EAC(t)1 als EAC(t)2
nauwkeurigere (of even nauwkeurige) voorspellingen opleverden dan de voorspellingen op basis
van de BS. Ten tweede zien we ook dat de voorspellingen aan de hand van referentieklassen type
en bedrijf erg nauwkeurige schattingen opleveren die in 3 van de 5 gevallen accurater bleken
dan deze van inschatting van de PM. Daarnaast valt het ook op dat de nauwkeurigheid van
de voorspellingen van de PM minder consistent zijn dan de voorspellingen op basis van EVM
en RCF type en RCF bedrijf, hetgeen op basis van de standaardafwijking kan worden afgeleid.
Deze weerspiegelt namelijk de spreiding van de individuele MAPE waarden rond het gemiddelde.
Op basis van de MPE waarden uit de appendix valt nog op te merken dat de PM van bedrijf
X de projectduur systematisch onderschat (4/5)1. Dit in tegenstelling tot de voorspellingen
aan de hand van referentieklassen type en bedrijf die geen uitgesproken patroon tot over- of
onderschatting vertonen.
Tabel 17.1: Bedrijf X: Overzicht MAPE’s van de finale projectduurvoorspellingen [%]
RCF EVMID PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)21 5,12 5,21 1,36 2,84 6,11 12,02 1,23 2,58 2,90 1,762 0,00 0,48 38,73 8,49 11,98 18,29 4,87 4,03 0,01 0,013 7,27 7,47 5,59 0,46 3,64 9,38 3,79 5,36 2,98 4,444 0,31 0,21 16,30 8,83 12,34 18,67 5,25 4,43 1,18 2,065 3,08 3,15 26,21 5,09 8,45 14,52 1,21 0,06 2,04 1,92
µ 3,16 3,30 17,64 5,14 8,51 14,58 3,27 3,29 1,82 2,04σ 3,12 3,10 15,25 3,61 3,75 4,00 1,95 2,07 1,25 1,58
Tabel 17.2: Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
3,03 3,03 -17,10 -5,14 -8,51 -14,58 -1,26 -0,11 1,35 -0,74
1De notatie (x/y) dient te worden gelezen als “voor x van de y projecten” of “in x van de y gevallen”
131
Kwantitatieve evaluatie
17
Figuur 17.1: Bedrijf X: Staafdiagram van de gemiddelde MAPE’s van de finale projectduurvoorspellingen.
Figuur 17.2: Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
132
17Kwantitatieve evaluatie
Kost
Voor de finale projectkostvoorspellingen stellen we vast dat de voorspellingen op basis van
EAC(t)1 gemiddeld gezien het accuraatst zijn. Daarnaast blijken de voorspellingen aan de
hand van referentieklassen soort en bedrijf eveneens erg accurate schattingen op te leveren die
gemiddeld genomen nauwkeuriger zijn dan de voorspellingen van de PM (i.e. BAC). Wanneer
we tabel 17.3 analyseren, blijkt inderdaad dat zowel EAC1 als RCF soort & RCF bedrijf voor 4
van de 5 projecten nauwkeuriger voorspellingen van de finale projectkost opleverden dan op
basis van de BS door de PM werd vooropgesteld. Bovendien blijken laatstgenoemde methodes
ook consistenter te zijn in het maken van nauwkeurigere voorspellingen, aangezien de spreiding
van de MAPE waarden rond het gemiddelde lager is bij EAC1, RCF soort en RCF bedrijf dan
bij de voorspelling volgens het BAC. Daarnaast blijken Monte-Carlo simulaties in staat om de
finale projectkost accurater te voorspellen dan de PM (4/5). De methode van Warburton blijkt
echter niet in staat om gemiddeld gezien voor de projecten van bedrijf X accurate voorspellingen
te maken van de finale projectkost, hoewel deze voor project 1 een erg nauwkeurige voorspelling
van de finale projectkost opleverde (MAPE = 0,08%).
Net zoals bij de voorspellingen van de finale projectduur, stellen we vast dat de PM systematisch
de finale projectkost gaat onderschatten, zoals op basis van figuur 17.4 kon vermoed worden.
Zo blijkt uit tabel C.6 dat in elk van de vijf projecten de inschatting van de PM omtrent de
finale projectkost te laag was. Voor de voorspellingen aan de hand van referentieklassen soort
en bedrijf is wederom geen systematisch patroon tot over- of onderschatting aanwezig.
Tabel 17.3: Bedrijf X: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
ID BAC MC EACw A S F T B EAC1 EAC2
1 0,44 0,40 0,08 4,98 2,50 4,85 5,99 2,45 0,61 0,99
2 1,51 1,70 4,13 6,03 1,37 3,68 4,78 1,07 0,89 1,35
3 2,99 2,91 16,69 7,46 0,18 2,08 3,13 0,82 2,69 3,60
4 1,65 1,61 36,04 6,16 1,23 3,54 4,64 0,90 0,56 3,64
5 5,03 5,00 33,52 9,44 2,32 0,12 0,84 3,43 2,59 3,45
µ 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 1,47 2,61
σ 1,76 1,74 16,44 1,71 0,94 1,82 1,98 1,16 1,08 1,32
Tabel 17.4: Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
2,32 2,32 -18,09 6,81 -0,52 -2,81 -3,88 -0,03 1,31 -0,42
133
Kwantitatieve evaluatie
17
Figuur 17.3: Bedrijf X: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspellingen.
Figuur 17.4: Bedrijf X: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
134
17Kwantitatieve evaluatie
17.1.2 Bedrijf Y
Voor de projecten afkomstig van bedrijf Y is de PD van iedere activiteit gelijk aan de AD,
omwille van de ruime marge (cf. safety buffers) die voor iedere activiteit werden ingepland.
Om die reden worden in deze sectie enkel de voorspellingen van de finale projectkost van de
projecten beschouwd.
Kost
Voor de finale kostvoorspellingen van de projecten, blijkt gemiddeld genomen dat zowel EAC1
als EAC2 de meest nauwkeurige schattingen opleveren. Daarnaast blijken de referentieklassen
soort, functie en type in staat om gemiddeld gezien nauwkeurigere kostvoorspellingen te leveren
dan de PM. Wanneer we nu de resultaten per project beschouwen (tabel 17.5) stellen we vast
dat de methode RCF soort voor een merendeel van de projecten (6/11) de nauwkeurigste
voorspellingen opleverde. Uit de standaardafwijking van de gemiddelde MAPE waarden blijkt
dat EVM consistenter is in het maken van voorspellingen, waarbij de mate van nauwkeurigheid
voor ieder project in dezelfde lijn ligt. Dit in tegenstelling tot de methode RCF soort die voor
de eerste 3 projecten (relatief) erg onnauwkeurige voorspellingen opleverde, hoewel de methode
zeer nauwkeurig bleek voor projecten 4 t.e.m. 11.
Net als bij bedrijf X blijkt ook de PM van bedrijf Y de finale projectkost systematisch te
onderschatten voor alle projecten. Ook de EVM methode EAC1 blijkt systematisch te leiden tot
een onderschatting (11/11) van de werkelijke projectkost. De voorspellingen aan de hand van
referentieklassen soort, type en bedrijf daarentegen blijken de finale projectkost te onderschatten.
Voor de methode RCF soort is het patroon echter minder uitgesproken (7/11), in tegenstelling
tot RCF type (8/11) en RCF bedrijf (8/11).
Tabel 17.5: Bedrijf Y: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
ID BAC MC EACw A S F T B EAC1 EAC2
6 15,42 15,72 15,42 19,52 13,23 11,36 10,79 10,54 6,96 6,80
7 15,29 15,67 15,29 19,40 13,10 11,22 10,65 10,39 6,83 6,93
8 15,97 16,12 15,97 20,05 13,81 11,95 11,41 11,19 7,53 5,94
9 3,84 4,10 3,84 8,28 1,07 1,17 2,18 3,08 2,48 2,06
10 3,28 3,63 3,28 7,74 0,48 1,78 2,81 3,74 2,15 1,79
11 1,22 1,84 1,22 5,74 1,68 4,00 5,11 6,15 1,30 2,78
12 1,48 2,18 1,48 5,99 1,41 3,72 4,83 5,86 1,44 2,67
13 0,82 1,48 0,82 5,35 2,10 4,44 5,56 6,63 1,06 2,79
14 1,72 2,27 1,72 6,23 1,16 3,46 4,55 5,57 1,46 2,34
15 3,82 4,36 3,82 8,26 1,05 1,19 2,20 3,10 2,81 6,73
16 3,81 4,14 3,81 8,26 1,04 1,20 2,21 3,11 2,75 6,60
µ 6,06 6,50 6,0610,44
4,56 5,04 5,66 6,30 3,34 4,31
σ 6,20 6,08 6,20 6,02 5,68 4,32 3,62 3,11 2,49 2,22
135
Kwantitatieve evaluatie
17
Figuur 17.5: Bedrijf Y: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspellingen.
Tabel 17.6: Bedrijf Y: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
6,06 6,50 6,06 10,44 3,40 1,24 0,31 -0,46 3,33 -1,39
Figuur 17.6: Bedrijf Y: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
136
17Kwantitatieve evaluatie
17.1.3 Bedrijf Z
Voor de projecten afkomstig van bedrijf Z waren alle gegevens beschikbaar, zodat wederom alle
voorspellingsmethodes konden worden toegepast.
Duurtijd
Wat meteen opvalt, is dat de de voorspellingen van de PM omtrent de finale projectduur
(i.e. PD) erg onnauwkeurig zijn. Dit in tegenstelling tot de voorspellingen aan de hand van
referentieklassen soort en bedrijf, die gemiddeld genomen de nauwkeurigste methodes zijn.
Hierbij is RCF soort het accuraatst en leidt deze methode voor 4 van de 8 projecten tot de
nauwkeurigste voorspellingen. Daarnaast blijken ook de voorspellingen van RCF soort voor de
overige projecten erg nauwkeurig. Wat echter opvalt, is dat de methode van Warburton voor 2
van de 8 projecten de nauwkeurigste voorspelling oplevert. Echter voor 3 van de 8 projecten,
leidt methode van Warburton tot de minst nauwkeurige resultaten, hetgeen erop wijst dat
deze methode niet erg consistent is voor deze projectklasse. Daarnaast leveren Monte-Carlo
simulaties voorspellingen op die iets accurater zijn dan de voorspellingen van de PM (7/8), maar
die relatief gezien nog altijd niet erg accuraat zijn in vergelijking met de RCF methode. Op
basis van de standaarddeviaties zien we dat de consistentie van de voorspellingen van zowel de
PM, RCF als EVM in dezelfde lijn liggen. Dit in tegenstelling tot de voorspellingen op basis
van Warburton’s model.
Op basis van de MPE waarden zien we dat de voorspellingen van zowel de PM, EAC(t)1 als
Monte-Carlo simulaties de finale projectduur systematisch onderschatten. Voor de voorspellingen
aan de hand van de referentieklassen die het nauwkeurigst blijken, is wederom geen systematisch
patroon omtrent over- of onderschatting waarneembaar.
Tabel 17.7: Bedrijf Z: Overzicht MAPE’s van de finale projectduurvoorspellingen [%]
RCF EVMID PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)217 10,26 9,83 0,08 2,84 0,22 5,73 11,81 0,36 6,36 7,9918 8,25 8,09 22,98 0,62 2,52 8,19 14,45 2,93 1,74 5,0719 10,08 9,16 4,26 2,64 0,42 5,95 12,05 0,59 5,42 1,1820 9,78 8,98 0,06 2,31 0,76 6,31 12,43 0,96 3,93 4,1521 12,84 10,84 2,67 5,69 2,74 2,57 8,41 2,94 6,82 2,3822 11,46 10,78 17,16 4,16 1,16 4,26 10,23 1,18 5,75 1,5823 10,13 9,48 31,84 2,69 0,37 5,89 11,98 0,52 3,08 3,8824 11,36 12,27 9,99 4,06 1,05 4,37 10,35 1,06 5,36 1,29
µ 10,52 9,93 11,13 3,13 1,16 5,41 11,47 1,32 4,81 3,44σ 1,37 1,32 11,78 1,51 0,97 1,67 1,80 1,04 1,74 2,34
137
Kwantitatieve evaluatie
17
Figuur 17.7: Bedrijf Z: Staafdiagram van de gemiddelde MAPE’s van de finale projectduurvoorspellingen.
Tabel 17.8: Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
10,52 9,93 4,31 3,13 0,08 -5,41 -11,47 -0,02 4,81 -1,53
Figuur 17.8: Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
Kost
Voor de voorspelling van de finale projectkost stellen we vast dat de methode van Warburton
gemiddeld gezien de meest nauwkeurige resultaten oplevert. Dit wordt bevestigd wanneer we de
MAPE’s van de afzonderlijke projecten uit tabel 17.9 analyseren, waaruit we kunnen afleiden dat
voor de helft van de projecten Warburton’s model de accuraatste voorspellingen opleverde en
eveneens voor de andere helft van de projecten erg nauwkeurig bleek te zijn. Daarnaast blijken
de voorspellingen aan de hand van de referentieklassen soort, functie, type en bedrijf eveneens
erg nauwkeurige schattingen op te leveren. Hierbij is RCF soort nog iets nauwkeuriger dan de 3
138
17Kwantitatieve evaluatie
andere methodes. Dit blijkt namelijk uit de voorspellingen van 3 projecten. Op basis van de
standaardafwijkingen uit tabel 17.9 kunnen we eveneens concluderen dat alle voorspellingen
op basis van de EAC2 methode erg consistent zijn in het maken van voorspellingen met een
gelijkaardige nauwkeurigheid.
De PM van bedrijf Z blijkt net zoals bij de duurtijd, de neiging te hebben om de finale projectkost
systematisch te onderschatten (8/8). Op basis van de MPE waarden van RCF soort en RCF
functie stellen we vast dat deze de neiging hebben om de projectkost respectievelijk te over-
(6/8) en onderschatten (6/8). Bovenvermelde resultaten konden op basis van figuur 17.10 reeds
vermoed worden en werden finaal bevestigd na raadpleging van tabel C.6 uit de appendix.
Tabel 17.9: Bedrijf Z: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
ID BAC MC EACw A S F T B EAC1 EAC2
17 1,91 2,10 1,62 6,41 0,95 3,25 2,23 2,54 6,38 25,19
18 3,95 4,01 0,00 8,39 1,18 1,05 0,02 0,12 5,63 31,10
19 4,44 4,83 0,15 8,87 1,71 0,51 0,57 0,48 9,05 43,24
20 5,57 5,91 2,31 9,97 2,89 0,71 1,82 1,82 8,62 27,72
21 3,36 4,22 0,51 7,82 0,56 1,69 0,64 0,82 3,92 18,41
22 2,48 2,78 2,47 6,97 0,35 2,63 1,60 1,86 4,34 21,93
23 2,89 3,16 0,10 7,36 0,07 2,20 1,16 1,38 4,88 14,10
24 7,51 7,13 0,79 11,84 4,92 2,80 3,95 4,12 5,39 19,62
µ 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 6,03 25,16
σ 1,82 1,66 1,01 1,77 1,62 1,02 1,23 1,28 1,89 9,08
Figuur 17.9: Bedrijf Z: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspellingen.
139
Kwantitatieve evaluatie
17
Tabel 17.10: Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
4,01 4,27 -0,18 8,45 1,25 -0,98 0,09 -0,04 2,21 -0,23
Figuur 17.10: Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
140
17Kwantitatieve evaluatie
17.1.4 Appartementen
Voor deze projectklasse waren er geen aangepaste statistische risicodistributies beschikbaar
voor de verschillende activiteiten van het project. Daarom hebben we voor deze klasse geen
voorspellingen gemaakt op basis van Monte-Carlo simulaties.
Duurtijd
Wat meteen opvalt bij de projectduurvoorspellingen, is dat alle methodes relatief onnauwkeurig
zijn in vergelijking met hun mate van accuraatheid binnen andere projectklassen. Wanneer we
de resultaten per project bekijken, stellen we vast dat geen enkele voorspellingsmethode zich on-
derscheidt in het leveren van de nauwkeurigste voorspelling voor het merendeel van de projecten.
Op basis van de gemiddelde MAPE waarden en de overeenkomstige standaardafwijking uit tabel
17.11 besluiten we dat EAC(t)1 gemiddeld gezien de nauwkeurigste en consistentste methode is,
ondanks het feit dat EAC(t)1 slechts voor 1 van 9 projecten de accuraatste was van alle methodes.
Op basis van de MPE waarden uit tabel 17.12 zien we dat de PM de duurtijd systematisch gaat
onderschatten (8/9). Ook de methodes RCF soort (7/9), RCF type (6/9) en EAC(t)1 (6/9)
vertonen de neiging tot systematische onderschatting van de finale projectduur, hetzij bij RCF
type en EAC(t)1 echter wel in mindere mate.
We wensen nog te wijzen op een mogelijke oorzaak voor de onnauwkeurigheid van de RCF
methodes, zijnde het feit dat project social appartements Ypres (1) (ID = 31) buiten proportie
is. Er werd echter bewust voor gekozen om alle projecten op te nemen binnen de projectklasse,
omdat de RCF methode net ontwikkeld werd om menselijke vertekening door subjectieve
beoordeling te vermijden. Indien we echter zouden opteren om het project niet in de klasse op
te nemen, omwille van de buitenproportionele afwijking, zouden we dezelfde fout maken.
Tabel 17.11: Appartementen: Overzicht MAPE’s van de finale projectduurvoorspellingen [%]
RCF EVMID PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)225 16,79 - 22,68 10,05 7,27 2,27 3,22 3,37 5,12 11,8526 10,47 - 44,09 3,08 0,03 5,46 11,52 5,48 1,56 6,9027 12,62 - 0,81 5,45 2,50 2,83 8,70 2,47 3,69 6,3328 15,27 - 23,37 8,37 5,53 0,41 5,21 1,25 7,77 4,6429 21,95 - 59,27 15,75 13,19 8,59 3,57 10,61 13,02 23,1630 7,69 - 36,36 0,00 3,16 8,87 15,18 9,38 5,12 6,0131 67,12 - 76,14 65,62 64,99 63,90 62,99 66,18 7,43 22,0232 26,56 - 14,14 20,83 18,48 14,23 9,64 37,21 19,73 25,1333 43,78 - 135,25 56,82 62,18 71,90 82,89 216,49 24,39 15,05
µ 24,69 - 45,79 20,66 19,70 19,83 22,55 39,16 9,76 13,45σ 19,24 - 40,71 23,94 25,52 27,64 29,25 69,89 7,75 8,18
141
Kwantitatieve evaluatie
17
Figuur 17.11: Appartementen: Staafdiagram van de gemiddelde MAPE’s van de finale projectduurvoorspel-lingen.
Tabel 17.12: Appartementen: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
14,97 - 7,22 8,04 5,18 0,04 -5,61 -21,07 2,28 -3,90
Figuur 17.12: Appartementen: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
Kost
De voorspellingen van de finale projectkost volgens de verschillende methodes is heel wat
nauwkeuriger dan de voorspellingen van de finale projectduur. Hierbij leveren de methode van
Warburton, RCF bedrijf en EAC1 voorspellingen op die in accuraatheid gemiddeld gezien dicht
bij elkaar aanleunen, maar waarbij EAC1 nog net iets nauwkeuriger is dan de eerstgenoemde
methodes. Daarenboven heeft EAC1 de laagste standaardafwijking, wat erop wijst dat de
methode het best in staat is voorspellingen te maken met een nauwkeurigheidsgraad die telkens
in dezelfde lijn ligt.
