Veel inspiratie voor corporaties over big data

Bedrijven hebben er de mond van vol: Big Data. Het is de toekomst, een onontgonnen terrein met oneindige mogelijkheden. Bedrijven schieten als paddenstoelen uit de grond, organisaties nemen speciale data-analisten in dienst. Maar wat is Big Data eigenlijk? En wat kan de corporatie ermee?

Door Silvester de Ruig

De meest gehanteerde definitie van Big Data is afkomstig uit een rapport uit 2001 van Gartner, een van de grootste Amerikaanse onderzoeks- en adviesbureaus in de informatietechnologie. Volgens deze definitie wordt Big Data gekenmerkt door de drie V’s: volume, variety and velocity.
Volume staat voor de enorme hoeveelheid en exponentieel groeiende data. Zo zijn er data beschikbaar van miljoenen smartphones, van Facebook, van aankopen et cetera. De tweede v in de definitie variety geeft aan dat waar vroeger data vooral van Excel-sheets of databases kwamen, er nu honderden bruikbare formats zijn. Denk aan: tekst, foto, audio, video, web, GPS data, data afkomstig van sensoren, relational data bases (gegevens opgeslagen in tabelvorm), documenten, SMS, tweets, pdf, flash et cetera. De velocity geeft het belang weer om al deze data snel te kunnen analyseren.

Big Data in de praktijk

Als men in de praktijk over Big Data spreekt, dan gaat het meestal over het vinden van verbanden tussen gegevens die door de hoeveelheid, variëteit en snelheid het menselijk brein te boven gaan. Deze analyses gebeuren dan door middel van machine learning, een methode om met computers complexe modellen en algoritmes te ontwerpen die zich lenen voor voorspellingen. Want daar gaat het uiteindelijk om: het uit de enorme data-brij halen van verbanden die van belang zijn voor bijvoorbeeld toekomstig beleid van de organisatie.

Smart Data bij Eigen Haard

Ivar Vermazen, senior onderzoeker bij Eigen Haard, pleit er voor om als corporatie eerst te kijken wat er met de data uit de eigen organisatie mogelijk is, alvorens allerlei data te gaan kopen: nagaan hoe gegevens die de corporatie al in huis heeft slimmer kunnen worden benut. Hij praat in corporatieverband liever over smart data, waarin het meer gaat over de kwaliteit van de data dan over de hoeveelheid, dan over Big data. ‘Meestal gaat het nu nog om het slim koppelen van verschillende informatiebronnen. Van het koppelen van enorme hoeveelheden data, van zeer veel verschillende bestanden, is in de sector vaak nog geen sprake.’

Als redenen voor de focus op het gebruik van smart data bij Eigen Haard noemt hij: de beperkte kennis van de huurder, het optimaliseren van de interne administratie- en informatiesystemen, de toenemende focus op doelmatig en passend huisvesten en de inzet van middelen hiertoe, en het ontginnen van nieuwe toepassingsmogelijkheden. “Zo hebben we bij Eigen Haard op het gebied van leefbaarheid voor een pilotonderzoek naar de leefbaarheid in een buurt in Amsterdam het Analysecentrum ingehuurd, en hebben we Peter Windt van Vastgoed Marketing Advies ingeschakeld om het bewonersdraagvlak voor verduurzaming van onze woningen in Amstelveen in kaart te brengen. In deze specifieke gevallen maken we dus vooral gebruik van data van buitenaf.”

Aanbevelingen

Wat Vermazen andere corporaties met betrekking tot het gebruik van Big of smart Data zou willen aanbevelen? “Betrek de vraagsteller uit de organisatie bij het proces, kijk dus eerst wat er met de eigen data mogelijk is, let goed op de betrouwbaarheid van de data, gebruik GIS om data te koppelen aan openbare bronnen, zoek eventueel samenwerking om data te kopen, wees terughoudend met persoonsgegevens van huurders. Het is belangrijk om verantwoordelijk om te gaan met data van onze huurders. Daarnaast is de privacywetgeving behoorlijk streng.”

Mocht je meer willen weten over definities van Big Data? Lees dan de Survey van de University of St Andrews (pdf)

De privacy en toepassingsmogelijkheden van Big Data staan vaak op gespannen voet met elkaar. Dat werpt de vraag op: wat zijn de nadelen en wat mag er eigenlijk?

