voorspellen van projectduur en -kost aan de hand van

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



12.4 Methode van Warburton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

12.4.1 Parameters van het model . . . . . . . . . . . . . . . . . . . . . . . . . . . 90


xiii


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-


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-


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 punten 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


gen met de traditionele voorspellingsmethodes in de midden projectfase. . . . . . 162


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


spellingen met de traditionele voorspellingsmethodes in de midden projectfase. . 220


spellingen met de traditionele voorspellingsmethodes in de late projectfase. . . . 220


spellingen met de traditionele voorspellingsmethodes in de vroege projectfase. . . 221


spellingen met de traditionele voorspellingsmethodes in de midden projectfase. . 221


spellingen met de traditionele voorspellingsmethodes in de late projectfase. . . . 221

D.11 EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellin-












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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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 punten intervalschattingen.

Tabel 4.1: Overzicht verschillen tussen punten 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


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


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


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


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


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


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


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


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.


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


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)


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


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)


91


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



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)


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


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


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


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 =


∣∣∣∣× 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


∣∣∣∣× 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 kosten 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.


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


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


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


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


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


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


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


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


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


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 duurtijden 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


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


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


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


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


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


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


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


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


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


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


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


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


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


17

Tabel 17.10: Bedrijf Z: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]

RCF EVM


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


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


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


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


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


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


17

Tabel 17.14: Appartementen: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]

RCF EVM


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


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


-30,44 - -46,29 -42,10 -46,89 -33,45 -7,44 -7,92 -7,17 -1,57


145


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


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


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


17

Tabel 17.18: Kantoren: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]

RCF EVM


-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


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


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


-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


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


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


17

Tabel 17.22: IT projecten: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]

RCF EVM


-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


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


17

Tabel 17.24: Woningbouw: Overzicht gemiddelde MPE’s van de finale projectduurvoorspellingen [%]

RCF EVM


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


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


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


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


12,18 - -9,30 1,99 12,88 -2,75 - - 5,02 -11,67

156


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


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


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


Tabel 17.30: Industrie: Overzicht gemiddelde MPE’s van de finale projectkostvoorspellingen [%]

RCF EVM


-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


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


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


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.



Tabel 17.33: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de late projectfase.



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


Kantoren 60,48 52,22 18,08

IT-projecten 3384,87 248,72 90,56

Woning 16,16 12,36 4,88


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


Kantoren 17,16 14,62 5,08

IT-projecten 47,88 43,14 19,53

Woning 8,33 2,85 0,67


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


Kantoren 40,79 20,25 2,49

IT-projecten 27,77 13,98 11,93

Woning 6,70 4,73 0,97


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.


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.



220

D

Tabel D.8: EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de vroege projectfase.


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.



Tabel D.10: EVM (EAC(t)2): Vergelijking van de nauwkeurigheid van de finale duurtijdvoorspellingen metde traditionele voorspellingsmethodes in de late projectfase.



221

D

Tabel D.11: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de vroege projectfase.


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.



Tabel D.13: EVM (EAC1): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de late projectfase.



222

D

Tabel D.14: EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de vroege projectfase.


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.



Tabel D.16: EVM (EAC2): Vergelijking van de nauwkeurigheid van de finale kostvoorspellingen met detraditionele voorspellingsmethodes in de late projectfase.



223

voorspellen van projectduur en -kost aan de hand van

Documents