142
17Kwantitatieve evaluatie
Voor de voorspellingen op basis van EAC1 stellen we vast dat deze leiden tot systematische
onderschatting (8/9) van de finale projectkost. Dit in tegenstelling tot de methode van Warburton,
die een systematisch patroon tot overschatting van de finale projectkost vertoont. Voor de
overige voorspellingsmethodes zijn er geen concrete aanwijzingen voor een systematische over-
of onderschatting van de projectkost.
Tabel 17.13: Appartementen: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
ID BAC MC EACw A S F T B EAC1 EAC2
25 9,98 - 16,28 14,24 7,52 5,47 6,69 3,60 3,16 8,74
26 3,13 - 1,04 7,60 0,33 1,93 0,88 5,25 0,53 1,86
27 14,51 - 7,34 18,64 12,28 10,38 11,70 9,47 4,21 3,02
28 16,30 - 0,68 20,38 14,16 12,32 13,68 11,78 8,23 3,36
29 6,18 - 6,18 1,44 9,46 12,01 11,18 17,29 7,93 8,77
30 1,52 - 1,52 6,03 1,37 3,68 2,67 7,34 1,26 1,35
31 5,79 - 5,79 1,06 9,04 11,58 10,75 3,06 9,97 15,20
32 2,45 - 2,45 2,18 5,54 7,97 7,06 1,77 15,13 32,40
33 2,85 - 16,79 1,79 5,96 8,40 7,50 1,19 5,86 10,01
µ 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 6,25 9,41
σ 5,44 - 6,20 7,69 4,59 3,79 4,27 5,31 4,62 9,76
Figuur 17.13: Appartementen: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspel-lingen.
143
Kwantitatieve evaluatie
17
Tabel 17.14: Appartementen: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
3,13 - -2,23 7,59 0,32 -1,93 -0,89 -0,57 4,41 4,52
Figuur 17.14: Appartementen: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
144
17Kwantitatieve evaluatie
17.1.5 Kantoren
Voor de projectklasse kantoren waren er eveneens geen aangepaste risicodistributies beschikbaar,
waardoor er geen MC simulaties werden uitgevoerd. Daarnaast werd er voor het project
government office building geen voorspelling gemaakt aan de hand van de referentieklasse bedrijf,
omdat er zich geen andere bedrijfsspecifieke projecten in de OR-AS2 database bevonden.
Duurtijd
Wat meteen opvalt voor de projectklasse ’kantoren’ zijn enerzijds de onnauwkeurige voorspellin-
gen van de finale projectduur van de PM, en anderzijds dat ook de overige voorspellingsmethodes
erg onnauwkeurige schattingen opleveren. De minst onnauwkeurige voorspellingen worden ver-
kregen via EVM (EAC(t)1) die een pak beter presteert dan de voorspellingen volgens de BS,
Warburton en RCF. Net als bij de projectklasse ’appartementen’ blijkt geen enkele voorspel-
lingsmethode in staat om in het merendeel van de projecten tot de nauwkeurigste schatting te
leiden. Bovendien blijken de methodes erg inconsistent in het maken van voorspellingen met
een nauwkeurigheidsgraad die in dezelfde lijn ligt.
Voor de projectklasse kantoren blijken de voorspellingen op basis van de BS, Warburton’s model,
RCF soort, RCF functie en EVM de projectduur systematisch te overschatten voor telkens
minimaal 4 van de 6 projecten. Op basis van figuur 17.16 kon dit reeds vermoed worden,
aangezien deze reeds een sterke indicatie gaf voor een systematische onderschatting (negatieve
MPE waarden) van de finale projectduur.
Tabel 17.15: Kantoren: Overzicht MAPE’s van de finale projectduurvoorspellingen [%]
RCF EVMID PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)234 2,33 - 62,75 11,06 14,65 2,89 20,03 - 1,72 3,3635 8,76 - 16,22 18,16 22,02 9,88 13,75 18,76 6,36 19,3836 9,09 - 24,17 1,55 1,56 9,52 31,18 36,19 15,36 15,3637 48,70 - 83,78 62,25 67,83 53,29 25,27 20,26 20,98 24,6138 81,48 - 42,52 98,45 105,43 88,93 57,30 52,29 43,23 46,1939 50,47 - 80,75 64,21 69,86 55,22 27,00 21,99 10,95 10,37
µ 33,47 - 51,70 42,61 46,89 36,62 29,09 29,90 16,43 19,88σ 31,63 - 28,62 38,08 40,26 34,49 15,08 14,32 14,75 14,82
Tabel 17.16: Kantoren: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
-30,44 - -46,29 -42,10 -46,89 -33,45 -7,44 -7,92 -7,17 -1,57
2www.or-as.be/research/database
145
Kwantitatieve evaluatie
17
Figuur 17.15: Kantoren: Staafdiagram van de gemiddelde MAPE’s van de finale projectduurvoorspellingen.
Figuur 17.16: Kantoren: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
Kost
Voor de voorspelling van de finale projectkost blijken de voorspellingsmethodes over het algemeen
accurater dan de voorspellingen van de finale projectduur. De accuraatste voorspellingen voor de
finale projectkost worden verkregen aan de hand van referentieklasse bedrijf, die voor 3 van de 5
office finishing works projecten de nauwkeurigste schatting opleverde. We merken hier echter op
dat een voorspelling aan de hand van RCF bedrijf voor het government office building project niet
mogelijk was, aangezien dit project uitgevoerd werd door een ander bedrijf, en er geen additionele
projecten beschikbaar waren. Daarnaast blijkt de mate van nauwkeurigheid van de voorspellin-
gen aan de hand van referentieklasse bedrijf erg consistent met betrekking tot de nauwkeurigheid.
Op basis van de MPE waarden stellen we vast dat de PM van de office finishing works projecten
de finale projectkost systematisch te hoog inschatte (5/5), terwijl de PM van van het government
office building project de kost te laag had ingeschat. Daarnaast blijkt eveneens dat EVM voor alle
146
17Kwantitatieve evaluatie
office finishing works projecten systematisch de finale projectkost overschat. Voor de methode
RCF bedrijf is er geen systematische neiging tot over- of onderschatting waarneembaar. Voor
de volledigheid vermelden we ook nog dat voor het government office building project alle
voorspellingsmethodes leiden tot een onderschatting van de finale projectkost.
Tabel 17.17: Kantoren: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
ID BAC MC EACw A S F T B EAC1 EAC2
34 9,83 - 7,56 14,09 7,36 13,95 22,98 - 6,35 4,06
35 17,01 - 16,89 11,94 20,83 14,14 5,89 0,08 7,60 9,64
36 13,75 - 3,07 8,79 17,41 10,73 2,39 3,55 12,67 0,85
37 10,74 - 4,21 5,87 14,25 7,58 0,85 6,77 5,71 9,26
38 25,00 - 24,72 19,70 29,22 22,50 14,48 8,45 14,42 20,56
39 19,94 - 9,08 14,79 23,91 17,21 9,04 3,05 7,18 6,90
µ 16,04 - 10,9212,53 18,83 14,35
9,27 4,38 8,99 8,55
σ 5,80 - 8,33 4,85 7,65 5,17 8,31 3,29 3,63 6,76
Figuur 17.17: Kantoren: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspellingen.
147
Kwantitatieve evaluatie
17
Tabel 17.18: Kantoren: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
-12,77 - -5,97 -7,83 -16,38 -9,70 -1,33 -0,22 -5,90 -4,67
Figuur 17.18: Kantoren: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
148
17Kwantitatieve evaluatie
17.1.6 IT projecten
Bij de IT projecten waren er evenmin aangepaste risicodistributies beschikbaar, waardoor
er geen voorspellingen werden gemaakt op basis van MC-simulaties. Daarnaast werden de
voorspellingen voor deze projecten enkel gemaakt via de referentieklassen alle en bedrijf, omdat
er geen projecten beschikbaar waren om de referentieklassen soort, type en functie op te bouwen.
Duurtijd
Voor de finale projectduurvoorspellingen leverde de schatting van de PM reeds erg nauwkeurige
resultaten op. Daarnaast valt het op dat de voorspellingen aan de hand van de referentieklasse
bedrijf nagenoeg even nauwkeurige schattingen opleveren. De nauwkeurigheid van de voorspel-
lingen volgens de BS en RCF bedrijf is quasi gelijk, hetgeen eveneens blijkt uit het feit dat
beide methodes elk voor 7 van de 15 projecten de nauwkeurigste voorspelling van de finale
projectduur opleveren. Daarnaast is de standaardafwijking van de MAPE’s nagenoeg gelijk, wat
erop wijst dat zowel de PM als de methode RCF bedrijf in staat zijn voorspellingen te maken
met eenzelfde mate van nauwkeurigheid (i.e. consistent zijn).
Op basis van de MPE waarden zien we dat de finale projectduur zowel door de PM als aan de
hand van de methode RCF bedrijf, in 9 van de 14 gevallen werd overschat.
Tabel 17.19: IT projecten: Overzicht MAPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
ID PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
40 0,00 - 17,89 8,49 - - - 0,14 2,99 20,19
41 1,85 - 54,38 10,53 - - - 1,84 9,36 109,39
42 0,55 - 72,00 9,09 - - - 0,45 3,94 43,10
43 0,86 - 8,93 9,44 - - - 0,79 15,85 698,91
44 0,81 - 80,66 9,39 - - - 0,73 7,30 15,65
45 0,00 - 57,59 8,49 - - - 0,14 5,99 38,29
46 0,37 - 103,35 8,90 - - - 0,26 6,84 9,30
47 11,86 - 50,41 4,61 - - - 12,83 2,67 2,0048 0,79 - 51,02 9,36 - - - 0,71 18,16 229,62
49 0,00 - 20,40 8,49 - - - 0,14 28,35 73,52
50 6,21 - 82,17 15,35 - - - 6,51 50,14 1008,08
51 2,78 - 75,05 11,56 - - - 2,84 13,07 42,48
52 0,00 - 59,26 8,49 - - - 0,14 11,97 20,24
53 1,68 - 75,31 10,34 - - - 1,66 4,92 7,47
54 0,00 - 41,75 8,49 - - - 0,14 9,73 22,39
µ 1,85 - 56,68 9,40 - - - 1,95 12,75 156,04
σ 3,21 - 26,36 2,23 - - - 3,44 12,39 294,76
149
Kwantitatieve evaluatie
17
Figuur 17.19: IT projecten: Staafdiagram van de gemiddelde MAPE’s van de finale projectduurvoorspellingen.
Tabel 17.20: IT projecten: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
-0,27 - -2,00 -8,79 - - - -0,15 -10,44 -150,06
Figuur 17.20: IT projecten: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
Kost
Wat betreft de finale projectkostvoorspellingen, zien we onmiddellijk dat, in tegenstelling tot de
voorspelling van de finale projectduur, de inschattingen van de PM een pak minder nauwkeurig
zijn. Daarnaast zijn ook de voorspellingen aan de hand van referentieklasse bedrijf - hoewel reeds
een pak beter dan de BAC voorspelling - minder accuraat. De meest accurate voorspellingen
voor de finale projectkost worden verkregen aan de hand van EAC2 die voor 6 van de 15 IT
projecten de nauwkeurigste voorspelling oplevert. Deze methode blijkt eveneens het meest
consistent in het maken van voorspellingen.
150
17Kwantitatieve evaluatie
Op basis MPE waarden wordt duidelijk dat alle voorspellingsmethodes, behalve RCF bedrijf, de
finale projectkost systematisch gaan overschatten, hetgeen op basis van figuur 17..22 reeds kon
worden vermoed.
Tabel 17.21: IT projecten: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
ID BAC MC EACw A S F T B EAC1 EAC2
40 137,08 - 92,90 128,45 - - - 74,16 87,06 9,46
41 58,15 - 58,15 51,87 - - - 13,80 18,27 4,97
42 126,96 - 110,89 118,64 - - - 66,42 77,17 15,66
43 27,48 - 16,15 22,10 - - - 9,66 16,34 7,53
44 87,37 - 159,66 80,21 - - - 36,14 65,53 46,09
45 66,31 - 51,39 59,78 - - - 20,04 26,46 19,30
46 0,77 - 0,77 3,81 - - - 30,08 2,13 7,11
47 0,13 - 2,74 4,43 - - - 30,57 1,31 1,90
48 55,44 - 55,44 49,23 - - - 11,72 46,44 27,41
49 16,71 - 15,31 11,65 - - - 17,89 11,62 7,54
50 13,92 - 13,92 8,95 - - - 20,03 0,49 1,45
51 24,07 - 24,07 18,80 - - - 12,26 7,39 3,75
52 71,72 - 69,14 65,04 - - - 24,18 59,36 44,37
53 43,03 - 33,27 37,19 - - - 2,23 14,82 6,8154 19,69 - 16,84 14,55 - - - 15,61 6,91 12,35
µ 49,92 - 48,04 44,98 - - - 25,65 29,42 14,38
σ 42,43 - 44,99 39,88 - - - 20,20 29,63 14,29
Figuur 17.21: IT projecten: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspellingen.
151
Kwantitatieve evaluatie
17
Tabel 17.22: IT projecten: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
-49,92 - -47,68 -43,88 - - - -7,51 -28,60 -9,54
Figuur 17.22: IT projecten: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
152
17Kwantitatieve evaluatie
17.1.7 Woningbouw
Voor de projecten family residence en family residence (2) ontbreken voorspellingen aan de
hand van MC-simulaties, eveneens om de eerder vermelde reden. Daarnaast waren er geen
bedrijfsspecifieke projecten voorhanden, waardoor ook voorspellingen via de referentieklasse
bedrijf ontbreken.
Duurtijd
De voorspellingen van de finale duurtijd aan de hand van referentieklasse type blijken voor de
projectklasse woningbouw het meest accuraat, hetgeen eveneens blijkt uit het feit dat in 2 van
de 3 projecten RCF type de nauwkeurigste voorspellingen opleverde.
Op basis van de MPE waarden uit tabel 17.24 blijkt dat de PM de projectduur systematisch heeft
onderschat (3/3). Daarnaast vertonen de methodes RCF soort en RCF functie een systematisch
patroon om de finale projectduur te overschatten (3/3). Voor de methode van Warburton, RCF
bedrijf en EVM is geen systematisch patroon voor over- of onderschatting waar te nemen.
Tabel 17.23: Woningbouw: Overzicht MAPE’s van de finale projectduurvoorspellingen [%]
RCF EVMID PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)255 3,96 9,94 19,13 4,12 7,44 13,44 0,15 - 2,49 11,6756 2,30 - 29,44 5,95 9,35 15,47 2,13 - 9,07 7,4457 10,34 - 39,93 2,93 0,12 5,62 7,45 - 6,44 7,64
µ 5,53 9,94 29,50 4,33 5,63 11,51 3,25 - 6,00 8,92σ 4,25 - 10,40 1,52 4,87 5,20 3,77 - 3,31 2,39
Figuur 17.23: Woningbouw: Staafdiagram van de gemiddelde MAPE’s van de finale projectduurvoorspellin-gen.
153
Kwantitatieve evaluatie
17
Tabel 17.24: Woningbouw: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
5,53 -9,94 16,75 -2,38 -5,63 -11,51 1,72 - 4,76 -2,44
Figuur 17.24: Woningbouw: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
Kost
Voor de finale kostvoorspellingen blijkt EVM de nauwkeurigste schattingen te leveren, zowel
volgens EAC1 en EAC2, die bovendien een veel lagere standaardafwijking hebben dan de overige
methodes. Dit wijst erop dat EVM consistent is in het leveren van voorspellingen met eenzelfde
nauwkeurigheidsgraad voor deze projecten.
Noch voor de voorspelling van de PM, noch voor RCF soort en EVM vinden we aanwijzingen
voor een systematische over- of onderschatting van de finale projectkost. Dit ook deels omwille
van het beperkte aantal projecten binnen de klasse woningbouw.
Tabel 17.25: Woningbouw: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVMID BAC MC EACw A S F T B EAC1 EAC2
55 2,13 7,08 3,89 6,63 0,72 3,01 4,09 - 0,63 1,63
56 3,11 - 10,20 1,54 6,23 8,69 9,97 - 0,26 1,97
57 22,80 - 21,68 26,68 20,99 19,34 19,06 - 5,16 3,63
µ 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 2,02 2,41
σ 11,66 - 9,02 13,29 10,48 8,29 7,54 - 2,73 1,07
154
17Kwantitatieve evaluatie
Figuur 17.25: Woningbouw: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspellin-gen.
Tabel 17.26: Woningbouw: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
7,27 7,08 9,33 11,62 4,68 2,55 1,67 - 1,80 -0,61
Figuur 17.26: Woningbouw: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
155
Kwantitatieve evaluatie
17
17.1.8 Industrie
Ook voor deze projectklasse waren er geen aangepaste statistische risicodistributies voor de
verschillende activiteiten van de projecten voorhanden. Naast voorspellingen aan de hand van
MC-simulaties werden er ook geen voorspellingen gemaakt aan de hand van referentieklassen
type en bedrijf, gezien de afwezigheid van geschikte projecten.
Duurtijd
Voor de projectklasse industrie worden - gemiddeld gezien - de nauwkeurigste voorspellingen
gemaakt aan de hand van EAC(t). Tevens vermelden we ook nog dat de voorspellingen aan de
hand van referentieklasse functie voor 2 van de 7 projecten de accuraatste bleken te zijn. Echter,
voor de overige projecten bleken ze een pak minder nauwkeurig en kan de methode RCF functie
dus als inconsistent worden beschouwd.
Op basis van de MPE waarden stellen we echter vast dat zowel de voorspelling van de PM (6/7)
als deze aan de hand van EAC(t)1 (6/7) en RCF soort (6/7) de projectduur systematisch gaan
onderschatten. Daarnaast blijkt de methode van Warburton, zij het wel in mindere mate (5/7),
de neiging te hebben om de finale projectduur te overschatten. Voor de methode RCF functie is
er geen systematisch patroon tot over- of onderschatting waarneembaar.
Tabel 17.27: Industrie: Overzicht MAPE’s van de finale projectduurvoorspellingen [%]
RCF EVMID PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)258 16,77 - 8,21 7,25 17,86 3,49 - - 13,65 64,1859 7,55 - 17,42 3,32 7,85 9,04 - - 4,15 5,9760 5,11 - 8,67 6,12 5,19 12,36 - - 10,90 14,0261 2,69 - 28,55 15,06 3,28 22,97 - - 2,80 6,5762 37,79 - 17,89 31,35 40,71 32,07 - - 17,55 12,3863 16,05 - 5,43 6,42 17,08 2,51 - - 8,74 21,9364 4,70 - 46,86 6,59 4,74 12,92 - - 3,96 4,04
µ 12,95 - 19,00 10,87 13,82 13,62 - - 8,82 18,44σ 12,28 - 14,60 9,73 13,25 10,62 - - 5,56 21,07
Tabel 17.28: Industrie: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
RCF EVM
PD MC EAC(t)w A S F T B EAC(t)1 EAC(t)2
12,18 - -9,30 1,99 12,88 -2,75 - - 5,02 -11,67
156
17Kwantitatieve evaluatie
Figuur 17.27: Industrie: Staafdiagram van de gemiddelde MAPE’s van de finale projectduurvoorspellingen.