Door Silvester de Ruig

De voordelen en mogelijkheden van Big Data lijken talrijk, ook voor de woningcorporatie. Er liggen kansen op het gebied van mutaties, onderhoudsmanagement, scheefwonen, betaalbaarheid, leefbaarheid en verduurzaming en een betere waardering van het bezit. Maar er kleven ook nadelen aan het gebruik van Big Data.

Nadelen Big Data

Tegenwoordig wordt er veel data gebruikt om beter in te spelen op de interesses van de consument, bijvoorbeeld via advertenties op Facebook. Een filter bubble kan ervoor zorgen dat een gebruiker alleen nog informatie krijgt die aansluit op eerder gedrag (en dus geen informatie die bijvoorbeeld zijn eigen standpunt of voorkeuren tegenspreekt). In het verlengde hiervan liggen stigmatisering en discriminatie op de loer. Ook kan het Mathew-effect optreden (the rich get richer, the poor get poorer.) Als een gebruiker eenmaal geprofileerd is, komt hij of zij steeds in aanraking met informatie die aansluit op zijn profiel. Zo wordt de kans dat iemand die nooit gestudeerd heeft informatie krijgt over bijvoorbeeld een nieuwe deeltijdstudie psychologie aan de universiteit, zeer klein.
De transparency paradox houdt in dat mensen zich anders gaan gedragen als ze weten dat alles wat ze doen en bekijken opgeslagen en gebruikt wordt door Big Data bedrijven om ze te profileren. Bovenstaande zaken kunnen leiden tot een verstarring in de maatschappij. Bedrijven profileren mensen aan de hand van Big Data en meten ze een identiteit aan waar ze amper meer aan kunnen ontsnappen. ‘Big data zou in dat opzicht dynamischer moeten worden, en veel minder een momentopname. Meer voor de ‘film’ moeten worden gebruikt dan voor de ‘foto’’, betuigt van der Sloot.

Maar wat mag er nou?

Over wat mag kan van der Sloot kort zijn: juridisch weinig. ‘Wat betreft privacy: met slechts twee gegevens kun je 70 procent van de mensen de-anonimiseren.’ Omdat er juridisch weinig mag maar bedrijfsmatig veel kan, is er een groot spanningsveld. Er is dan ook een nieuwe Europese verordening op komst die vanaf 25 mei 2018 de Wet bescherming persoonsgegevens zal vervangen. Hierin staan veel spelregels die ook al in de oude wet beschreven stonden, maar de AVG (Algemene Verordening Gegevensbescherming) is onder andere door hoge boetes bij overtreding veel meer dan zijn voorganger gericht op handhaving. De WRR (Wetenschappelijke Raad voor Regeringsbeleid) raadt bedrijven dan ook aan om vooral naar de kwaliteit van de gebruikte data te kijken, zodat het risico op bijvoorbeeld schending van privacy of foutieve verbanden klein is. Van der Sloot: ‘Om veilig met Big Data om te gaan is het belangrijk om als organisatie een juist beginpunt te hanteren. Een aantal tips: zorg dat het verzamelen, categoriseren, updaten en combineren van data op een juiste manier gebeurt, falsificeer hypotheses, zorg dat N groter is dan 100, correlatie is geen causaliteit, en evalueer op doelmatigheid en effectiviteit van dataverwerking.’

Meer lezen over big data en privacy? Rapport Licht op de digitale schaduw. Verantwoord innoveren met big data (ministerie van EZ) en samenvatting (pdf)

*Betaalbaarheid staat altijd hoog op de agenda bij corporaties, helemaal sinds de invoering van de Nieuwe Woningwet in 2015. Met behulp van Big Data is een verdieping mogelijk van het beleid en concrete maatregelen met betrekking tot betaalbaarheid. Ook kan meer vanuit de vraag worden gewerkt: ‘Van klant naar pand’. Bij Portaal is het streven naar maatwerk en een proactieve benadering als het gaat om betaalbaar wonen.
*
Volgens Marcel Petersen, klant en marktonderzoeker bij Portaal, zijn data op woningniveau steeds beter te verrijken door bijvoorbeeld een koppeling van de eigen data aan energiedata en inschattingen van huishoudenskenmerken, woonlasten en betaalrisico’s. ‘Op die manier komt er veel meer specifieke kennis vrij over de huurders bij de corporatie. En dat maakt het mogelijk om bijvoorbeeld het huurbeleid of de woningtoewijzing beter af te stemmen op de klant. Dat doen we niet achter het bureau, maar actief met alle onderdelen van de organisatie. We delen de analyses en inzichten met de medewerkers en nodigen ze uit om met voorstellen te komen.’

