Door slim gebruik van data kunnen we het verloop van bijvoorbeeld energieverbruik, storingen en klanttevredenheid monitoren. Analyse van afwijken leert ons om processen te verbeteren en efficiënter in te richten. Op die manier worden we allemaal steeds meer datagedreven. Het kunnen doen van voorspellingen zou het ultieme doel zijn van datagedrevenheid. Maar… waarover gaan die voorspellingen dan?
Van beschrijven, verklaren, voorspellen naar voorschrijven
In theorie onderscheiden we vier stappen in data-analyse. Beschrijven, verklaren, voorspellen en voorschrijven. Elke stap is complexer en voegt meer waarde toe voor de beslisser. Veel toepassingen van data die we kennen in het vastgoedmanagement hebben betrekking op het beschrijven of verklaren van een situatie. Zo kunnen we met de huuradministratie beschrijven welke type huurders er wonen in onze complexen. We voeren bouwkundige inspecties uit waarmee we de conditie van onze woningen beschrijven. Een analyse van deze gegevens zou ons kunnen helpen te verklaren waarom bepaalde materiaaltoepassingen leiden tot intensiever onderhoud.
Steeds meer vastgoeddata komt beschikbaar. En met de technieken om deze data te analyseren raken we steeds meer vertrouwd. Dan is het mogelijk een volgende stap in data-analyse te maken. Zo kunnen we fantaseren over mogelijkheden om mutaties in een wooncomplex te voorspellen. Als we de verbanden kennen tussen verhuisgedrag, de leefbaarheid in een buurt, de kwaliteit van de woning en bijvoorbeeld de huishoudontwikkeling komen we al een stap in de richting.
Machine learning
De overtreffende trap in data-analyse, het voorschrijven, komt in de buurt van machine learning. Hier gebruiken we statistische verbanden en wiskundige technieken om computers in staat te stellen zelf te leren. Deze algoritmes kunnen straks “voorschrijven” wat te doen in een bepaalde situatie. Neem bijvoorbeeld huurachterstanden. Historische gegevens over huurachterstanden, huurincasso’s, klachten, betaalgedrag en betalingsregelingen kunnen worden gebruikt om zo een voorspellend algoritme te schrijven. Data over elke nieuwe huurachterstand kunnen we gebruiken om dit algoritme nog beter te maken (“te trainen”). Dit voorspellend algoritme kan de vastgoedmanager vertellen (voorschrijven) hoe te handelen in een nieuw voorkomende situatie om nieuwe betalingsproblemen te voorkomen.
Het succes van machine learning in het vastgoedmanagement hangt af van de hoeveelheid data die we tot onze beschikking hebben om deze voorspellende algoritmes te kunnen maken. Je kunt je voorstellen dat het aantal huurtransacties van een woningcorporatie van gemiddelde omvang niet te vergelijken is met het aantal transacties op bijvoorbeeld booking.com. We zullen met elkaar nog veel data moeten verzamelen en delen om de kansen van voorspellende technieken en machine learning volledig te kunnen benutten.
Voorspellen met vastgoeddata
Toch zien we interessante voorbeelden in onze sector die al veel verder gaan dan onze fantasie. Bekend is het AVM model (Automated Valuation Model) waarmee modelmatig de waarde van woningen kan worden voorspeld. Door het grote aantal transacties in de woningmarkt kan de waarde van een woning met het AVM model met grote nauwkeurigheid worden voorspeld.
Een ander voorbeeld is het voorspellen van storingen in bouwkundige installaties zoals liften. Met behulp van sensoren wordt data van elke liftbeweging geregistreerd. Wijken deze registraties af van gebruikelijke patronen, dan kan sprake zijn van een storing. Hoe meer data wordt verzameld, hoe beter de analyses zullen worden en hoe beter we in staat zullen zijn een storing te voorspellen en er preventief onderhoud kan plaatsvinden.
Voor zaken die direct om een opvolging vragen, zoals storingsonderhoud of huurachterstanden, zijn slimme algoritmes prima in staat te voorspellen en te voorschrijven wat vervolgacties zouden moeten zijn. Deze algoritmes worden gebruikt bij het verder digitaliseren van onze werkprocessen. Voorspellende algoritmes nemen zo werk uit handen.
Voorspellen en vastgoedsturing
Voorspellende analyses kunnen ook van toegevoegde waarde zijn bij vastgoedsturing. Hier hebben we nog terrein te winnen. Het gaat dan om het type besluiten die niet direct om een (operationele) handeling vragen maar meer tactisch of strategisch van aard zijn. Zo kunnen risico’s worden ingeschat dat een buurt achteruit gaat of dat de vraag naar woningen zich in een bepaalde richting ontwikkelt. Hieraan liggen meer strategische beslissingen ten grondslag die gepaard gaan met een lang besluitvormingsproces, meerdere beslissers en een flinke investering. Voorspellende analyses kunnen ook voor deze doeleinden van grote waarde zijn. Deze bieden de vastgoedbeslisser inzichten en scenario’s aan de hand waarvan – in de boardroom – besluitvorming plaatsvindt. Een vergezicht is dit zeker niet. Het verkennen van deze mogelijkheden zie ik liever als mijn dagelijkse praktijk.
Dit artikel is geschreven door Ingrid Janssen, partner bij Republiq en associate professor bij Tias School for business and society.