Figuur 17.28: Industrie: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]
Kost
Voor de finale projectkostvoorspellingen blijkt op basis van de gemiddelde MAPE waarde dat
EAC1 - gemiddeld gezien - de nauwkeurigste voorspellingen oplevert. Wanneer we tabel 17.29
nader bekijken, stellen we echter vast dat de methode van Warburton voor 3 van de 7 projecten
in staat is om de nauwkeurigste voorspelling te leveren, terwijl deze voor de andere projecten
tot minder nauwkeurige voorspellingen en zelfs een extreem onnauwkeurige voorspelling leidt.
Dit vertaalt zich dan ook in de erg hoge waarde voor de standaardafwijking die bij Warburton’s
methode kan worden waargenomen. De consistentie van de overige methodes ligt, op EAC2 na,
erg dicht bij mekaar. We besluiten dat het voor deze projectklasse dan ook moeilijk is om een
specifieke methode naar voren te schuiven als de meest nauwkeurige.
157
Kwantitatieve evaluatie
17
Met betrekking tot de MPE waarden kunnen we nog concluderen dat zowel de methode van
Warburton (6/7) als EAC1 (5/7) de neiging hebben om de projectkost systematisch te over-
schatten. Voor de overige methodes is er geen systematisch patroon tot over- of onderschatting
waarneembaar.
Tabel 17.29: Industrie: Overzicht MAPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
ID BAC MC EACw A S F T B EAC1 EAC2
58 15,84 - 13,97 19,60 12,92 21,97 - - 26,00 49,76
59 20,08 - 0,96 24,06 17,36 27,05 - - 3,74 11,05
60 10,81 - 10,81 14,31 7,65 15,95 - - 10,24 14,02
61 1,17 - 1,17 4,19 2,44 4,41 - - 2,52 2,82
62 32,08 - 16,41 30,73 37,24 35,38 - - 25,91 14,85
63 10,31 - 144,73 7,87 14,45 9,32 - - 4,33 25,47
64 0,67 - 5,05 2,26 4,36 2,22 - - 0,35 0,20
µ 12,99 - 27,58 14,72 13,77 16,61 - - 10,44 16,88
σ 11,00 - 52,01 10,65 11,68 12,24 - - 11,02 16,72
Figuur 17.29: Industrie: Staafdiagram van de gemiddelde MAPE’s van de finale projectkostvoorspellingen.
158
17Kwantitatieve evaluatie
Tabel 17.30: Industrie: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
RCF EVM
BAC MC EACw A S F T B EAC1 EAC2
-0,69 - -22,90 -3,69 2,94 -3,84 - - -2,69 -9,49
Figuur 17.30: Industrie: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]
159
Kwantitatieve evaluatie
17
17.2 Stabiliteit
Het tweede criterium voor de kwantitatieve evaluatie van de voorspelling betreft - zoals reeds
besproken in hoofdstuk 13 - de stabiliteit van de voorspellingen over verschillende trackingperio-
des. Aan de hand van het voorbeeldproject uit hoofdstuk 14 werd reeds aangetoond dat - op
EVM na - alle andere methodes stabiele voorspellingen leveren die niet worden bijgewerkt, zoals
dit bij EVM wel het geval is.
We kunnen hier dan ook concluderen dat de voorspellingen op basis van de BS, Monte-Carlo
simulaties, Warburton’s methode en RCF onderling even stabiel zijn en omwille van de constante
voorspellingen logischerwijs stabieler zijn dan EVM.
17.3 Timeliness
Het derde criterium waarop de kwantitatieve evaluatie is gebaseerd, betreft de timeliness, of
de accuraatheid van de voorspellingen in de verschillende fasen van het project. Hierbij werd -
zoals reeds beschreven in hoofdstuk 13 - een vroege, midden en late projectfase gedefinieerd.
Hierbij duiden we nogmaals op het feit dat enkel de voorspellingen volgens EVM wijzigen over de
projectfasen heen, terwijl de overige methodes constante voorspellingen opleveren. We merken
nog op dat voor de methode van Warburton geen voorspellingen beschikbaar zijn in de vroege
projectfase, aangezien de methode zich baseert op deze vroege projectdata (cf infra). Hieronder
zullen enkel de resultaten worden besproken van de EAC(t)1 methode, die analoog zijn aan de
resultaten voor EAC1, EAC2 en EAC(t)2, teneinde niet in herhaling te vallen. De resultaten
van de overige methodes kunnen teruggevonden worden in appendix D.
Figuur 17.31: EVM (EAC(t)1): nauwkeurigheid van de finale kostvoorspellingen in de verschillendeprojectfasen.
160
17Kwantitatieve evaluatie
Figuur 17.31 geeft de nauwkeurigheid van de kostvoorspellingen aan de hand van EAC1 weer,
doorheen de verschillende projectfasen. Hierbij valt het onmiddellijk op dat de EVM voorspel-
lingen beter worden in latere fases van het project.
Teneinde een beeld te krijgen van de nauwkeurigheid van de EAC1 methode in de verschillende
projectfasen, in relatie tot de overige voorspellingsmethodes, werden onderstaande tabellen
opgesteld. Wat betreft de overeenkomstige tabellen voor de EVM voorspellingen EAC2, EAC(t)1
en EAC(t)2 wordt nogmaals verwezen naar de appendix. In tabellen 17.31, 17.32 en 17.33 wordt
de (gemiddelde) nauwkeurigheid van iedere voorspellingsmethode weergegeven en vergeleken met
de nauwkeurigheid van EAC1 voor respectievelijk de vroege, midden en late fase. Hierbij wordt
aan de hand van een lichtgrijze achtergrond aangegeven dat een voorspellingsmethode voor een
bepaalde projectklasse - gemiddeld gezien - nauwkeuriger is (i.e. een lagere gemiddelde MAPE
waarde heeft) dan de voorspelling aan de hand van EAC1 in de respectievelijk vroege, midden
en late fase. Deze tabellen worden het meest zinvol geınterpreteerd als volgt: hoe meer/minder
grijze waarden worden waargenomen per voorspellingsmethode, des te nauwkeuriger/onnauw-
keuriger deze voorspellingsmethode is in vergelijking met de voorspellingsmethode op basis van
EAC(t)2 voor de specifieke projectfase.
Op basis van deze resultaten stellen we vast dat EVM (EAC1) in de vroege fase niet altijd
in staat is even nauwkeurige voorspellingen te maken. Daarentegen worden de voorspellingen
wel nauwkeuriger in respectievelijk de midden en late projectfase, hetgeen ook uit figuur 17.31
kon worden afgeleid. Op basis van bovenstaande tabellen (cf. de grijsgekleurde cellen) zien we
duidelijk dat, naarmate men zich in een latere projectfase bevindt, minder voorspellingsmethodes
in staat zijn de finale projectkost accurater te voorspellen dan de EAC1 methode.
161
Kwantitatieve evaluatie
17
Tabel 17.31: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de vroege projectfase.
RCF EVMBAC MC EACw A S F T B EAC1
Bedrijf X 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 1,52Bedrijf Y 6,06 6,50 6,06 10,44 4,56 5,04 5,66 6,30 4,19Bedrijf Z 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 3,37App’en 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 6,14Kantoren 16,04 - 10,92 12,53 18,83 14,35 9,27 4,38 17,16IT 49,92 - 48,04 44,98 - - - 25,65 47,88Woning 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 8,33Industrie 12,99 - 27,58 14,72 13,77 16,61 - - 12,65
Tabel 17.32: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de midden projectfase.
RCF EVMBAC MC EACw A S F T B EAC1
Bedrijf X 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 2,03Bedrijf Y 6,06 6,50 6,06 10,44 4,56 5,04 5,66 6,30 4,43Bedrijf Z 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 2,52App’en 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 5,40Kantoren 16,04 - 10,92 12,53 18,83 14,35 9,27 4,38 14,62IT 49,92 - 48,04 44,98 - - - 25,65 43,14Woning 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 2,85Industrie 12,99 - 27,58 14,72 13,77 16,61 - - 11,48
Tabel 17.33: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de late projectfase.
RCF EVMBAC MC EACw A S F T B EAC1
Bedrijf X 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 0,57Bedrijf Y 6,06 6,50 6,06 10,44 4,56 5,04 5,66 6,30 1,41Bedrijf Z 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 1,67App’en 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 7,04Kantoren 16,04 - 10,92 12,53 18,83 14,35 9,27 4,38 5,08IT 49,92 - 48,04 44,98 - - - 25,65 19,53Woning 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 0,67Industrie 12,99 - 27,58 14,72 13,77 16,61 - - 8,17
162
18
HOOFDSTUK 18
Kwalitatieve evaluatie
In dit hoofdstuk zullen aan de hand van onderstaande criteria (tabel 18.1), reeds uitvoerig be-
schreven in hoofdstuk 13, de verschillende voorspellingsmethodes kwalitatief worden geevalueerd.
Deze analyse wordt samengevat weergegeven aan de hand van een kwaliteitsmatrix (tabel 18.2).
Tabel 18.1: Overzicht kwalitatieve beoordelingscriteria
Criterium Omschrijving
A In welke fase van het project wordt de voorspelling gemaakt?
B Is er nood aan statistische risico-informatie?C Is de methode in staat rekening te houden met verschillende niveau’s van risico?
D Hanteert de methode een inside of outside view?
E Is de methode complex?F Is de methode objectief of subjectief?
Tabel 18.2: Kwaliteitsmatrix
Criterium BS MC Warburton EVM RCF
A Pre-project Pre-project Midden fase Tijdens Pre-project
B Nee Ja Nee Nee Nee
C Nee Nee Nee Nee Ja
D Inside Semi-outside Inside Inside Outside
E Nee Nee Ja Ja Nee
F Subjectief Subjectief Objectief Objectief Objectief
163
Kwalitatieve evaluatie
18
18.1 Baseline schedule
Een BS maken is een noodzakelijke taak voor elke PM, aangezien dit de planning van een
project voorstelt. Het betreft hier aldus niet echt een voorspellingsmethode, maar de PD en
het BAC die uit de planning voortvloeien, kunnen als het ware als een eerste manier voor
het verkrijgen van pre-project voorspellingen worden beschouwd. Deze weerspiegelen aldus de
verwachting of inschatting van de PM omtrent de finale projectduur en -kost. Een nadeel is
echter dat de voorspellingen op basis van de BS geen rekening houden met risico’s verbonden
aan de activiteiten, en dat ze gevormd worden op basis van de ervaring van de PM en aldus
subjectief zijn. Bovendien wordt er door de PM een inside view op het project genomen.
18.2 Monte-Carlo simulaties
Voor het uitvoeren van Monte-Carlo simulaties is er nood aan statistische risicodistributies,
die bepaald worden op basis van de ervaringen van de PM uit het verleden. Zoals beschreven
door J. Batselier & M. Vanhoucke (2016), ‘zou men omwille van het feit dat hiervoor gebruik
wordt gemaakt van historische data, de Monte-Carlo simulaties kunnen beschouwen als een
voorspellingsmethode die een outside view hanteert. In tegenstelling tot de RCF methode, is
voor Monte-Carlo simulaties statistische risico-informatie vereist voor iedere activiteit en niet
enkel voor het gehele project, waarvoor assumpties van de PM nodig zijn. Daarom kan de
voorspellingsmethode op basis van Monte-Carlo simulaties beschouwd worden als een techniek die
een “semi-outside view”hanteert. Daarnaast is het vanzelfsprekend dat omwille van de assumpties
van de PM, het een subjectieve methode betreft, die echter wel pre-project voorspellingen maakt.’
18.3 Warburton’s model
De voorspellingen op basis van Warburton’s model worden, omwille van de parameters die dienen
te worden bepaald op basis van de vroege projectdata, gemaakt bij het begin van de midden
projectfase. Het betreft echter wel een objectieve methode die een inside view neemt voor het
maken van de voorspellingen. Voor Warburton’s methode is er geen nood aan statistische risico-
informatie, aangezien de voorspellingen louter gebaseerd worden op basis van vroege projectdata.
Omwille van de mathematische formulering, classificeren we het maken van voorspellingen op
basis van de methode als complex.
164
18Kwalitatieve evaluatie
18.4 Earned value management
Zoals reeds eerder vermeld, worden de voorspellingen aan de hand van EVM na iedere TP
bijgewerkt, en wijzigen ze bijgevolg over de hele duurtijd van het project heen. Daarnaast
is EVM een objectieve methode, die gebruik maakt van een inside view voor het maken van
voorspellingen, waarbij geen nood is aan statistische risico-informatie. Omwille van het feit
dat de voorspellingen na iedere TP worden herberekend, kan EVM als een relatief complexe
methode worden beschouwd.
18.5 Reference class forecasting
Zoals ondertussen duidelijk is, maakt de RCF methode gebruik van een outside view voor
het maken van voorspellingen. Daarnaast bleek RCF in dit onderzoek de enige methode die
in staat is rekening te houden met verschillende niveau’s van risico (indien de werkwijze uit
appendix A wordt gevolgd). Het betreft bovendien een objectieve voorspellingsmethode waarbij
de voorspellingen pre-project worden gemaakt, zonder de nood aan statistische risico-informatie
voor de afzonderlijke activiteiten.
165
Deel VII
Finale reflecties
167
19
HOOFDSTUK 19
Conclusies
Een van de belangrijkste oorzaken van risico in de wereld van projectmanagement schuilt in de
inaccurate voorspellingen van projectduur en -kost. Het al dan niet in staat zijn om nauwkeurige
voorspellingen te maken vormt dan ook een van de belangrijkste taken van de projectmanager.
Hoewel reeds vele methodes werden ontwikkeld om de PM in staat te stellen meer accurate
voorspellingen te maken, bleek volgens een studie Flyvbjerg, Holm & Buhl (2002) dat deze
voorspellingen vaak geen correcte weergave zijn van de realiteit.
In de paper van B. Flyvbjerg (2006) werden enerzijds verklaringen naar voren geschoven als
antwoord op de problematiek van de onnauwkeurige voorspellingen. Vervolgens werd een nieuwe
aanpak gepresenteerd voor het beperken van de risico’s die gepaard gaan met het maken van
accurate voorspellingen. Hierbij stelde B. Flyvbjerg dat de reference class forecasting methode
meer accurate voorspellingen belooft omwille van de zogenaamde outside view die gehanteerd
wordt, in tegenstelling tot de inside view bij traditionele voorspellingsmethodes. Daarnaast werd
in de paper eveneens de eerste toepassing van de methode in de praktijk (cf. Edinburgh Trams)
gepresenteerd.
169
Conclusies
19
Het doel van deze thesis was om deze nieuwe methode grondig te analyseren en te vergelijken
met traditionele voorspellingsmethodes. Hierbij werden 3 specifieke uitdagingen vooropgesteld.
Eerst en vooral werd getracht om op de tekortkomingen uit vroeger onderzoek een aanvulling te
bieden. Daarnaast werden de prestaties en de toegevoegde waarde van de RCF methode grondig
onderzocht op basis van zowel een kwantitatieve als kwalitatieve evaluatie. Tot slot werden ook
de traditionele voorspellingsmethodes geevalueerd en vergeleken met de RCF methode.
In wat volgt, zullen de belangrijkste conclusies van dit onderzoek besproken worden. In het
volgende hoofdstuk worden de beperkingen van het onderzoek behandeld en volgen enkele
aanbevelingen voor toekomstig onderzoek.
19.1 Conclusie prestaties en toegevoegde waarde RCF
In dit onderzoek hebben we kunnen ervaren dat de RCF methode algemeen toepasbaar is voor
het voorspellen van zowel de finale projectduur als -kost. Wat bijkomend werd opgemerkt,
is dat de keuze van de referentieklassen een grote impact heeft op de nauwkeurigheid van de
voorspellingen. De prestaties van de voorspellingen aan de hand van referentieklassen werden in
een vorig deel uitvoerig vergeleken met de resultaten van traditionele voorspellingsmethodes.
Hieruit kunnen we concluderen dat, zoals B. Flyvbjerg (2006) al aangaf in zijn paper, een te
brede referentieklasse (in dit onderzoek RCF alle) niet in staat is om consistent tot nauwkeurige
schattingen te leiden. Dit omwille van het feit dat de projecten onderling weinig of niet vergelijk-
baar zijn. Daarnaast bleek dat de keuze van de optimale referentieklasse afhankelijk is van de
beschouwde projectklasse. Zo bleek in sommige gevallen RCF bedrijf in staat de meest accurate
voorspellingen te leveren, terwijl voor andere projectklassen deze via RCF soort, functie of type
werden bekomen. Bovendien bleek dat binnen eenzelfde projectklasse, de RCF methodes die de
nauwkeurigste voorspellingen voor respectievelijk duur en kost opleverden, vaak verschillend
waren. Hieruit concluderen we dat de PM voor de voorspellingen van zowel duurtijd als kost de
keuze van de referentieklasse apart dient te bepalen.
Algemeen kunnen we dus concluderen dat RCF wel degelijk een toegevoegde waarde heeft,
dankzij de gehanteerde outside view, pre-project voorspellingen levert. Bovendien betreft het
een eenvoudige methode die vaak in staat blijkt nauwkeurigere voorspellingen te maken dan de
PM. Daarnaast zijn de voorspellingen ook stabiel en consistent, hetgeen van groot belang is bij
de keuze van de voorspellingsmethode. Op basis van het uitgevoerde onderzoek bleek bovendien
dat vaak enkel bedrijfsspecifieke gegevens vereist waren om nauwkeurigere voorspellingen te
bekomen. Net om die reden lijkt de RCF methode ons in de praktijk erg interessant omwille
van het feit dat de historische projectdata, waarop de voorspellingen worden gebaseerd, door de
meeste bedrijven worden bijgehouden. Daarnaast bleek deze methode, in vergelijking met de
traditionele methodes, ook vaak beter te presteren.
170
19Conclusies
19.2 Conclusies traditionele voorspellingsmethodes
In dit onderzoek vormde de inschatting van de PM een eerste manier voor het verkrijgen
van voorspellingen omtrent de finale projectduur en -kost. Deze voorspellingen volgen uit de
opstelling van de baseline schedule, die beschouwd kan worden als de planning van het project.
Op basis van de resultaten uit deel VI kunnen we concluderen dat de ene PM al nauwkeuriger is
in het maken van voorspellingen dan de andere, waarbij ook vaak de neiging tot systematische
onderschatting van de finale projectduur- en kost werd vastgesteld. Dit kan mogelijks worden
verklaard door het feit dat bij het opstellen van de BS, geen rekening gehouden wordt met
risico’s en toekomstige onzekerheden.
Een eerste manier voor incorporatie van risico-informatie in het maken van voorspellingen,
gebeurt aan de hand van Monte-Carlo simulaties. Hoewel deze methode in sommige geval-
len nauwkeurigere voorspellingen opleverde dan de BS, achten we deze methode, omwille van
de assumpties die dienen te worden gemaakt voor iedere activiteit, in de praktijk minder geschikt.
De methode van Warburton bleek in dit onderzoek niet in staat om op consistente wijze nauw-
keurige voorspellingen te maken voor de verschillende projectklassen. Voor sommige projecten
leverde deze methode weliswaar zeer accurate voorspellingen op, maar voor andere projecten
veruit de meest onnauwkeurige. Dit deels omwille van de tekortkomingen van het model, die
reeds werden beschreven in hoofdstuk 3. Op basis van bovengenoemde redenen en het feit dat
de voorspellingen pas gemaakt worden nadat een een deel van het project reeds is voltooid, zijn
we niet overtuigd van de meerwaarde van het model in zijn huidige vorm.