Problemen met betaalbaarheid

Zo blijkt 22 procent van de huurders van Portaal een probleem met betaalbaarheid te hebben. Het gaat om ruim tienduizend huurders die volgens de norm van het NIBUD gemiddeld 152 euro per maand tekort komen. Van deze huurders is 64% alleenstaand en zien we het hoogste tekort bijvoorbeeld bij gezinnen. ‘Interessant is de koppeling van de Big Data set aan onze betaalachterstanden,’ zegt Petersen. ‘Zo blijken ouderen vaak netjes hun huur te betalen, terwijl ze wél een betaalbaarheidsprobleem hebben. En andersom is er een jongere groep die slecht is van betalen, maar volgens de norm geen betaalbaarheidsprobleem heeft. Bij huurders uit de vrije sector blijkt relatief vaak een incassobureau te moeten worden ingeschakeld. ‘Vanuit die constatering kan dan de beleidsvraag gesteld worden: ‘Is de norm bij Portaal wel streng genoeg is om voor een vrije sector woning in aanmerking te komen?’, aldus Petersen.
Verder blijkt uit een analyse dat de helft van de huurders in de problemen bij Portaal ‘gewoon’ in een passende woning zit, en dat lang niet iedereen met een betaalbaarheidsprobleem gebruik maakt van de huurtoeslag. De helft van de huurders met een betaalbaarheidsprobleem blijkt te leven van een minimuminkomen; de maximale huur die deze mensen kunnen betalen (gemiddeld 489 euro) ligt onder de aftoppingsgrens. Ook is het betaalgedrag van nieuwe huurders vaker slecht dan dat van huurders die langer dan een jaar bij Portaal huren.

Verdieping beleid

Volgens Petersen is met Big Data in relatie met betaalbaarheid dan ook vooral verdieping van het beleid en maatwerk in diverse werkprocessen mogelijk. Zo concludeerde Portaal dat ze uiterst zuinig moet omspringen met de goedkoopste voorraad en hier dus bijvoorbeeld niet te veel gestuurd moet worden op verduurzaming. Ook valt er een verbeterslag te slaan als het gaat om het incassobeleid; dit kan beter worden gestuurd met de kennis van wijken die een substantieel (tot drie keer) hoger risico hebben op huurachterstand. Beter nog, Portaal kan preventiever te werk gaan via een intake van een nieuwe huurder, het afleggen van huisbezoeken bij problemen, het samenwerken met maatschappelijke opvang bij uitstroom, en het van tevoren duidelijk communiceren van de spelregels.

Eigen Haard heeft recent twee analyses met Big Data laten uitvoeren. De eerste om te bekijken in welke woningen het beste kon worden gestart met een duurzaamheidstraject. Een tweede was bedoeld om meer inzicht te krijgen in het huurdersbestand van de corporatie in Osdorp-Oost, met als uiteindelijk doel om daar de leefbaarheid te verbeteren.

Door Silvester de Ruig

Voor de pilot ‘leefbaarheid in Osdorp-Oost’ heeft Eigen Haard gebruik gemaakt van de diensten van het Analysecentrum. Zij hebben in de analyse de bewoners van Osdorp-Oost in vijftig verschillende profielen ingedeeld. Daarnaast zijn data uit de Leefbarometer van het ministerie van BZK gebruikt. Met de analyse konden conclusies op complexniveau getrokken worden. ‘Eerder hadden we niet scherp welke mix of juist eenzijdige samenstelling er in bepaalde complexen woont. We wisten wel dat een mix van ouderen en werkloze jongeren slecht werkt in een complex (verschillende leefstijlen en beide veel thuis), en dat overwegend gezinnen in te krappe woningen in een complex een voorspeller is voor een lage leefbaarheid, maar viel nu ook te duiden waar deze situaties zich voordoen. Ook de in- en uitstroom, waar te grote en te kleine huishoudens wonen, en het verschil tussen zelfredzaamheid en kwetsbaarheid, is voor ons stuk inzichtelijker geworden’, vertelt Ivar Vermazen, senior onderzoeker bij Eigen Haard.

Duurzaamheid in Amstelveen

Op het gebied van verduurzaming heeft Eigen Haard Peeter Windt, directeur en eigenaar van Vastgoed Marketing Advies, ingeschakeld. Windt heeft een pilot opgezet om het bewonersdraagvlak voor verduurzaming van woningen in Amstelveen te meten. Duurzaamheid wordt volgens Windt vaak geïnitieerd vanuit de techniek en/of de financiën, maar het bewonersdraagvlak – de huurder dus – is minstens zo belangrijk. Vanuit de data heeft Windt de huurders in Amstelveen in vier categorieën ingedeeld: enthousiast en zelfredzaam (early adapter), niet enthousiast en zelfredzaam, enthousiast en niet zelfredzaam, en niet enthousiast en niet zelfredzaam. De interesse in duurzaamheid bleek enorm te verschillen. Zo waren de early adapters intrinsiek geïnteresseerd in verduurzaming (in de pilot 8 procent), ging het de zelfredzame maar niet enthousiaste huurder voornamelijk om verbetering van het comfort (41 procent), en de andere twee groepen met name om veiligheid en leefbaarheid. ‘Dit is natuurlijk zeer relevante kennis om de manier van benaderen van je huurders op af te stemmen. Zo is het van groot belang om je early adapters vroeg bij het proces te betrekken. Om aan de verschillende wensen van huurders tegemoet te komen, loopt er bij Portaal momenteel een pilot waarbij individuele verduurzamingspakketten worden aangeboden. Elk pakket is afgestemd op de resultaten die uit de analyse komen,’ aldus Windt
Eigen Haard gebruikt de inzichten van Windt in Amstelveen voor het ‘we go first’ principe : beginnen waar de bewoners er het meest op zitten te wachten. Vermazen: ‘We hebben de complexen, die we vanuit vastgoedperspectief hebben geselecteerd voor duurzaamheidsingrepen, gerangschikt op haalbaarheid vanuit draagvlak van bewoners. De komende tijd gaan we de bewoners van die complexen benaderen en zal het interessant zijn om te horen of de beelden uit de data kloppen. We verwachten meer draagvlak tegen te komen dan bij de traditionele manier, waarbij de keuze voor de complexen vooral vanuit ‘de stenen’ werd bepaald.’

Leidt meer kennis over scheefwoners, verkregen met Big Data, tot nieuwe beleidsmogelijkheden bij de corporatie?

Door Silvester de Ruig

“Het leidt in elk geval tot een beter gesprek met de gemeente. En voor ons ook tot het inzicht dat we qua beleid niet zo heel veel kunnen, en dat is ook waardevol”, aldus Marion Wendel van Rijswijk Wonen. Bij Rijswijk Wonen zijn de wachttijden voor een woning hoog, een reden voor Wendel, adviseur Strategie en Beleid bij deze Zuid-Hollandse corporatie, om een analyse uit te laten te laten voeren met scheefwonen als focus. Uit de analyse, uitgevoerd door SpringCo, een bedrijf dat het gedrag van mensen met behulp van Big Data voorspelt, kwam naar voren dat 30 procent van de huurders scheef woont: op inkomen (grootste deel) en op oppervlak.

Analyse

Uit een koppeling van verhuiskansen met scheefwoon-data bleek dat dit probleem zich gedeeltelijk vanzelf oplost, zoals dit ook al naar voren kwam in het recent verschenen rapport Dynamiek van corporatiehuurders. Gezinnen in portiekwoningen trekken bijvoorbeeld vaak weg. Ouderen (65+) blijken daarentegen nauwelijks meer aan te zetten tot verhuizen. Kansrijk beleid wat betreft het tegengaan van scheefwonen liggen vooral in het verleiden van jongere ouderen (60-65) en gezinnen in eengezinswoningen om te verhuizen. Maar dit betreft slechts een kleine groep en beleidsmatig meer doen dan verleiden is lastig, de wettelijke mogelijkheden zijn klein.