Uit dit onderzoek is gebleken dat EVM erg vaak nauwkeurige voorspellingen opleverde. Vooral
voor projecten met een tamelijk grote afwijking tussen planning en realisatie bleek EVM zich in
accuraatheid te onderscheiden van de overige voorspellingsmethodes. Echter dient te worden
opgemerkt dat bij de kwantitatieve evaluatie in deel VI, de finale duur- en kostvoorspellin-
gen volgens EVM berekend werden als een gemiddelde van de voorspellingen die gemaakt
werden in iedere TP. Dit in tegenstelling tot de overige methodes waarbij pre-project of midden-
project schattingen worden gemaakt. We achten de methode dan ook het meest waardevol
voor de opvolging van de fysieke vooruitgang van een project, en niet als zijnde een zuivere
voorspellingsmethode. Dit mede omwille van het feit dat EVM de PM voorziet van vroege
waarschuwingssystemen, die laatstgenoemde in staat stellen correctieve maatregelen te nemen
bij slechte prestaties van het project.
Met betrekking tot de stabiliteit van de voorspellingen konden we reeds in deel VI vaststellen
en concluderen dat enkel de voorspellingen op basis van EVM wijzigen over het project heen.
Voor de overige methodes werd daarom - omwille van de constante voorspellingen die worden
gemaakt - geconcludeerd dat deze onderling even stabiel zijn.
171
Conclusies
19
Uit ons onderzoek is tot slot gebleken dat met betrekking tot de timeliness, EVM niet altijd
in staat blijkt om in de vroege fase van een project erg nauwkeurige schattingen van de finale
projectduur en -kost te maken, in vergelijking met de andere methodes. Hierbij werd echter wel
vastgesteld dat de voorspellingen in accuraatheid toenamen naarmate men zich in latere fases
van het project bevond.
19.3 Beperkingen en toekomstig onderzoek
In dit onderzoek werd de reference class forecasting methode, zoals voorgesteld door B. Flyvbjerg
(2006), toegepast op een groot aantal reele projecten teneinde de prestaties en toegevoegde
waarde van het model te bepalen. Hiervoor werd de RCF methode zowel kwantitatief als
kwalitatief geevalueerd en vergeleken met traditionele voorspellingsmethodes. Merk op: dit
onderzoek beoogde niet om de RCF methode of de traditionele voorspellingsmethodes te verbe-
teren, hetgeen weliswaar zinvol kan zijn voor toekomstig onderzoek.
Ten tweede werd het onderzoek uitgevoerd op basis van historische projecten waarvoor reeds alle
gegevens, met betrekking tot enerzijds de planning en anderzijds de realisatie, beschikbaar waren.
Het betreft dus als het ware een ex-post analyse, waarbij werd nagegaan welke voorspellingsme-
thodes de meest nauwkeurige schattingen zouden hebben opgeleverd indien men ze ex-ante had
gebruikt. In toekomstig onderzoek kan het aldus interessant zijn om de RCF methode te gaan
toepassen voor het maken van ex-ante voorspellingen van zowel de finale projectduur als -kost.
Verder werd voor het maken van voorspellingen aan de hand van referentieklassen gebruik
gemaakt van een minder complexe techniek zoals deze die origineel door B. Flyvbjerg werd
voorgesteld. Dit omwille van het feit dat in het onderzoek van Flyvbjerg het doel was om de
vereiste uplift te bepalen die overeenkomt met een bepaalde aanvaardbare kans op overschrij-
ding. Aangezien het in dit onderzoek de bedoeling was om de RCF methode te vergelijken
met de traditionele voorspellingstechnieken, die allemaal gericht zijn op het verstrekken van
puntschattingen van de meest waarschijnlijke projectkost en -duur, waren we enkel geıntresseerd
in de meest waarschijnlijke uitkomst van het betrokken project (d.w.z. vergelijkbaar met de
uplift zodat er 50% kans is op kostenoverschrijding zoals in de studie van Flyvbjerg (2006)).
Desalniettemin werd laatstgenoemde methode, die gebruikt gemaakt van distribution fitting,
wel gepresenteerd in appendix A en geıllustreerd aan de hand van een voorbeeldproject. Het
lijkt ons dan ook interessant om in toekomstig onderzoek een vergelijkende studie uit te voeren
tussen de vereenvoudigde RCF methode, zoals in dit onderzoek toegepast, en de methode zoals
origineel door B. Flyvbjerg voorgesteld.
Omwille van het feit dat de verschillende stappen uit de 3-staps-procedure van de originele RCF
methode - besproken in vorige paragraaf - ’handmatig’ dienden te worden uitgevoerd, vormt
de ontwikkeling van een (software) tool voor het maken van voorspellingen aan de hand van
referentieklassen, een erg interessant onderwerp voor toekomstig onderzoek.
172
Bibliografie
[1] Ratnadip Adhikari and RK Agrawal. An introductory study on time series modeling and forecasting.2013.
[2] Frank T Anbari. Earned value project management method and extensions. Project managementjournal, 34(4):12–23, 2003.
[3] Jordy Batselier, Jose Coelho, and Mario Vanhoucke. An overview of project data for integratedproject management and control. The Journal of Modern Project Management, 3(3), 2016.
[4] Jordy Batselier and Mario Vanhoucke. Construction and evaluation framework for a real-life projectdatabase. International Journal of Project Management, 33(3):697–710, 2015.
[5] Jordy Batselier and Mario Vanhoucke. Empirical evaluation of earned value management forecastingaccuracy for time and cost. Journal of Construction Engineering and Management, 141(11), 2015.
[6] Jordy Batselier and Mario Vanhoucke. Practical application and empirical evaluation of referenceclass forecasting for project management. 2016.
[7] David Christensen and Kirk Payne. Cost performance index stability: Fact or fiction? Technicalreport, Defense Systems Management College, Fort Belvoir, June 1991.
[8] David S Christensen. Determining an accurate estimate at completion. National Contract Manage-ment Journal, 25(1):17, 1992.
[9] John Covach, Joseph J Haydon, and Richard O Reither. A study to determine indicators andmethods to compute estimate at completion (eac). Virginia: ManTech international corporation,30, 1981.
[10] Bent Flyvbjerg. Measuring inaccuracy in travel demand forecasting: methodological considerationsregarding ramp up and sampling. Transportation Research Part A: Policy and Practice, 39(6):522–530, 2005.
[11] Bent Flyvbjerg. From nobel prize to project management : getting risks right. Project ManagementJournal, August 2006.
[12] Bent Flyvbjerg. Curbing optimism bias and strategic misrepresentation in planning: Referenceclass forecasting in practice. European planning studies, 16(1):3–21, 2008.
[13] Bent Flyvbjerg. Over budget, over time, over and over again: Managing major projects. 2011.
173
[14] Bent Flyvbjerg, Carsten Glenting, and Arne Kvist Ronnest. Procedures for dealing with optimismbias in transport planning. London: The British Department for Transport, Guidance Document,2004.
[15] Bent Flyvbjerg, Mette Skamris Holm, and Soren Buhl. Underestimating costs in public worksprojects: Error or lie? Journal of the American planning association, 68(3):279–295, 2002.
[16] Kym Henderson. Earned schedule a breakthrough, extension to earned value management. InProceedings of PMI Global Congress Asia Pacific, 2007.
[17] D Jacob. Forecasting project schedule completion with earned value metrics. The Measurable News,1(11):7–9, 2003.
[18] DS Jacob and M Kane. Forecasting schedule completion using earned value metrics revisited. TheMeasurable News, 1(11):7, 2004.
[19] Daniel Kahneman. New challenges to the rationality assumption. Journal of Institutional andTheoretical Economics (JITE)/Zeitschrift fur die gesamte Staatswissenschaft, pages 18–36, 1994.
[20] Daniel Kahneman. Thinking, fast and slow. Macmillan, 2011.
[21] Daniel Kahneman and Amos Tversky. Intuitive prediction : Biases and corrective procedures.Technical report, Defence Advanced Researg Projects Agency, June 1977.
[22] Daniel Kahneman and Amos Tversky. Prospect theory: An analysis of decision under risk.Econometrica: Journal of the Econometric Society, pages 263–291, 1979.
[23] Walt Lipke. Schedule is different, the measurable news, 10-15, 2003.
[24] Dan Lovallo and Daniel Kahneman. Delusions of success. Harvard business review, 81(7):56–63,2003.
[25] Mott MacDonald. Review of large public procurement in the uk. HM Treasury, London, 2002.
[26] Johnathan Mun. Modeling risk: Applying monte carlo simulation. Real Options, 2006.
[27] Francis N Parr. An alternative to the rayleigh curve model for software development effort. SoftwareEngineering, IEEE Transactions on, (3):291–296, 1980.
[28] Kim Bang Salling and David Banister. Assessment of large transport infrastructure projects: thecba-dk model. Transportation Research Part A: Policy and Practice, 43(9):800–813, 2009.
[29] Kim Bang Salling, Steen Leleur, and Britt Zoega Skougaard. Reference scenario forecasting: anew approach to transport project assessment. In Proc. 10th World Conf. on Transport Research(WCTR), Lisbon, 2010.
[30] Jonathan Jingsheng Shi, SO Cheung, and David Arditi. Construction delay computation method.Journal of Construction Engineering and Management, 127(1):60–65, 2001.
[31] H.M. Treasury. The green book Appraisal and evaluation in central government: Treasury guidance.Norwich (United Kingdom): TSO, 2003.
[32] Mario Vanhoucke. Measuring time: Improving project performance using earned value management,volume 136. Springer Science & Business Media, 2009.
[33] Mario Vanhoucke. PM Knowledge Center. http : //www.pmknowledgecenter.be/, 2011.
[34] Mario Vanhoucke. Measuring the efficiency of project control using fictitious and empirical projectdata. International Journal of Project Management, 30(2):252–263, 2012.
[35] Mario Vanhoucke. Project Management with Dynamic Scheduling. Springer, second edition, 2013.
174
[36] Mario Vanhoucke. Integrated Project Management and Control. Springer, 2014.
[37] Mario Vanhoucke and Stephan Vandevoorde. A simulation and evaluation of earned value metricsto forecast the project duration. Journal of the Operational Research Society, 58(10):1361–1374,2007.
[38] Martin Wachs. Technique vs. advocacy in forecasting: A study of rail rapid transit. UrbanResources, 4(1):23–30, 1986.
[39] Roger D. H. Warburton. A time-dependent earned value model for software projects. InternationalJournal of Project Management, August 2010.
175
A
BIJLAGE A
Onderzoeksmethode volgens B. Flyvbjerg
A.1 Introductie
In dit hoofdstuk wordt de methodologie van RCF toegepast zoals ze in de literatuur beschreven
staat. Wij zullen ons hierbij focussen op de praktische uitvoerbaarheid, maar daarnaast willen
we de lezer ook een goed inzicht bieden in de statistiek die aan de basis van deze methode ligt.
Dit hoofdstuk dient dan ook te worden beschouwd als een handleiding voor personen die gebruik
willen maken van de originele RCF voorspellingsmethode. RCF kan enerzijds voor meer accurate
voorspellingen zorgen, maar daarnaast biedt deze methode ook inzicht in de verschillende uplifts
voor duurtijd en kost. Er wordt op een stapsgewijze manier getoond hoe de methode moet
worden toegepast en dit zal ook aan de hand van een voorbeeld worden geıllustreerd. We zullen
ons in deze toepassing wel beperken tot het voorspellen van de projectkost. Het voorspellen van
de projectduur verloopt volledig analoog.
A.2 Stapsgewijze procedure
A.2.1 Fase 1: Verzameling historische projecten
Voor het toepassen van de RCF-methode zijn gegevens van projecten uit het verleden vereist.
Deze methode houdt namelijk rekening met de resultaten van historische projecten. Concreet
zijn de volgende gegevens voor elk project noodzakelijk:
1. Geplande kosten en duurtijden voor alle projecten.
Deze geplande kosten en duurtijden komen overeen met de voorspellingen die werden
gemaakt op het moment van de initiele beslissing tot bouwen.
177
A
2. Werkelijke kosten en duurtijden voor alle projecten.
De werkelijke kosten en duurtijden kunnen pas worden bepaald wanneer het overeenkom-
stige project voltooid is.
A.3 Fase 2: Reference class forecasting
Eenmaal er projecten uit het verleden gevonden zijn, kunnen we overgaan tot het uitvoeren van
de voorspelling op basis van de reference class forecasting methode. Om deze methode op te
bouwen, baseren we ons op de drie stappen die werden besproken in hoofdstuk 7:
• Stap 1: Identificatie van een relevante referentieklasse van projecten uit het verleden.
• Stap 2: Oprichting van een kansverdeling voor deze referentieklasse.
• Stap 3: Het vinden van de optimism bias uplifts.
A.3.1 Stap 1: Identificatie van een relevante referentieklasse van pro-
jecten uit het verleden
In deze stap moeten de projecten worden geıdentificeerd die als basis zullen dienen voor het
maken van de voorspelling. Deze projecten moeten representatief zijn voor het te voorspellen
project. Bedrijfsspecifieke projectdata zijn hiervoor zeker geschikt.
Toepassing stap 1
De voorspelling van woning 5 (i.e. het beschouwde voorbeeldproject) zal worden gemaakt op
basis van de referentieklasse bouwprojecten. Deze klasse bevat in totaal 49 projecten.
Tabel A.1: Overzicht projecten van de referentieklasse
Categorie Type projecten Aantal projecten
Bouwprojecten Woningbouw 19Appartementen 17Kantoren 6Industriebouw 7
A.3.2 Stap 2: Oprichting van een kansverdeling voor deze referentie-
klasse
Om de kansverdeling voor de referentieklasse te vinden worden de volgende stappen doorlopen:
1. Formule (7.1) werd gebruikt om de kostenoverschrijding voor elk project uit
de referentieklasse te berekenen.
Wanneer we dit voor elk project uit onze referentieklasse toepassen, bekomen we de volgende
statistieken voor deze kostoverschrijdingen:
178
A
Tabel A.2: Statistische waarden voor de kostoverschrijding van de referentieprojecten.
Statistiek Waarde
Aantal projecten 49
Gemiddelde kostafwijking 2,85%
Standaard deviatie 0,12
Variantie 0,01
Maximum kostafwijking 47,22%
Minimum kostafwijking -20,00%
2. Opstelling van een frequentietabel waarbij de kostoverschrijding worden op-
gedeeld in intervallen.
Tabel A.3: Frequentietabel van de kostoverschrijdingen
Verzamelbereik Frequentie
-21%-18% 1
-18%-15% 2
-15%-12% 3
-12%-9% 2
-9%-6% 0
-6%-3% 3
-3%-0% 3
0%-3% 14
3%-6% 10
6%-9% 1
9%-12% 3
12%-15% 0
15%-18% 118%-21% 4
21%-24% 0
24%-27% 0
27%-30% 1
30%-33% 0
33%-36% 0
36%-39% 0
39%-42% 0
42%-45% 0
45%-48% 1
179
A
3. Op basis van de frequentietabel uit vorige stap wordt er een histogram opge-
steld.
Figuur A.1: Histogram van de kostoverschrijdingen
4. Met behulp van een wiskundig programma moet een kansverdeling worden
gevonden die het beste aansluit bij het histogram.
De distributie die moet worden opgesteld, moet voldoen aan drie voorwaarden:
• De distributie moet een closed-end verdeling zijn. Dit betekent dat er boven- en onder-
grenzen zijn waarvan de waarden relatief zeker niet zullen worden overschreden.
• De verdeling moet continu zijn.
• De verdeling moet unimodaal zijn; er is een enkele waarde die het meest waarschijnlijke is.
Bij het fitten van een distributie op een steekproef beschrijft de goodness of fit van een statistisch
model hoe goed het model bij de waarneming past. De goodness of fit-maatstaven meten de
afwijking tussen de geobserveerde waarden en de verwachte waarden van het model. De volgende
tests kunnen hiervoor worden gebruikt: de log-likelihood (LL), de Kolmogorov-Smirnov (KS) en
de Chi-kwadraat (χ2).
In dit voorbeeld zal er een distribution fitting-methode worden toegepast die gebruik maakt van
de Maximum Likelihood Estimation (MLE). De distribution fitting tool uit MATLAB (Dfittool)
werd gebruikt voor deze analyses. Met deze functie kan men de fit tussen een dataset en
verschillende verdelingen nagaan. De functie bevat 21 distributies, zoals de Beta, exponentiele,
Gamma, lognormale, Normale en Poisson verdeling. Echter, niet alle distributies zijn beschikbaar
180
A
voor alle datasets. De functie bepaalt in een keuzelijst zelf de passende verdelingen die van
toepassing zijn op de dataset. Voor onze gegevens gaf de functie de volgende distributies weer:
extreme value, generalized extreme value, generalized Pareto, logistic, non-parametric, normal
and t location-scale distribution.
Omwille van de eerder gestelde voorwaarden, werden enkel de volgende distributies getest:
extreme value, generalized extreme value, logistic, normal and t location-scale distribution.
Hieronder vind u een korte beschrijving van elke distributie:
• Extreme value distributie (µ,σ) met µ de locatieparameter, en σ de schaalparameter.
• Generalized Extreme Value (k,σ,µ) met k de vormparameter en σ en µ respectievelijk de
schaal en locatieparameter.
• Logistic distributie (µ,σ), met µ het gemiddelde and σ de schaalparameter.
• Normale verdeling (µ,σ), met het gemiddelde µ en standaardafwijking σ of respectievelijk
de locatie- en schaalparameter.
• T location scale distributie (µ,σ,ν), met µ, σ en ν respectievelijk locatie-, schaal- en
vormparameter.
Via Matlab werden de volgende resultaten verkregen voor het histogram (figuur A.2):
Figuur A.2: Output distribution fitting in Matlab.
181
A
De bijhorende Log-Likelihood waarden worden in tabel A.4 weergegeven.
Tabel A.4: Log-Likelihood waarden voor de gefitte distributies.
Log-Likelihood Gemiddelde Variantie
Normal 351.952 0.03 0.01
Extreme Value 223.113 0.00 0.04
Logistic 380.964 0.02 0.01
Generalized ExtremeValue
372.072 0.03 0.01
t Location-scale 404.925 0.02 Inf
Log-likelihood waarden kunnen worden gebruikt om de fit van verschillende distributies te
vergelijken. Omdat een hogere waarde een betere fit betekent, vormt in ons voorbeel de t
Location-scale distributie de beste fit. Deze verdeling heeft de volgende eigenschappen1: ‘de
t Location-scale distributie is bruikbaar voor het modelleren van distributies met zwaardere
staarten dan de normale verdeling (data is gevoeliger voor uitschieters). Het benadert de normale
verdeling als ν naar oneindig nadert, en kleinere waarden van ν leveren zwaarder staarten op.’
De parameters van de t Location-scale distributie worden beschreven in tabel A.5 en vervolgens
worden de waarden van de gefitte t Location-scale distributie gepresenteerd in tabel A.6.
Tabel A.5: Overzicht parameters t Location-scale distributie.
Parameter Beschrijving Support Default
mu Locatieparameter −∞<µ<∞ 0 (default)
sigma Schaalparameter σ>0 1 (default)
nu Vormparameter ν>0 5 (default)
Tabel A.6: Parameterwaarden van de gefitte t Location-scale distributie.
t Location-scaleParameter Schatting Std. Afw.
mu 0,02 0,01sigma 0,04 0,02nu 1,12 0,53
Op basis van de gevonden kansverdeling kan een distributie van kostenoverschrijding worden
opgesteld. Dit wordt schematisch weergegeven in de volgde figuur. Deze werd opgemaakt door
na te gaan welk deel van de projecten een bepaalde maximale kostoverschrijding niet overschreed.
De grijze curve werd opgesteld op basis van de data, terwijl de de rode curve de cumulatieve t
Location-scale distributie voorstelt met parameters uit tabel A.6.
1http://nl.mathworks.com
182
A
Figuur A.3: Kansverdeling van de kostoverschrijding voor de referentieklasse. (Rode curve op basis van degefitte distributie; Grijze curve op basis van data referentieprojecten.)
Bijvoorbeeld, 40% van de projecten heeft een maximale kostoverschrijding van 1% en 80% van
de projecten een maximale kostoverschrijding van 9% etc.
A.3.3 Stap 3: Het vinden van de optimism bias uplifts
Op basis van de waarschijnlijkheidsverdeling gevonden in stap 2, kunnen de vereiste uplifts
berekend worden door volgende stappen te doorlopen. De output per stap kan teruggevonden
worden in appendix B.
1. Rangschik de kostoverschrijdingsdata.
2. Bepaal de frequentie van projecten met een bepaalde kostoverschrijding.
3. Bepaal de cumulatieve frequentie van het aantal projecten gegeven een bepaalde kostover-
schrijding.
4. Bepaal de vereiste uplifts voor verschillende niveau’s van aanvaardbaar risico.
Figuur A.4 toont de vereiste optimism bias uplift als functie van het aanvaardbaar risico op
kostoverschrijding. Hierbij werd de rode lijn bepaald op basis van de t Location-scale distributie,
terwijl de grijze lijn op basis van de echte data werd opgesteld. Uit deze figuur valt af te leiden
dat als het risico op kostoverschrijding 5% bedraagt, er een uplift van 30% dient toegevoegd te
worden, voor een aanvaardbaar risico van 50% bedraagt de uplift 2,59% (op basis van de gefitte
t Location-scale distributie).
183
A
Figuur A.4: Vereiste Uplifts als functie van de aanvaardbare kans op kostoverschrijding. (Rode curve opbasis van de gefitte distributie; Grijze curve op basis van data referentieprojecten.)
A.4 Conclusie
Wanneer een project wordt ingepland, worden de kosten voor de aanvang ervan voorspeld. Voor
deze voorspelling zal men dan een aanvaardbaar risiconiveau moeten kiezen, zodat de totale
kosten de voorspelde niet zullen overschrijden. Daarna zal het mogelijk zijn om een toepasselijke
uplift aan de voorspelling toe te voegen.
Zoals reeds eerder vermeld, zal het 50% percentiel enkel worden gebruikt in gevallen waarin een
hoog risico op kostoverschrijding aanvaardbaar is, bijvoorbeeld in situaties waar de beleggers een
groot aantal projecten beheren en dus waar kostenbesparingen van een project kunnen worden
gebruikt voor het dekken van kostoverschrijdingen in andere projecten; het 80-90% percentiel
kan worden toegepast wanneer men een hoge mate van zekerheid wenst dat de uitgaven de
voorspellingen niet zullen overschrijden.
Bovenstaande resultaten kunnen samengevat worden in tabel A.7. Woning 5 had een geplande
kost van e95.694, en het project werd uiteindelijk gerealiseerd met een kost van e100.763. We
kunnen dus besluiten dat een uplift met een aanvaardbaar risico van minimaal 76% vereist was
om een voorspelling van de finale projectkost te leveren die niet overschreden werd.
Tabel A.7: Voorspellingen van het project voor verschillende niveau’s van aanvaardbaar risico.
Optimism bias uplifts
Aanvaardbaar risico 50% 60% 70% 80% 90%
RC 1,99% 2,59% 3,64% 5,93% 13,89%
RCF voorspelling [e] 97.598 98.172 99.177 101.369 108.986
184
BIJLAGE B
Resultaten bijlage A
185
B
Tabel B.1: Overzicht voorspellingen en realisaties van de referentieprojecten
Nr Naam PD PC AD AC
1 Woning 1 241 162.472,00 254 163.189,002 Woning 2 291 222.858,00 291 226.285,003 Woning 3 306 367.952,00 330 379.300,004 Woning 4 321 218.366,00 320 222.021,785 Afwerking Lot 1 90 54.577,76 90 64.526,766 Afwerking Lot 2 86 54.703,17 86 64.580,177 Afwerking Lot 3 91 51.115,52 91 60.829,528 Afwerking Lot 4 91 51.303,38 91 53.351,389 Afwerking Lot 5 91 52.021,28 91 53.783,2810 Afwerking Lot 6 101 54.324,22 101 54.996,2211 Afwerking Lot 7 101 56.969,40 101 57.822,4012 Afwerking Lot 8 101 56.182,71 101 56.645,7113 Afwerking Lot 9 101 52.262,83 101 53.176,8314 Afwerking Lot 10 91 54.580,33 91 56.748,3315 Afwerking Lot 11 91 51.286,24 91 53.319,2416 Afwerking A1 105 488.936,00 117 498.473,0017 Afwerking A2 89 477.381,00 97 496.991,0018 Afwerking B1 116 377.282,00 129 394.829,0019 Afwerking B2 83 362.476,00 92 383.871,0020 Ruwbouw A 129 1.797.873,62 148 1.860.330,6221 Ruwbouw B 85 1.319.736,29 96 1.353.361,2922 Ruwbouw Kelder 71 569.177,85 79 586.086,8523 Voorbereiding 78 813.663,06 88 879.701,0624 Apartment Building (1) 228 532.410,29 274 591.410,5325 Apartment Building (2) 547 3.486.375,47 611 3.599.114,1126 Apartment Building (3) 353 1.102.536,78 404 1.289.696,7827 Apartment Building (4) 233 1.992.222,09 275 2.380.299,8628 Apartment Building (5) 160 2.750.938,00 205 2.590.796,7329 Apartment Building (6) 120 2.524.765,19 130 2.563.675,8630 Social Apartments Ypres (1) 244 440.940,89 742 416.812,9331 Social Apartments Ypres (2) 271 1.310.723,46 369 1.279.345,9832 Social Apartments Ypres (3) 358 2.509.031,42 249 2.439.480,0433 Government Office Building 352 19.429.810,51 344 21.546.846,1834 Office Finishing Works (1) 236 1.118.496,59 217 955.929,2235 Office Finishing Works (2) 80 85.847,89 88 75.468,3036 Office Finishing Works (3) 171 341.468,11 115 308.343,7837 Office Finishing Works (4) 196 248.203,92 108 198.567,0038 Office Finishing Works (5) 161 244.205,40 107 203.605,97
186
B
Nr Naam PD PC AD AC
39 Tax Return System (1) 85 18.990,00 85 8.010,0040 Staff Authorization System 55 14.400,00 54 9.105,0041 Premium Payment System 184 132.570,00 183 58.410,0042 Broker Account Conversion System 117 12.735,00 116 9.990,0043 Supplementary Pensions Database 124 34.260,00 123 18.285,0044 FACTA System 57 11.700,00 57 7.035,0045 Generic Document Output System 270 64.620,00 269 64.125,0046 Insurance Bundling System 208 281.430,00 236 281.070,0047 Tax Return System (2) 128 39.450,00 127 25.380,0048 Receipt Numbering System 181 43.800,00 181 37.530,0049 Policy Numbering System 171 12.645,00 161 11.100,0050 Investment Product (1) 37 4.020,00 36 3.240,0051 Risk Profile Questionnaire 151 29.880,00 151 17.400,0052 Investment Product (2) 121 46.920,00 119 32.805,0053 CRM System 233 44.130,00 233 36.870,0054 Building a House 194 484.398,41 202 494.947,7155 Family Residence 170 180.476,47 174 175.030,6556 Mixed-used Building 474 38.697.822,73 448 39.777.643,3057 Family Residence (2) 260 143.673,20 290 186.107,0058 Railway Station (1) 417 1.121.316,94 501 967.988,7959 Industrial Complex (1) 257 2.244.090,74 278 1.868.796,2860 Industrial Complex (2) 297 5.999.600,00 313 5.414.544,0061 Garden Center 191 467.297,21 186 461.900,1762 Railway Station (2) 354 1.457.424,00 569 2.145.682,2663 Railway Station Antwerp 68 22.703,52 81 25.313,1264 Fire Station 284 1.874.496,82 298 1.887.087,25
187
B
Tabel B.2: Verdeling van de kostoverschrijdingen
Kostoverschrijding Frequentie nCumulatief aantal projectengegeven de kostoverschrijding
-20% 1 1 2%-19% 1 2%-18% 1 2%-17% 2 3 6%-16% 3 6%-15% 1 4 8%-14% 1 5 10%-13% 5 10%-12% 1 6 12%-11% 6 12%-10% 2 8 16%-9% 8 16%-8% 8 16%-7% 8 16%-6% 1 9 18%-5% 1 10 20%-4% 10 20%-3% 2 12 24%-2% 1 13 27%-1% 1 14 29%0% 1 15 31%1% 4 19 39%2% 6 25 51%3% 7 32 65%4% 4 36 73%5% 1 37 76%6% 1 38 78%7% 38 78%8% 1 39 80%9% 39 80%10% 39 80%11% 3 42 86%12% 42 86%13% 42 86%14% 42 86%15% 42 86%16% 42 86%17% 1 43 88%18% 2 45 92%19% 2 47 96%20% 47 96%
188
B
Kostoverschrijding Frequentie nCumulatief aantal projectengegeven de kostoverschrijding
21% 47 96%22% 47 96%23% 47 96%24% 47 96%25% 47 96%26% 47 96%27% 47 96%28% 47 96%29% 47 96%30% 1 48 98%31% 48 98%32% 48 98%33% 48 98%34% 48 98%35% 48 98%36% 48 98%37% 48 98%38% 48 98%39% 48 98%40% 48 98%41% 48 98%42% 48 98%43% 48 98%44% 48 98%45% 48 98%46% 48 98%47% 1 49 100%
189
B
Tabel B.3: Vereiste uplifts in functie van het aanvaardbaar risico.
Aanvaardbaar risico op kostoverschrijding Uplift Uplift (interpolatie)0% 47,00% 47,00%1% 38,50%2% 30,00% 30,00%3% 24,50%4% 19,00% 19,00%5% 18,75%6% 18,50%7% 18,25%8% 18,00% 18,00%9% 17,75%10% 17,50%11% 17,25%12% 17,00% 17,00%13% 14,00%14% 11,00% 11,00%15% 10,50%16% 10,00%17% 9,50%18% 9,00%19% 8,50%20% 8,00% 8,00%21% 7,00%22% 6,00% 6,00%23% 5,50%24% 5,00% 5,00%25% 4,66%
190
B
Aanvaardbaar risico op kostoverschrijding Uplift Uplift (interpolatie)26% 4,33%27% 4,00% 4,00%28% 3,88%29% 3,75%30% 3,63%31% 3,50%32% 3,38%33% 3,25%34% 3,13%35% 3,00% 3,00%36% 2,93%37% 2,86%38% 2,79%39% 2,71%40% 2,64%41% 2,57%42% 2,50%43% 2,43%44% 2,36%45% 2,29%46% 2,21%47% 2,14%48% 2,07%49% 2,00% 2,00%50% 1,90% 1,92%
191
B
192
BIJLAGE C
Resultaten nauwkeurigheid
193
CTabel
C.1:
Ove
rzic
ht
van
de
fin
ale
pro
ject
du
urv
oor
spel
ling
en[d
]
RC
FE
VM
IDP
DM
CE
AC
(t)w
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
EA
C(t
)-1
EA
C(t
)-2
124
124
125
1261
270
285
251
247
245
252
229
129
240
4316
326
344
305
303
290
290
330
630
534
8332
342
361
317
312
320
342
432
132
137
2348
359
380
337
334
321
324
512
612
616
4137
141
149
132
130
125
125
6-
--
--
--
--
-7
--
--
--
--
--
8-
--
--
--
--
-9
--
--
--
--
--
10-
--
--
--
--
-11
--
--
--
--
--
12-
--
--
--
--
-13
--
--
--
--
--
14-
--
--
--
--
-15
--
--
--
--
--
16-
--
--
--
--
-17
105
105
117
114
117
124
131
117
109
120
1889
8911
996
99
105
111
100
94
101
1911
611
713
4126
130
137
145
130
121
126
2083
8492
90
93
98
103
93
87
95
2112
913
214
4140
144
152
160
144
137
143
2285
8680
92
95
100
106
95
90
94
2371
7254
77
79
84
88
79
75
80
2478
7779
84
87
92
97
87
82
87
2522
8-
212
246
254
268
283
265
258
304
2654
7-
342
592
611
644
681
644
601
652
2735
3-
407
382
394
415
439
414
388
417
2823
3-
339
252
260
274
289
272
253
262
2916
0-
84173
178
187
198
183
192
219
3012
0-
83130
134
142
150
142
131
138
194
C
RC
FE
VM
IDP
DM
CE
AC
(t)w
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
EA
C(t
)-1
EA
C(t
)-2
3124
4-
177
255
260
268
275
251
285
321
3227
1-
421
292
301
316
333
506
359
351
3335
8-
586
390
404
428
455
788
368
340
3435
2-
560
382
394
354
275
-396
398
3523
6-
182
256
265
238
187
176
220
192
3680
-10
987
89
80
61
56
112
112
3717
1-
211
187
193
176
144
138
110
89
3819
6-
154
214
222
204
170
164
176
179
3916
1-
193
176
182
166
136
131
127
118
4085
-70
92
--
-85
85
98
4155
-25
60
--
-55
60
115
4218
4-
51200
--
-184
192
264
4311
7-
126
127
--
-117
137
942
4412
4-
222
135
--
-124
133
144
4557
-24
62
--
-57
61
79
4627
0-
547
293
--
-270
288
295
4720
8-
355
225
--
-206
231
242
4812
8-
62139
--
-128
152
424
4918
1-
218
196
--
-181
232
313
5017
1-
29186
--
-171
241
1778
5137
-9
40
--
-37
32
21
5215
1-
240
164
--
-151
169
181
5312
1-
209
131
--
-121
126
129
5423
3-
330
253
--
-233
256
285
5519
422
224
1210
217
229
202
-236
259
5617
0-
123
184
190
201
178
-213
222
5726
0-
174
281
290
306
268
-274
298
5841
7-
542
465
412
484
--
541
821
5925
7-
326
287
256
303
--
267
276
6029
7-
340
332
297
352
--
324
340
6119
1-
133
214
192
229
--
198
203
6235
4-
671
391
337
387
--
468
635
6368
-77
76
67
79
--
75
92
6428
4-
438
318
284
337
--
324
324
195
CTabel
C.2:
Ove
rzic
ht
MA
PE
’sva
nd
efi
nal
epr
oje
ctd
uu
rvo
orsp
ellin
gen
[%]
RC
FE
VM
IDP
DM
CE
AC
(t)w
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
EA
C(t
)-1
EA
C(t
)-2
15,
125,
211,
362,8
46,1
112,0
21,2
32,5
82,9
01,7
62
0,00
0,48
38,7
38,4
911,9
818,2
94,8
74,0
30,0
10,0
13
7,27
7,47
5,59
0,4
63,6
49,3
83,7
95,3
62,9
84,4
44
0,31
0,21
16,3
08,8
312,3
418,6
75,2
54,4
31,1
82,0
65
3,08
3,15
26,2
15,0
98,4
514,5
21,2
10,0
62,0
41,9
26
--
--
--
--
--
7-
--
--
--
--
-8
--
--
--
--
--
9-
--
--
--
--
-10
--
--
--
--
--
11-
--
--
--
--
-12
--
--
--
--
--
13-
--
--
--
--
-14
--
--
--
--
--
15-
--
--
--
--
-16
--
--
--
--
--
1710
,26
9,83
0,08
2,8
40,2
25,7
311,8
10,3
66,3
67,9
918
8,25
8,09
22,9
80,6
22,5
28,1
914,4
52,9
31,7
45,0
719
10,0
89,
164,
262,6
40,4
25,9
512,0
50,5
95,4
21,1
820
9,78
8,98
0,06
2,3
10,7
66,3
112,4
30,9
63,9
34,1
521
12,8
410
,84
2,67
5,6
92,7
42,5
78,4
12,9
46,8
22,3
822
11,4
610
,78
17,1
64,1
61,1
64,2
610,2
31,1
85,7
51,5
823
10,1
39,
4831
,84
2,6
90,3
75,8
911,9
80,5
23,0
83,8
824
11,3
612
,27
9,99
4,0
61,0
54,3
710,3
51,0
65,3
61,2
925
16,7
9-
22,6
810,0
57,2
72,2
73,2
23,3
75,1
211,8
526
10,4
7-
44,0
93,0
80,0
35,4
611,5
25,4
81,5
66,9
027
12,6
2-
0,81
5,4
52,5
02,8
38,7
02,4
73,6
96,3
328
15,2
7-
23,3
78,3
75,5
30,4
15,2
11,2
57,7
74,6
429
21,9
5-
59,2
715,7
513,1
98,5
93,5
710,6
113,0
223,1
630
7,69
-36
,36
0,0
03,1
68,8
715,1
89,3
85,1
26,0
1
196
C
RC
FE
VM
IDP
DM
CE
AC
(t)w
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
EA
C(t
)-1
EA
C(t
)-2
3167
,12
-76
,14
65,6
264,9
963,9
062,9
966,1
87,4
322
,02
3226
,56
-14
,14
20,8
318,4
814,2
39,6
437,2
119,7
325
,13
3343
,78
-13
5,25
56,8
262,1
871,9
082,8
9216,4
924,3
915
,05
342,
33-
62,7
511,0
614,6
52,8
920,0
3-
1,7
23,3
635
8,76
-16
,22
18,1
622,0
29,8
813,7
518,7
66,3
619
,38
369,
09-
24,1
71,5
51,5
69,5
231,1
836,1
915,3
615
,36
3748
,70
-83
,78
62,2
567,8
353,2
925,2
720,2
620,9
824
,61
3881
,48
-42
,52
98,4
5105,4
388,9
357,3
052,2
943,2
346
,19
3950
,47
-80
,75
64,2
169,8
655,2
227,0
021,9
910,9
510
,37
400,
00-
17,8
98,4
9-
--
0,1
42,9
920
,19
411,
85-
54,3
810,5
3-
--
1,8
49,3
6109,3
942
0,55
-72
,00
9,0
9-
--
0,4
53,9
443
,10
430,
86-
8,93
9,4
4-
--
0,7
915,8
5698,9
144
0,81
-80
,66
9,3
9-
--
0,7
37,3
015
,65
450,
00-
57,5
98,4
9-
--
0,1
45,9
938
,29
460,
37-
103,
358,9
0-
--
0,2
66,8
49,3
047
11,8
6-
50,4
14,6
1-
--
12,8
32,6
72,0
048
0,79
-51
,02
9,3
6-
--
0,7
118,1
6229,6
249
0,00
-20
,40
8,4
9-
--
0,1
428,3
573
,52
506,
21-
82,1
715,3
5-
--
6,5
150,1
41008,0
851
2,78
-75
,05
11,5
6-
--
2,8
413,0
742
,48
520,
00-
59,2
68,4
9-
--
0,1
411,9
720
,24
531,
68-
75,3
110,3
4-
--
1,6
64,9
27,4
754
0,00
-41
,75
8,4
9-
--
0,1
49,7
322
,39
553,
969,
9419
,13
4,1
27,4
413,4
40,1
5-
2,4
911
,67
562,
30-
29,4
45,9
59,3
515,4
72,1
3-
9,0
77,4
457
10,3
4-
39,9
32,9
30,1
25,6
27,4
5-
6,4
47,6
458
16,7
7-
8,21
7,2
517,8
63,4
9-
-13,6
564
,18
597,
55-
17,4
23,3
27,8
59,0
4-
-4,1
55,9
760
5,11
-8,
676,1
25,1
912,3
6-
-10,9
014
,02
612,
69-
28,5
515,0
63,2
822,9
7-
-2,8
06,5
762
37,7
9-
17,8
931,3
540,7
132,0
7-
-17,5
512
,38
6316
,05
-5,
436,4
217,0
82,5
1-
-8,7
421
,93
644,
70-
46,8
66,5
94,7
412,9
2-
-3,9
64,0
4
197
CTabel
C.3:
Ove
rzic
ht
MP
E’s
van
de
fin
ale
pro
ject
du
urv
oor
spel
ling
en[%
]
RC
FE
VM
IDP
DM
CE
AC
(t)w
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
EA
C(t
)-1
EA
C(t
)-2
15,
125,
211,
36-2
,84
-6,1
1-1
2,0
21,2
32,
58
2,9
00,0
62
0,00
-0,4
8-3
8,73
-8,4
9-1
1,9
8-1
8,2
9-4
,87
-4,0
30,0
10,0
13
7,27
7,47
-5,5
9-0
,46
-3,6
4-9
,38
3,7
95,
36
2,9
8-3
,64
4-0
,31
-0,2
1-1
6,30
-8,8
3-1
2,3
4-1
8,6
7-5
,25
-4,4
3-1
,18
-2,0
65
3,08
3,15
-26,
21-5
,09
-8,4
5-1
4,5
2-1
,21
-0,0
62,0
41,9
26
--
--
--
--
--
7-
--
--
--
--
-8
--
--
--
--
--
9-
--
--
--
--
-10
--
--
--
--
--
11-
--
--
--
--
-12
--
--
--
--
--
13-
--
--
--
--
-14
--
--
--
--
--
15-
--
--
--
--
-16
--
--
--
--
--
1710
,26
9,83
0,08
2,8
4-0
,22
-5,7
3-1
1,8
1-0
,36
6,3
6-3
,80
188,
258,
09-2
2,98
0,6
2-2
,52
-8,1
9-1
4,4
5-2
,93
1,7
4-5
,07
1910
,08
9,16
-4,2
62,6
4-0
,42
-5,9
5-1
2,0
5-0
,59
5,4
20,8
120
9,78
8,98
-0,0
62,3
1-0
,76
-6,3
1-1
2,4
3-0
,96
3,9
3-4
,15
2112
,84
10,8
42,
675,6
92,7
4-2
,57
-8,4
12,
94
6,8
22,3
822
11,4
610
,78
17,1
64,1
61,1
6-4
,26
-10,2
31,
18
5,7
51,5
823
10,1
39,
4831
,84
2,6
9-0
,37
-5,8
9-1
1,9
8-0
,52
3,0
8-3
,81
2411
,36
12,2
79,
994,0
61,0
5-4
,37
-10,3
51,
06
5,3
6-0
,19
2516
,79
-22
,68
10,0
57,2
72,2
7-3
,22
3,37
5,1
2-1
1,7
426
10,4
7-
44,0
93,0
80,0
3-5
,46
-11,5
2-5
,48
1,5
6-6
,90
2712
,62
--0
,81
5,4
52,5
0-2
,83
-8,7
0-2
,47
3,6
9-3
,63
2815
,27
--2
3,37
8,3
75,5
30,4
1-5
,21
1,25
7,7
74,6
429
21,9
5-
59,2
715,7
513,1
98,5
93,5
710,6
19,9
4-2
,57
307,
69-
36,3
60,0
0-3
,16
-8,8
7-1
5,1
8-9
,38
-0,3
1-5
,93
198
C
RC
FE
VM
IDP
DM
CE
AC
(t)w
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
EA
C(t
)-1
EA
C(t
)-2
3167
,12
-76
,14
65,6
264,9
963,9
062,9
966,1
8-2
,32
-15,2
132
26,5
6-
-14,
1420,8
318,4
814,2
39,6
4-3
7,2
119,5
221,3
133
-43,
78-
-135
,25
-56,8
2-6
2,1
8-7
1,9
0-8
2,8
9-2
16,4
9-2
4,4
9-1
5,0
534
-2,3
3-
-62,
75-1
1,0
6-1
4,6
5-2
,89
20,0
3-
-1,3
5-1
,86
35-8
,76
-16
,22
-18,1
6-2
2,0
2-9
,88
13,7
518,7
6-1
,77
11,2
236
9,09
--2
4,17
1,5
5-1
,56
9,5
231,1
836,1
9-1
5,3
6-1
5,3
637
-48,
70-
-83,
78-6
2,2
5-6
7,8
3-5
3,2
9-2
5,2
7-2
0,2
67,1
524,6
138
-81,
48-
-42,
52-9
8,4
5-1
05,4
3-8
8,9
3-5
7,3
0-5
2,2
9-3
4,7
2-3
7,6
839
-50,
47-
-80,
75-6
4,2
1-6
9,8
6-5
5,2
2-2
7,0
0-2
1,9
93,0
19,6
740
0,00
-17
,89
-8,4
9-
--
0,1
40,1
6-1
5,3
941
-1,8
5-
54,3
8-1
0,5
3-
--
-1,8
4-9
,36
-109,3
942
-0,5
5-
72,0
0-9
,09
--
--0
,45
-3,9
4-4
3,1
043
-0,8
6-
-8,9
3-9
,44
--
--0
,79
-15,8
5-6
98,9
144
-0,8
1-
-80,
66-9
,39
--
--0
,73
-7,3
0-1
5,6
545
0,00
-57
,59
-8,4
9-
--
0,1
4-5
,99
-38,2
946
-0,3
7-
-103
,35
-8,9
0-
--
-0,2
6-6
,84
-9,3
047
11,8
6-
-50,
414,6
1-
--
12,8
32,6
7-2
,00
48-0
,79
-51
,02
-9,3
6-
--
-0,7
1-1
8,1
6-2
29,6
249
0,00
--2
0,40
-8,4
9-
--
0,1
4-2
8,3
5-7
3,5
250
-6,2
1-
82,1
7-1
5,3
5-
--
-6,5
1-5
0,1
4-1
008,0
851
-2,7
8-
75,0
5-1
1,5
6-
--
-2,8
413,0
742,4
852
0,00
--5
9,26
-8,4
9-
--
0,1
4-1
1,9
7-2
0,2
453
-1,6
8-
-75,
31-1
0,3
4-
--
-1,6
6-4
,92
-7,4
754
0,00
--4
1,75
-8,4
9-
--
0,1
4-9
,73
-22,3
955
3,96
-9,9
4-1
9,13
-4,1
2-7
,44
-13,4
4-0
,15
--1
,23
-11,1
456
2,30
-29
,44
-5,9
5-9
,35
-15,4
7-2
,13
-9,0
75,5
057
10,3
4-
39,9
32,9
3-0
,12
-5,6
27,4
5-
6,4
4-1
,69
5816
,77
--8
,21
7,2
517,8
63,4
9-
--8
,06
-64,1
859
7,55
--1
7,42
-3,3
27,8
5-9
,04
--
3,6
30,1
660
5,11
--8
,67
-6,1
25,1
9-1
2,3
6-
-9,5
44,9
961
-2,6
9-
28,5
5-1
5,0
6-3
,28
-22,9
7-
-0,8
0-1
,93
6237
,79
--1
7,89
31,3
540,7
132,0
7-
-17,5
5-1
1,7
263
16,0
5-
5,43
6,4
217,0
82,5
1-
-7,7
0-1
3,0
564
4,70
--4
6,86
-6,5
94,7
4-1
2,9
2-
-3,9
64,0
4
199
CTabel
C.4:
Ove
rzic
ht
van
de
fin
ale
pro
ject
kost
voor
spel
ling
en[e
]
RC
FE
VM
IDB
AC
MC
EA
Cw
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sE
AC
-1E
AC
-21
162.
472
162.
535
163.
316
155.0
56
167.2
72
171.0
96
172.9
60
167.1
81
162.3
00
162.0
41
222
2.85
822
2.43
123
5.63
5212.6
46
229.3
91
234.6
17
237.1
09
228.7
06
224.3
00
227.5
88
336
7.95
236
8.26
844
2.59
0351.0
02
378.6
20
387.2
04
391.1
65
376.1
85
369.1
32
370.6
61
421
8.36
621
8.45
430
2.04
4208.3
55
224.7
61
229.8
79
232.3
13
224.0
22
222.3
23
230.1
08
595
.694
95.7
2213
4.53
791.2
52
98.4
24
100.6
40
101.6
13
97.3
06
98.1
57
101.6
11
654
.578
54.3
8654
.578
51.9
32
55.9
88
57.1
97
57.5
62
57.7
26
60.0
37
68.9
16
754
.703
54.4
6054
.703
52.0
53
56.1
19
57.3
31
57.6
99
57.8
68
60.1
69
69.0
53
851
.116
51.0
2551
.116
48.6
32
52.4
28
53.5
58
53.8
88
54.0
24
56.2
49
64.4
46
951
.303
51.1
6451
.303
48.9
33
52.7
81
53.9
74
54.5
14
54.9
93
52.0
30
52.7
93
1052
.021
51.8
3052
.021
49.6
22
53.5
26
54.7
39
55.2
94
55.7
94
52.6
29
53.2
96
1154
.324
53.9
8654
.324
51.8
38
55.9
20
57.1
95
57.8
07
58.3
81
54.3
41
54.4
46
1256
.969
56.5
6356
.969
54.3
59
58.6
40
59.9
76
60.6
14
61.2
09
57.0
19
57.1
13
1356
.183
55.8
0956
.183
53.6
15
57.8
38
59.1
59
59.7
98
60.4
01
56.1
05
56.1
64
1452
.263
51.9
6952
.263
49.8
66
53.7
93
55.0
17
55.5
99
56.1
39
52.3
98
52.6
20
1554
.580
54.2
7254
.580
52.0
58
56.1
53
57.4
22
57.9
97
58.5
07
55.1
56
57.7
18
1651
.286
51.1
1151
.286
48.9
16
52.7
64
53.9
57
54.4
97
54.9
76
51.8
55
54.2
47
1748
8.93
648
8.01
650
6.54
2466.5
00
503.2
27
514.6
77
509.6
00
511.1
27
494.6
76
510.8
32
1847
7.38
147
7.05
249
6.98
8455.3
12
491.1
19
502.2
19
496.9
13
497.5
76
485.1
04
497.4
37
1937
7.28
237
5.75
639
5.40
8359.8
08
388.0
97
396.8
54
392.5
91
392.9
50
384.7
20
400.2
70
2036
2.47
636
1.19
039
2.75
5345.6
16
372.7
72
381.1
50
376.9
00
376.8
81
379.7
61
403.0
46
211.
797.
874
1.78
1.74
91.
869.
878
1.7
14.9
40
1.8
49.8
52
1.8
91.7
43
1.8
72.1
47
1.8
75.5
59
1.8
18.3
68
1.8
31.0
48
221.
319.
736
1.31
5.70
01.
319.
932
1.2
59.0
52
1.3
58.1
46
1.3
88.9
91
1.3
75.0
21
1.3
78.5
07
1.3
23.0
32
1.3
21.3
68
2356
9.17
856
7.56
258
6.69
0542.9
68
585.6
93
598.9
77
592.8
71
594.1
81
574.2
84
574.1
81
2481
3.66
381
7.02
087
2.71
0775.5
30
836.4
00
855.0
66
844.9
16
843.4
25
841.3
31
869.5
69
2553
2.41
0-
687.
697
507.2
08
546.9
59
559.0
51
551.8
74
570.1
14
572.7
08
642.5
74
263.
486.
375
-3.
636.
370
3.3
25.6
86
3.5
87.3
44
3.6
68.6
43
3.6
30.9
28
3.7
87.9
93
3.5
80.2
15
3.6
66.0
12
271.
102.
537
-1.
384.
297
1.0
49.3
15
1.1
31.3
11
1.1
55.8
49
1.1
38.7
81
1.1
67.6
19
1.2
35.3
87
1.3
22.2
34
281.
992.
222
-2.
364.
103
1.8
95.2
62
2.0
43.1
76
2.0
87.1
28
2.0
54.5
95
2.0
99.8
44
2.1
84.4
86
2.3
03.0
60
292.
750.
938
-2.
750.
938
2.6
28.0
99
2.8
35.7
97
2.9
01.8
74
2.8
80.5
66
3.0
38.7
50
2.7
96.2
19
2.8
18.0
60
302.
524.
765
-2.
524.
765
2.4
09.0
75
2.5
98.7
75
2.6
57.9
81
2.6
32.1
18
2.7
51.7
37
2.5
31.3
29
2.5
30.1
00
200
C
RC
FE
VM
IDB
AC
MC
EA
Cw
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sE
AC
-1E
AC
-231
440.
941
-44
0.94
142
1.2
27
454.5
11
465.0
90
461.6
22
429.5
52
396.
962
373.9
24
321.
310.
723
-1.
310.
723
1.251.4
82
1.3
50.2
20
1.3
81.3
56
1.3
69.6
79
1.2
56.6
96
1.0
76.2
62
844.2
34
332.
509.
031
-2.
029.
828
2.395.7
80
2.5
84.8
35
2.6
44.5
09
2.6
22.4
79
2.4
10.3
53
2.3
32.3
72
2.2
26.2
73
3419
.429
.811
-19
.917
.210
18.5
10.6
48
19.9
61.5
01
18.5
41.4
93
16.5
95.0
30
-20.1
79.1
82
20.6
73.2
61
351.
118.
497
-1.
117.
404
1.070.0
99
1.1
55.0
30
1.0
91.0
63
1.0
12.1
97
955.1
55
1.0
28.5
57
994.7
67
3685
.848
-73
.153
82.1
00
88.6
08
83.5
67
77.2
69
72.7
86
85.
027
76.1
10
3734
1.46
8-
295.
360
326.4
31
352.2
77
331.7
17
305.7
14
287.4
75
316.
426
321.3
25
3824
8.20
4-
247.
648
237.6
79
256.5
93
243.2
46
227.3
27
215.3
47
226.
575
238.2
23
3924
4.20
5-
222.
096
233.7
20
252.2
88
238.6
41
222.0
18
209.8
19
213.
298
209.6
86
4018
.990
-15
.451
18.2
99
--
-13.9
50
14.
984
8.7
68
4114
.400
-14
.400
13.8
28
--
-10.3
62
10.
687
9.0
37
4213
2.57
0-
123.
180
127.7
05
--
-97.2
08
103.
483
67.5
57
4312
.735
-11
.603
12.1
98
--
-9.0
25
11.
622
10.7
43
4434
.260
-47
.479
32.9
52
--
-24.8
93
30.
267
26.7
13
4511
.700
-10
.650
11.2
41
--
-8.4
45
8.6
80
7.4
95
4664
.620
-64
.620
61.6
83
--
-44.8
36
64.
045
60.7
95
4728
1.43
0-
273.
377
268.6
09
--
-195.1
40
284.
162
284.2
87
4839
.450
-39
.450
37.8
75
--
-28.3
56
37.
167
32.3
37
4943
.800
-43
.275
41.9
03
--
-30.8
14
41.
891
40.3
58
5012
.645
-12
.645
12.0
93
--
-8.8
77
11.
045
10.9
39
514.
020
-4.
020
3.8
49
--
-2.8
43
3.4
79
3.3
62
5229
.880
-29
.430
28.7
16
--
-21.6
07
27.
728
25.1
21
5346
.920
-43
.719
45.0
06
--
-33.5
38
36.
528
30.5
70
5444
.130
-43
.080
42.2
34
--
-31.1
14
38.
893
32.3
93
5548
4.39
845
9.90
251
4.22
346
2.1
53
498.5
34
509.8
69
515.2
02
-493.
588
502.0
98
5618
0.47
6-
157.
178
172.3
37
185.9
38
190.2
34
192.4
74
-175.
068
171.6
52
5714
3.67
3-
145.
755
136.4
51
147.0
47
150.1
05
150.6
26
-176.
548
190.3
91
581.
121.
317
-1.
103.
199
1.157.7
41
1.0
93.0
10
1.1
80.6
72
--
1.2
19.6
83
1.4
49.6
82
592.
244.
091
-1.
886.
750
2.318.4
12
2.1
93.1
43
2.3
74.2
84
--
1.9
38.6
99
1.6
69.0
51
605.
999.
600
-5.
999.
600
6.189.5
85
5.8
28.5
33
6.2
77.9
58
--
5.9
69.0
47
6.1
73.7
39
6146
7.29
7-
467.
297
481.2
58
450.6
25
482.2
83
--
473.
522
474.9
44
621.
457.
424
-1.
793.
585
1.486.2
76
1.3
46.6
70
1.3
86.6
46
--
1.5
89.6
64
1.8
27.1
52
6322
.704
-61
.948
23.3
22
21.6
54
22.9
53
--
25.
966
31.7
59
641.
874.
497
-1.
982.
399
1.929.7
85
1.8
04.7
67
1.9
28.9
02
--
1.8
80.4
14
1.8
84.4
03
201
CTabel
C.5:
Ove
rzic
ht
MA
PE
’sva
nd
efi
nal
epr
oje
ctko
stvo
orsp
ellin
gen
[%]
RC
FE
VM
IDB
AC
MC
EA
Cw
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sE
AC
-1E
AC
-21
0,44
0,40
0,08
4,9
82,5
04,8
55,9
92,4
50,6
10,9
92
1,51
1,70
4,13
6,0
31,3
73,6
84,7
81,0
70,8
91,3
53
2,99
2,91
16,6
97,4
60,1
82,0
83,1
30,8
22,6
93,6
04
1,65
1,61
36,0
46,1
61,2
33,5
44,6
40,9
00,5
63,6
45
5,03
5,00
33,5
29,4
42,3
20,1
20,8
43,4
32,5
93,4
56
15,4
215
,72
15,4
219,5
213,2
311,3
610,7
910,5
46,9
66,8
07
15,2
915
,67
15,2
919,4
013,1
011,2
210,6
510,3
96,8
36,9
38
15,9
716
,12
15,9
720,0
513,8
111,9
511,4
111,1
97,5
35,9
49
3,84
4,10
3,84
8,2
81,0
71,1
72,1
83,0
82,4
82,0
610
3,28
3,63
3,28
7,7
40,4
81,7
82,8
13,7
42,1
51,7
911
1,22
1,84
1,22
5,7
41,6
84,0
05,1
16,1
51,3
02,7
812
1,48
2,18
1,48
5,9
91,4
13,7
24,8
35,8
61,4
42,6
713
0,82
1,48
0,82
5,3
52,1
04,4
45,5
66,6
31,0
62,7
914
1,72
2,27
1,72
6,2
31,1
63,4
64,5
55,5
71,4
62,3
415
3,82
4,36
3,82
8,2
61,0
51,1
92,2
03,1
02,8
16,7
316
3,81
4,14
3,81
8,2
61,0
41,2
02,2
13,1
12,7
56,6
017
1,91
2,10
1,62
6,4
10,9
53,2
52,2
32,5
46,3
825,1
918
3,95
4,01
0,00
8,3
91,1
81,0
50,0
20,1
25,6
331,1
019
4,44
4,83
0,15
8,8
71,7
10,5
10,5
70,4
89,0
543,2
420
5,57
5,91
2,31
9,9
72,8
90,7
11,8
21,8
28,6
227,7
221
3,36
4,22
0,51
7,8
20,5
61,6
90,6
40,8
23,9
218,4
122
2,48
2,78
2,47
6,9
70,3
52,6
31,6
01,8
64,3
421,9
323
2,89
3,16
0,10
7,3
60,0
72,2
01,1
61,3
84,8
814,1
024
7,51
7,13
0,79
11,8
44,9
22,8
03,9
54,1
25,3
919,6
225
9,98
-16
,28
14,2
47,5
25,4
76,6
93,6
03,1
68,7
426
3,13
-1,
047,6
00,3
31,9
30,8
85,2
50,5
31,8
627
14,5
1-
7,34
18,6
412,2
810,3
811,7
09,4
74,2
13,0
228
16,3
0-
0,68
20,3
814,1
612,3
213,6
811,7
88,2
33,3
629
6,18
-6,
181,4
49,4
612,0
111,1
817,2
97,9
38,7
730
1,52
-1,
526,0
31,3
73,6
82,6
77,3
41,2
61,3
5
202
C
RC
FE
VM
IDB
AC
MC
EA
Cw
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sE
AC
-1E
AC
-231
5,79
-5,
791,0
69,0
411,5
810,7
53,0
69,9
715,
20
322,
45-
2,45
2,1
85,5
47,9
77,0
61,7
715,1
332,
40
332,
85-
16,7
91,7
95,9
68,4
07,5
01,1
95,8
610,
01
349,
83-
7,56
14,0
97,3
613,9
522,9
8-
6,3
54,0
635
17,0
1-
16,8
911,9
420,8
314,1
45,8
90,0
87,6
09,6
436
13,7
5-
3,07
8,7
917,4
110,7
32,3
93,5
512,6
70,8
537
10,7
4-
4,21
5,8
714,2
57,5
80,8
56,7
75,7
19,2
638
25,0
0-
24,7
219,7
029,2
222,5
014,4
88,4
514,4
220,
56
3919
,94
-9,
0814,7
923,9
117,2
19,0
43,0
57,1
86,9
040
137,
08-
92,9
0128,4
5-
--
74,1
687,0
69,4
641
58,1
5-
58,1
551,8
7-
--
13,8
018,2
74,9
742
126,
96-
110,
89118,6
4-
--
66,4
277,1
715,
66
4327
,48
-16
,15
22,1
0-
--
9,6
616,3
47,5
344
87,3
7-
159,
6680,2
1-
--
36,1
465,5
346,
09
4566
,31
-51
,39
59,7
8-
--
20,0
426,4
619,
30
460,
77-
0,77
3,8
1-
--
30,0
82,1
37,1
147
0,13
-2,
744,4
3-
--
30,5
71,3
11,9
048
55,4
4-
55,4
449,2
3-
--
11,7
246,4
427,
41
4916
,71
-15
,31
11,6
5-
--
17,8
911,6
27,5
450
13,9
2-
13,9
28,9
5-
--
20,0
30,4
91,4
551
24,0
7-
24,0
718,8
0-
--
12,2
67,3
93,7
552
71,7
2-
69,1
465,0
4-
--
24,1
859,3
644,
37
5343
,03
-33
,27
37,1
9-
--
2,2
314,8
26,8
154
19,6
9-
16,8
414,5
5-
--
15,6
16,9
112,
35
552,
137,
083,
896,6
30,7
23,0
14,0
9-
0,6
31,6
356
3,11
-10
,20
1,5
46,2
38,6
99,9
7-
0,2
61,9
757
22,8
0-
21,6
826,6
820,9
919,3
419,0
6-
5,1
63,6
358
15,8
4-
13,9
719,6
012,9
221,9
7-
-26,0
049,
76
5920
,08
-0,
9624,0
617,3
627,0
5-
-3,7
411,
05
6010
,81
-10
,81
14,3
17,6
515,9
5-
-10,2
414,
02
611,
17-
1,17
4,1
92,4
44,4
1-
-2,5
22,8
262
32,0
8-
16,4
130,7
337,2
435,3
8-
-25,9
114,
85
6310
,31
-14
4,73
7,8
714,4
59,3
2-
-4,3
325,
47
640,
67-
5,05
2,2
64,3
62,2
2-
-0,3
50,2
0
203
CTabel
C.6:
Ove
rzic
ht
MP
E’s
van
de
fin
ale
pro
ject
kost
voor
spel
ling
en[%
]
RC
FE
VM
IDB
AC
MC
EA
Cw
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sE
AC
-1E
AC
-21
0,44
0,40
-0,0
84,9
8-2
,50
-4,8
5-5
,99
-2,4
50,5
50,7
02
1,51
1,70
-4,1
36,0
3-1
,37
-3,6
8-4
,78
-1,0
70,8
8-0
,58
32,
992,
91-1
6,69
7,4
60,1
8-2
,08
-3,1
30,8
22,6
82,2
84
1,65
1,61
-36,
046,1
6-1
,23
-3,5
4-4
,64
-0,9
0-0
,14
-3,6
45
5,03
5,00
-33,
529,4
42,3
20,1
2-0
,84
3,4
32,5
9-0
,84
615
,42
15,7
215
,42
19,5
213,2
311,3
610,7
910,5
46,9
6-6
,80
715
,29
15,6
715
,29
19,4
013,1
011,2
210,6
510,3
96,8
3-6
,93
815
,97
16,1
215
,97
20,0
513,8
111,9
511,4
111,1
97,5
3-5
,94
93,
844,
103,
848,2
81,0
7-1
,17
-2,1
8-3
,08
2,4
81,0
510
3,28
3,63
3,28
7,7
40,4
8-1
,78
-2,8
1-3
,74
2,1
50,9
111
1,22
1,84
1,22
5,7
4-1
,68
-4,0
0-5
,11
-6,1
51,3
02,7
812
1,48
2,18
1,48
5,9
9-1
,41
-3,7
2-4
,83
-5,8
61,3
91,2
313
0,82
1,48
0,82
5,3
5-2
,10
-4,4
4-5
,56
-6,6
30,9
60,8
514
1,72
2,27
1,72
6,2
3-1
,16
-3,4
6-4
,55
-5,5
71,4
61,0
515
3,82
4,36
3,82
8,2
61,0
5-1
,19
-2,2
0-3
,10
2,8
1-1
,71
163,
814,
143,
818,2
61,0
4-1
,20
-2,2
1-3
,11
2,7
5-1
,74
171,
912,
10-1
,62
6,4
1-0
,95
-3,2
5-2
,23
-2,5
40,7
6-2
,48
183,
954,
010,
008,3
91,1
8-1
,05
0,0
2-0
,12
2,3
9-0
,09
194,
444,
83-0
,15
8,8
71,7
1-0
,51
0,5
70,4
82,5
6-1
,38
205,
575,
91-2
,31
9,9
72,8
90,7
11,8
21,8
21,0
7-5
,00
213,
364,
22-0
,51
7,8
20,5
6-1
,69
-0,6
4-0
,82
2,2
61,5
722
2,48
2,78
2,47
6,9
7-0
,35
-2,6
3-1
,60
-1,8
62,2
42,3
623
2,89
3,16
-0,1
07,3
60,0
7-2
,20
-1,1
6-1
,38
2,0
12,0
324
7,51
7,13
0,79
11,8
44,9
22,8
03,9
54,1
24,3
61,1
525
9,98
--1
6,28
14,2
47,5
25,4
76,6
93,6
03,1
6-8
,65
263,
13-
-1,0
47,6
00,3
3-1
,93
-0,8
8-5
,25
0,5
3-1
,86
2714
,51
--7
,34
18,6
412,2
810,3
811,7
09,4
74,2
1-2
,52
2816
,30
-0,
6820,3
814,1
612,3
213,6
811,7
88,2
33,2
429
-6,1
8-
-6,1
8-1
,44
-9,4
6-1
2,0
1-1
1,1
8-1
7,2
9-7
,93
-8,7
730
1,52
-1,
526,0
3-1
,37
-3,6
8-2
,67
-7,3
41,2
61,3
1
204
C
RC
FE
VM
IDB
AC
MC
EA
Cw
All
eS
oort
Fu
ncti
eT
yp
eB
ed
rijf
sE
AC
-1E
AC
-231
-5,7
9-
-5,7
9-1
,06
-9,0
4-1
1,5
8-1
0,7
5-3
,06
9,9
715,
20
32-2
,45
--2
,45
2,1
8-5
,54
-7,9
7-7
,06
1,7
715,8
734,
01
33-2
,85
-16
,79
1,7
9-5
,96
-8,4
0-7
,50
1,1
94,3
98,
74
349,
83-
7,56
14,0
97,3
613,9
522,9
8-
6,3
54,
05
35-1
7,01
--1
6,89
-11,9
4-2
0,8
3-1
4,1
4-5
,89
0,0
8-7
,60
-4,0
636
-13,
75-
3,07
-8,7
9-1
7,4
1-1
0,7
3-2
,39
3,5
5-1
2,6
7-0
,85
37-1
0,74
-4,
21-5
,87
-14,2
5-7
,58
0,8
56,7
7-2
,62
-4,2
138
-25,
00-
-24,
72-1
9,7
0-2
9,2
2-2
2,5
0-1
4,4
8-8
,45
-14,1
1-1
9,9
739
-19,
94-
-9,0
8-1
4,7
9-2
3,9
1-1
7,2
1-9
,04
-3,0
5-4
,76
-2,9
940
-137
,08
--9
2,90
-128,4
5-
--
-74,1
6-8
7,0
6-9
,46
41-5
8,15
--5
8,15
-51,8
7-
--
-13,8
0-1
7,3
80,
75
42-1
26,9
6-
-110
,89
-118,6
4-
--
-66,4
2-7
7,1
7-1
5,6
643
-27,
48-
-16,
15-2
2,1
0-
--
9,6
6-1
6,3
4-7
,53
44-8
7,37
--1
59,6
6-8
0,2
1-
--
-36,1
4-6
5,5
3-4
6,0
945
-66,
31-
-51,
39-5
9,7
8-
--
-20,0
4-2
3,3
9-6
,54
46-0
,77
--0
,77
3,8
1-
--
30,0
80,1
25,
19
47-0
,13
-2,
744,4
3-
--
30,5
7-1
,10
-1,1
448
-55,
44-
-55,
44-4
9,2
3-
--
-11,7
2-4
6,4
4-2
7,4
149
-16,
71-
-15,
31-1
1,6
5-
--
17,8
9-1
1,6
2-7
,54
50-1
3,92
--1
3,92
-8,9
5-
--
20,0
30,4
91,
45
51-2
4,07
--2
4,07
-18,8
0-
--
12,2
6-7
,39
-3,7
552
-71,
72-
-69,
14-6
5,0
4-
--
-24,1
8-5
9,3
6-4
4,3
753
-43,
03-
-33,
27-3
7,1
9-
--
-2,2
3-1
1,3
56,
81
54-1
9,69
--1
6,84
-14,5
5-
--
15,6
1-5
,49
12,
14
552,
137,
08-3
,89
6,6
3-0
,72
-3,0
1-4
,09
-0,2
7-1
,44
56-3
,11
-10
,20
1,5
4-6
,23
-8,6
9-9
,97
--0
,02
1,93
5722
,80
-21
,68
26,6
820,9
919,3
419,0
6-
5,1
4-2
,30
58-1
5,84
--1
3,97
-19,6
0-1
2,9
2-2
1,9
7-
--2
6,0
0-4
9,7
659
-20,
08-
-0,9
6-2
4,0
6-1
7,3
6-2
7,0
5-
--3
,74
10,
69
60-1
0,81
--1
0,81
-14,3
1-7
,65
-15,9
5-
--1
0,2
4-1
4,0
261
-1,1
7-
-1,1
7-4
,19
2,4
4-4
,41
--
-2,5
2-2
,82
6232
,08
-16
,41
30,7
337,2
435,3
8-
-25,9
114,
85
6310
,31
--1
44,7
37,8
714,4
59,3
2-
--2
,58
-25,4
764
0,67
--5
,05
-2,2
64,3
6-2
,22
--
0,3
50,
14
205
C
Tabel C.7: Voorspellingen duurtijd [d] voor de verschillende fases
Vroeg Midden LaatID EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-21 245 261 245 249 245 2492 290 290 290 290 290 2903 315 382 317 327 330 3314 320 320 323 328 320 3205 125 125 125 125 125 1266 - - - - - -7 - - - - - -8 - - - - - -9 - - - - - -10 - - - - - -11 - - - - - -12 - - - - - -13 - - - - - -14 - - - - - -15 - - - - - -16 - - - - - -17 107 136 107 112 111 11218 92 103 96 100 96 10019 118 128 121 126 122 12520 - - 87 95 87 9521 134 142 134 142 142 14622 87 95 90 93 92 9323 - - 72 82 76 7924 77 92 81 88 83 8625 245 338 283 368 252 25726 579 715 596 651 594 60727 373 613 390 449 378 38628 237 260 251 264 259 26629 158 158 176 196 223 26330 - - 123 137 133 13831 285 385 303 402 275 27232 291 95 318 297 423 45633 291 95 318 297 423 45634 398 433 395 397 394 39535 212 115 218 175 222 21436 112 112 112 112 112 11237 145 73 127 95 85 8538 196 196 197 205 154 15839 186 392 186 392 127 118
206
C
Vroeg Midden LaatID EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-240 87 115 87 115 82 8141 - - 65 175 55 5542 191 297 191 297 192 23143 154 2540 133 160 123 12444 153 3270 153 3270 127 13045 - - 62 98 59 6046 356 37657 291 298 287 29147 249 14607 229 242 234 24248 145 548 159 300 159 30049 236 5818 217 288 247 33850 - - - - 241 177851 - - - - 32 2152 226 15326 172 191 166 17253 170 3097 127 131 125 12654 237 242 237 242 254 26355 225 243 240 279 233 23656 210 306 210 226 216 21857 267 324 277 321 274 28158 486 808 595 834 595 83459 263 279 271 283 263 26560 289 257 325 350 337 34761 189 181 190 190 201 21162 435 656 511 630 531 58463 72 91 81 122 75 7764 324 324 320 315 325 326
207
C
Tabel C.8: MAPE’s duurtijd [%] voor de verschillende fases
Vroeg Midden LaatID EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-21 3,11 3,40 2,83 1,21 2,83 1,212 0,00 0,00 0,01 0,01 0,01 0,013 4,55 15,78 3,68 0,80 0,00 0,374 0,67 0,67 1,68 3,44 0,67 0,675 2,23 2,23 2,23 2,23 1,67 1,306 - - - - - -7 - - - - - -8 - - - - - -9 - - - - - -10 - - - - - -11 - - - - - -12 - - - - - -13 - - - - - -14 - - - - - -15 - - - - - -16 - - - - - -17 7,39 17,68 7,39 3,13 4,31 3,1618 4,47 7,29 0,37 3,97 0,37 3,9719 7,29 0,56 5,05 1,24 3,92 1,7520 - - 3,93 4,15 3,93 4,1521 8,52 3,31 8,52 3,31 3,41 0,5322 9,00 0,22 5,25 2,25 3,00 2,2823 - - 6,46 6,27 1,38 2,6924 10,71 6,49 6,59 1,48 4,12 1,1025 10,22 24,02 5,59 35,09 7,46 6,2126 10,02 27,61 3,56 10,53 4,80 4,9927 8,83 52,34 3,05 11,72 6,72 5,5228 13,57 13,29 8,40 3,87 5,73 2,9929 25,81 25,81 17,21 23,06 4,62 23,3630 - - 5,60 4,89 4,96 6,3931 2,26 38,36 8,86 44,22 7,44 9,2932 34,76 78,69 28,64 34,94 5,60 4,9433 34,51 28,15 34,51 28,15 18,87 10,4134 1,99 12,66 1,59 2,79 1,77 2,1735 1,65 46,67 1,14 18,79 9,39 14,1536 15,36 15,36 15,36 15,36 15,36 15,3637 22,91 38,01 7,20 19,57 28,14 28,1438 50,25 50,78 51,51 57,42 35,58 38,2839 41,96 199,41 41,96 199,41 10,95 10,37
208
C
Vroeg Midden LaatID EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-2 EAC(t)-1 EAC(t)-240 2,84 35,57 2,84 35,57 3,15 4,8041 - - 18,67 218,67 0,05 0,1142 3,59 60,90 3,59 60,90 4,30 25,2943 30,35 2055,30 12,90 35,91 4,29 5,5344 23,35 2530,93 23,35 2530,93 2,44 4,6545 0,00 0,00 9,16 71,53 2,81 5,0546 31,78 13847,19 7,72 10,33 6,43 7,9647 4,97 6048,94 3,77 2,03 1,57 1,9748 12,92 326,27 23,40 132,96 23,40 132,9649 30,67 3124,83 20,06 59,67 36,64 87,3650 - - - - 50,14 1008,0851 - - - - 13,07 42,4852 49,84 10068,84 13,80 26,58 10,13 13,9053 41,77 2481,00 5,51 9,55 4,34 5,3854 12,30 38,70 12,30 38,70 8,93 12,9455 3,45 7,36 3,24 19,47 1,40 2,3356 10,35 30,45 10,28 8,03 8,10 6,9857 8,82 10,67 5,39 9,57 6,69 5,3358 8,33 61,58 18,97 66,77 18,97 66,7759 4,89 13,83 3,78 7,36 4,98 4,5660 19,28 28,16 11,65 16,36 6,04 6,5761 5,04 9,32 4,68 5,01 1,97 6,3362 23,48 15,43 10,06 10,91 6,49 5,5263 11,68 17,19 0,07 50,81 10,14 12,2264 3,87 3,87 5,15 6,56 3,64 3,36
209
C
Tabel C.9: Voorspellingen projectkost [e] voor de verschillende fases
Vroeg Midden LaatID EAC-1 EAC-2 EAC-1 EAC-2 EAC-1 EAC-21 162.332 161.587 162.692 162.761 161.482 161.0552 223.865 232.118 224.445 226.078 224.445 226.0783 370.432 387.275 363.367 357.007 379.364 381.3554 220.135 234.745 223.567 231.715 222.022 222.2575 97.923 107.248 96.732 97.408 99.817 100.1776 57.363 71.419 60.206 68.491 62.543 66.8387 57.530 71.597 60.389 68.648 62.588 66.9148 53.592 66.801 56.264 63.741 58.893 62.7949 51.544 52.825 51.340 51.394 53.205 54.16010 52.265 53.500 51.966 51.891 53.654 54.49711 54.576 55.970 53.360 51.879 55.087 55.49012 57.217 58.570 55.973 54.444 57.866 58.32613 56.454 57.902 55.122 53.552 56.739 57.03814 52.512 53.772 51.544 50.478 53.138 53.61015 56.013 63.933 54.168 53.560 55.286 55.66116 52.665 59.989 50.955 50.454 51.945 52.29817 494.812 534.901 494.637 501.552 494.579 496.04218 480.678 495.492 487.317 498.409 487.317 498.40919 382.847 418.675 384.435 392.575 386.877 389.56220 - - 379.761 403.046 379.761 403.04621 1.807.325 1.816.004 1.807.325 1.816.004 1.840.455 1.861.13722 1.317.034 1.309.569 1.316.472 1.313.208 1.335.589 1.341.32723 - - 567.703 564.330 577.574 579.10624 812.287 758.360 835.282 881.305 847.379 857.83225 563.562 681.227 581.644 670.186 583.285 595.08726 3.526.531 3.712.150 3.578.805 3.685.070 3.585.834 3.614.88927 1.125.219 1.466.516 1.205.270 1.329.838 1.256.932 1.301.49128 2.010.104 2.401.002 2.141.890 2.294.856 2.260.455 2.357.76229 2.750.938 2.750.938 2.773.458 2.789.289 2.841.739 2.875.60230 - - 2.524.765 2.524.765 2.533.517 2.531.87931 438.628 415.587 422.411 390.386 376.137 354.94332 1.228.599 667.422 1.092.902 766.964 1.034.340 972.58133 2.488.474 2.272.702 2.488.474 2.272.702 2.214.504 2.119.44234 19.611.553 20.771.316 19.709.754 20.126.498 20.939.284 21.103.14835 1.045.804 742.903 1.149.314 1.183.147 976.804 969.78736 85.027 76.110 85.027 76.110 85.027 76.11037 354.475 553.505 315.741 296.210 298.834 298.83438 263.764 330.811 237.877 227.296 202.330 197.39339 252.663 349.933 252.663 349.933 213.298 209.686
210
C
Vroeg Midden LaatID EAC-1 EAC-2 EAC-1 EAC-2 EAC-1 EAC-240 17.208 8.185 17.208 8.185 12.759 9.35141 - - 12.351 9.490 9.024 8.58442 118.519 66.153 118.519 66.153 88.446 68.96043 12.642 11.808 11.544 10.098 10.680 10.32244 33.641 23.458 33.641 23.458 26.850 22.78645 - - 10.542 8.852 6.819 6.13746 64.413 87.522 64.338 64.028 65.845 65.96747 281.806 328.698 280.469 278.937 287.856 289.63648 38.589 34.296 35.746 30.378 35.746 30.37849 43.520 34.461 42.503 39.900 41.280 40.81650 - - - - 11.045 10.93951 - - - - 3.479 3.36252 29.826 28.418 28.566 25.477 26.891 24.76553 46.920 46.920 41.390 31.075 31.666 30.06554 41.670 30.517 41.670 30.517 36.825 34.27655 484.930 489.287 493.605 507.741 495.811 497.80256 179.384 166.616 175.086 169.043 175.053 173.73957 148.011 159.946 172.276 201.095 183.097 188.94558 1.198.915 1.507.877 1.240.450 1.391.487 1.240.450 1.391.48759 2.151.949 1.625.081 1.922.900 1.534.057 1.926.287 1.856.60260 6.170.940 7.926.737 6.081.650 6.184.357 5.637.444 5.608.72861 467.297 467.297 467.297 467.297 476.013 478.00262 1.511.811 1.775.439 1.579.211 1.857.372 1.789.523 1.941.32463 25.277 34.176 27.604 37.809 25.835 26.31764 1.875.737 1.880.067 1.880.041 1.887.498 1.885.214 1.887.707
211
C
Tabel C.10: MAPE’s projectkost [%] voor de verschillende fases
Vroeg Midden LaatID EAC-1 EAC-2 EAC-1 EAC-2 EAC-1 EAC-21 0,53 0,98 0,43 0,84 1,05 1,312 1,07 2,58 0,83 0,94 0,83 0,943 2,34 2,10 4,20 5,88 0,02 0,544 0,85 5,73 0,70 4,37 0,00 0,115 2,82 6,44 4,00 3,33 0,94 0,586 11,10 10,68 6,70 6,14 3,07 3,587 10,92 10,87 6,49 6,30 3,08 3,618 11,90 9,82 7,51 4,79 3,18 3,239 3,39 0,99 3,77 3,67 0,27 1,5210 2,82 0,53 3,38 3,52 0,24 1,3311 0,76 1,77 2,97 5,67 0,17 0,9012 1,05 1,29 3,20 5,84 0,08 0,8713 0,34 2,22 2,69 5,46 0,16 0,6914 1,25 1,12 3,07 5,08 0,07 0,8115 1,30 12,66 4,55 5,62 2,58 1,9216 1,23 12,51 4,43 5,37 2,58 1,9217 0,73 7,31 0,77 0,62 0,78 0,4918 3,28 0,30 1,95 0,29 1,95 0,2919 3,03 6,04 2,63 0,57 2,01 1,3320 - - 1,07 5,00 1,07 5,0021 2,85 2,38 2,85 2,38 1,07 0,0422 2,68 3,24 2,73 2,97 1,31 0,8923 - - 3,14 3,71 1,45 1,1924 7,66 13,79 5,05 0,18 3,67 2,4925 6,11 15,19 2,09 13,32 1,45 0,8426 2,02 4,71 0,56 2,39 0,37 0,4427 12,75 13,71 6,55 3,11 2,54 1,6328 15,55 7,20 10,02 3,91 5,03 1,1129 6,18 6,18 7,05 7,66 9,69 10,9930 - - 1,52 1,52 1,18 1,3031 0,52 5,75 4,20 11,47 14,70 19,5032 3,97 47,83 14,57 40,05 19,15 23,9833 2,01 10,40 2,01 10,40 9,22 13,1234 8,98 3,60 8,53 6,59 2,82 2,0635 9,40 22,28 20,23 23,77 2,18 1,4636 12,67 0,85 12,67 0,85 12,67 0,8537 14,96 79,51 2,40 3,94 3,08 3,0838 32,83 66,60 19,80 14,47 2,53 0,5939 24,09 71,87 24,09 71,87 7,18 6,90
212
C
Vroeg Midden LaatID EAC-1 EAC-2 EAC-1 EAC-2 EAC-1 EAC-240 114,83 2,18 114,83 2,18 59,29 16,7541 - - 35,65 4,23 0,89 5,7242 102,91 13,26 102,91 13,26 51,42 18,0643 26,55 18,20 15,56 1,08 6,91 3,3244 83,98 39,28 83,98 39,28 46,84 24,6145 - - 49,85 25,83 3,07 12,7646 2,71 48,69 0,33 0,15 2,68 2,8747 0,26 16,98 0,21 0,76 2,41 3,0548 52,04 35,13 40,84 19,69 40,84 19,6949 15,96 8,18 13,25 6,32 9,99 8,7650 - - - - 0,49 1,4551 - - - - 7,39 3,7552 71,41 63,32 64,17 46,42 54,54 42,3353 43,03 43,03 26,17 5,27 3,47 8,3554 13,02 17,23 13,02 17,23 2,73 7,4455 2,02 1,25 0,73 2,71 0,17 0,5856 2,49 4,81 0,38 3,42 0,17 0,8057 20,47 14,06 7,43 8,05 1,66 1,5258 23,86 55,77 28,15 43,75 28,15 43,7559 15,15 13,04 2,90 17,91 3,08 1,3860 13,97 46,40 12,32 14,22 4,12 3,5961 1,17 1,17 1,17 1,17 3,06 3,4962 29,54 17,26 26,40 13,44 16,60 9,5263 4,23 35,01 9,05 49,37 2,06 3,9764 0,60 0,37 0,37 0,02 0,10 0,10
213
C
214
BIJLAGE D
Resultaten timeliness
215
D
Tabel D.1: EVM (EAC(t)1): overzicht MAPE’s van de finale duurtijdvoorspellingen in de verschillendeprojectfasen. [%]
Vroeg Midden Laat
Bedrijf X 2,11 2,09 1,04
Bedrijf Y - - -
Bedrijf Z 7,90 5,44 3,06
Appartementen 17,50 12,82 7,36
Kantoren 22,35 19,79 16,86
IT-projecten 20,36 12,08 11,45
Woning 7,54 6,30 5,40
Industriebouw 10,94 7,77 7,46
Figuur D.1: EVM (EAC(t)1): nauwkeurigheid van de finale duurtijdvoorspellingen in de verschillendeprojectfasen.
216
D
Tabel D.2: EVM (EAC(t)2): overzicht MAPE’s van de finale duurtijdvoorspellingen in de verschillendeprojectfasen. [%]
Vroeg Midden Laat
Bedrijf X 4,42 1,54 0,71
Bedrijf Y - - -
Bedrijf Z 5,92 3,22 2,45
Appartementen 36,03 21,83 8,23
Kantoren 60,48 52,22 18,08
IT-projecten 3384,87 248,72 90,56
Woning 16,16 12,36 4,88
Industriebouw 21,34 23,40 15,05
Figuur D.2: EVM (EAC(t)2): nauwkeurigheid van de finale duurtijdvoorspellingen in de verschillendeprojectfasen.
217
D
Tabel D.3: EVM (EAC1): overzicht MAPE’s van de finale kostvoorspellingen in de verschillende projectfasen.[%]
Vroeg Midden Laat
Bedrijf X 1,52 2,03 0,57
Bedrijf Y 4,19 4,43 1,41
Bedrijf Z 3,37 2,52 1,67
Appartementen 6,14 5,40 7,04
Kantoren 17,16 14,62 5,08
IT-projecten 47,88 43,14 19,53
Woning 8,33 2,85 0,67
Industriebouw 12,65 11,48 8,17
Figuur D.3: EVM (EAC1): nauwkeurigheid van de finale kostvoorspellingen in de verschillende projectfasen.
218
D
Tabel D.4: EVM (EAC2): overzicht MAPE’s van de finale kostvoorspellingen in de verschillende projectfasen.[%]
Vroeg Midden Laat
Bedrijf X 3,57 3,07 0,70
Bedrijf Y 5,86 5,22 1,85
Bedrijf Z 5,51 1,96 1,46
Appartementen 13,87 10,42 8,10
Kantoren 40,79 20,25 2,49
IT-projecten 27,77 13,98 11,93
Woning 6,70 4,73 0,97
Industriebouw 24,15 19,98 9,40
Figuur D.4: EVM (EAC2): nauwkeurigheid van de finale kostvoorspellingen in de verschillende projectfasen.
219
D
Tabel D.5: EVM (EAC(t)1): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de vroege projectfase.
RCF EVMPD MC EAC(t)w A S F T B EAC(t)1
Bedrijf X 3,16 3,30 - 5,14 8,51 14,58 3,27 3,29 2,11Bedrijf Y - - - - - - - - -Bedrijf Z 10,52 9,93 - 3,13 1,16 5,41 11,47 1,32 7,90App’en 24,69 - - 20,66 19,70 19,83 22,55 39,16 17,50Kantoren 33,47 - - 42,61 46,89 36,62 29,09 29,90 22,35IT 1,85 - - 9,40 - - - 1,95 20,36Woning 5,53 9,94 - 4,33 5,63 11,51 3,25 - 7,54Industrie 12,95 - - 10,87 13,82 13,62 - - 10,94
Tabel D.6: EVM (EAC(t)1): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de midden projectfase.
RCF EVMPD MC EAC(t)w A S F T B EAC(t)1
Bedrijf X 3,16 3,30 17,64 5,14 8,51 14,58 3,27 3,29 2,09Bedrijf Y - - - - - - - - -Bedrijf Z 10,52 9,93 11,13 3,13 1,16 5,41 11,47 1,32 5,44App’en 24,69 - 45,79 20,66 19,70 19,83 22,55 39,16 12,82Kantoren 33,47 - 51,70 42,61 46,89 36,62 29,09 29,90 19,79IT 1,85 - 56,68 9,40 - - - 1,95 12,08Woning 5,53 9,94 29,50 4,33 5,63 11,51 3,25 - 6,30Industrie 12,95 - 19,00 10,87 13,82 13,62 - - 7,77
Tabel D.7: EVM (EAC(t)1): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de late projectfase.
RCF EVMPD MC EAC(t)w A S F T B EAC(t)1
Bedrijf X 3,16 3,30 17,64 5,14 8,51 14,58 3,27 3,29 1,04Bedrijf Y - - - - - - - - -Bedrijf Z 10,52 9,93 11,13 3,13 1,16 5,41 11,47 1,32 3,06App’en 24,69 - 45,79 20,66 19,70 19,83 22,55 39,16 7,36Kantoren 33,47 - 51,70 42,61 46,89 36,62 29,09 29,90 16,86IT 1,85 - 56,68 9,40 - - - 1,95 11,45Woning 5,53 9,94 29,50 4,33 5,63 11,51 3,25 - 5,40Industrie 12,95 - 19,00 10,87 13,82 13,62 - - 7,46
220
D
Tabel D.8: EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de vroege projectfase.
RCF EVMPD MC EAC(t)w A S F T B EAC(t)2
Bedrijf X 3,16 3,30 - 5,14 8,51 14,58 3,27 3,29 4,42Bedrijf Y - - - - - - - - -Bedrijf Z 10,52 9,93 - 3,13 1,16 5,41 11,47 1,32 5,92App’en 24,69 - - 20,66 19,70 19,83 22,55 39,16 36,03Kantoren 33,47 - - 42,61 46,89 36,62 29,09 29,90 60,48IT 1,85 - - 9,40 - - - 1,95 3384,87Woning 5,53 9,94 - 4,33 5,63 11,51 3,25 - 16,16Industrie 12,95 - - 10,87 13,82 13,62 - - 21,34
Tabel D.9: EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de midden projectfase.
RCF EVMPD MC EAC(t)w A S F T B EAC(t)2
Bedrijf X 3,16 3,30 17,64 5,14 8,51 14,58 3,27 3,29 1,54Bedrijf Y - - - - - - - - -Bedrijf Z 10,52 9,93 11,13 3,13 1,16 5,41 11,47 1,32 3,22App’en 24,69 - 45,79 20,66 19,70 19,83 22,55 39,16 21,83Kantoren 33,47 - 51,70 42,61 46,89 36,62 29,09 29,90 52,22IT 1,85 - 56,68 9,40 - - - 1,95 248,72Woning 5,53 9,94 29,50 4,33 5,63 11,51 3,25 - 12,36Industrie 12,95 - 19,00 10,87 13,82 13,62 - - 23,40
Tabel D.10: EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de late projectfase.
RCF EVMPD MC EAC(t)w A S F T B EAC(t)2
Bedrijf X 3,16 3,30 17,64 5,14 8,51 14,58 3,27 3,29 0,71Bedrijf Y - - - - - - - - -Bedrijf Z 10,52 9,93 11,13 3,13 1,16 5,41 11,47 1,32 2,45App’en 24,69 - 45,79 20,66 19,70 19,83 22,55 39,16 8,23Kantoren 33,47 - 51,70 42,61 46,89 36,62 29,09 29,90 18,08IT 1,85 - 56,68 9,40 - - - 1,95 90,56Woning 5,53 9,94 29,50 4,33 5,63 11,51 3,25 - 4,88Industrie 12,95 - 19,00 10,87 13,82 13,62 - - 15,05
221
D
Tabel D.11: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de vroege projectfase.
RCF EVMBAC MC EACw A S F T B EAC1
Bedrijf X 2,32 2,32 - 6,81 1,52 2,85 3,88 1,73 1,52Bedrijf Y - 6,50 6,06 10,44 4,56 5,04 5,66 6,30 4,19Bedrijf Z 4,01 4,27 - 8,45 1,58 1,86 1,50 1,64 3,37App’en 6,97 - - 8,15 7,30 8,19 8,01 6,75 6,14Kantoren 16,04 - - 12,53 18,83 14,35 9,27 4,38 17,16IT 49,92 - - 44,98 - - - 25,65 47,88Woning 9,35 7,08 - 11,62 9,31 10,35 11,04 - 8,33Industrie 12,99 - - 14,72 13,77 16,61 - - 12,65
Tabel D.12: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de midden projectfase.
RCF EVMBAC MC EACw A S F T B EAC1
Bedrijf X 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 2,03Bedrijf Y 6,06 6,50 6,06 10,44 4,56 5,04 5,66 6,30 4,43Bedrijf Z 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 2,52App’en 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 5,40Kantoren 16,04 - 10,92 12,53 18,83 14,35 9,27 4,38 14,62IT 49,92 - 48,04 44,98 - - - 25,65 43,14Woning 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 2,85Industrie 12,99 - 27,58 14,72 13,77 16,61 - - 11,48
Tabel D.13: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de late projectfase.
RCF EVMBAC MC EACw A S F T B EAC1
Bedrijf X 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 0,57Bedrijf Y 6,06 6,50 6,06 10,44 4,56 5,04 5,66 6,30 1,41Bedrijf Z 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 1,67App’en 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 7,04Kantoren 16,04 - 10,92 12,53 18,83 14,35 9,27 4,38 5,08IT 49,92 - 48,04 44,98 - - - 25,65 19,53Woning 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 0,67Industrie 12,99 - 27,58 14,72 13,77 16,61 - - 8,17
222
D
Tabel D.14: EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de vroege projectfase.
RCF EVMBAC MC EACw A S F T B EAC2
Bedrijf X 2,32 2,32 - 6,81 1,52 2,85 3,88 1,73 3,57Bedrijf Y 6,06 6,50 - 10,44 4,56 5,04 5,66 6,30 5,86Bedrijf Z 4,01 4,27 - 8,45 1,58 1,86 1,50 1,64 5,51App’en 6,97 - - 8,15 7,30 8,19 8,01 6,75 13,87Kantoren 16,04 - - 12,53 18,83 14,35 9,27 4,38 40,79IT 49,92 - - 44,98 - - - 25,65 27,77Woning 9,35 7,08 - 11,62 9,31 10,35 11,04 - 6,70Industrie 12,99 - - 14,72 13,77 16,61 - - 24,15
Tabel D.15: EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de midden projectfase.
RCF EVMBAC MC EACw A S F T B EAC2
Bedrijf X 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 3,07Bedrijf Y 6,06 6,50 6,06 10,44 4,56 5,04 5,66 6,30 5,22Bedrijf Z 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 1,96App’en 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 10,42Kantoren 16,04 - 10,92 12,53 18,83 14,35 9,27 4,38 20,25IT 49,92 - 48,04 44,98 - - - 25,65 13,98Woning 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 4,73Industrie 12,99 - 27,58 14,72 13,77 16,61 - - 19,98
Tabel D.16: EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de late projectfase.
RCF EVMBAC MC EACw A S F T B EAC2
Bedrijf X 2,32 2,32 18,09 6,81 1,52 2,85 3,88 1,73 0,70Bedrijf Y 6,06 6,50 6,06 10,44 4,56 5,04 5,66 6,30 1,85Bedrijf Z 4,01 4,27 1,00 8,45 1,58 1,86 1,50 1,64 1,46App’en 6,97 - 6,45 8,15 7,30 8,19 8,01 6,75 8,10Kantoren 16,04 - 10,92 12,53 18,83 14,35 9,27 4,38 2,49IT 49,92 - 48,04 44,98 - - - 25,65 11,93Woning 9,35 7,08 11,93 11,62 9,31 10,35 11,04 - 0,97Industrie 12,99 - 27,58 14,72 13,77 16,61 - - 9,40
223