Aanbevelingen

Wendel: ‘Wij focussen ons doorstromingbeleid voorlopig op aantrekkelijke nieuwbouw. Wees daarbij bewust van de doelgroep; de maatregelen moeten aansluiten op hun behoeften. Het gaat om nieuwbouw die wij zelf realiseren met een huurprijs net onder de liberalisatiegrens, maar het kan ook nieuwbouw zijn van andere (markt) partijen. Zoek met hen de samenwerking. Het is raadzaam om doelgroepen gericht te informeren over producten die hen aan zouden kunnen spreken, zorg er daarbij voor dat je een eventuele overstap op financieel, praktisch en emotioneel gebied zo gemakkelijk mogelijk maakt.’

Zie:

• presentatie Marion Wendel (Rijswijk Wonen) en SpringCo
• het rapport Dynamiek van corporatiehuurders

*Met behulp van Big Data daklekkages beter voorspellen; John Ciocoiu, data-engineer bij KPN Consulting, bouwt in opdracht van Ymere en Consolidated een voorspellend model. Aan de hand van de resultaten kan onderhoud aan de daken beter ingepland worden. Efficiënt en kostenbesparend. *

Woningcorporatie Ymere beheert circa 1430 wooncomplexen in Nederland met in totaal ruim 5600 daken. Deze daken kennen zo’n zevenduizend lekkages per jaar. Het voorkomen van deze lekkages gebeurt door planmatig en preventief onderhoud, maatregelen op basis van historische analyse, en door het plaatsen van sensoren op de daken.

Kan het ook anders?

Ciocoiu vertelt over het model dat hij ontwikkelt, om de lekkages aan de daken van de complexen van Ymere beter te voorspellen. “We maken gebruik van machine learning, een methode om complexe modellen en algoritmes te ontwerpen die zich lenen voor voorspellingen. De data die we tot nu toe hebben gebruikt zijn afkomstig van daken, complexen en activiteiten uit Dakota, een online platform voor dakmanagement dat is ontwikkeld door Consolidated en waarin alle beschikbare kennis over de daken van Ymere (en vele andere organisaties) wordt samengebracht. Verder kwamen de gegevens uit de Basisregistraties Adressen en Gebouwen (BAG), van het KNMI, en in de toekomst van sensoren op het dak.’”

Validatie en prestatie model

Validatie van het machine learning-model geschiedt door een gedeelte van de data buiten het model te houden. Door deze data te toetsen aan voorspelde waarden uit het model blijkt hoe het model presteert.
Ciocoiu: “Met een accuraatheid van 93 procent lijkt het model een veel betere voorspeller dan een voorspelling op basis van historische gegevens, waardoor het onderhoud bij Ymere efficiënter kan worden gepland. We zijn nu bezig om dit model te verrijken en via Dakota breder toepasbaar te maken.”

Woningmutaties blijken beter te voorspellen met behulp van Big Data. Maar wat zijn hiervan de voordelen voor de corporatie?

Door Silvester de Ruig

Michiel van Wezel, modelleerder en data-scientist bij Dudok Wonen, bouwde een model om met behulp van Big Data tot een individuele (per woning), meer nauwkeurige voorspelling van woningmutaties te komen. Iets wat voorheen gebeurde door te kijken naar de historische mutatiegraad.

Hoe dan?

De data voor Van Wezels model zijn afkomstig uit het operationele systeem van Dudok Wonen, waarin dagelijks de wijzigingen worden bijgehouden in een datakluis. Zo kwam van Wezel tot 6500 records die elk een woning representeerden met gegevens tot 1 januari 2014 (met velden als huur, looptijd contract, bouwjaar woning, leeftijd huurder et cetera) én een indicator die aangeeft of de woning is gemuteerd (23 procent) in de drie jaar daarna. Via machine learning, een methode om complexe modellen en algoritmes te ontwerpen die zich lenen voor voorspellingen, is gekeken naar verbanden tussen de gegevens die bekend waren op de begindatum en de mutaties in de jaren daarna. Per woning is zo de kans op mutatie ingeschat.

Validatie en betere voorspelling

Validatie van het machine learning-model vond plaats door 10 procent van de data buiten het model te houden. Door deze data te toetsen aan voorspelde waarden uit het model bleek hoe het model presteerde. Het levert een kwalitatieve verdubbeling op ten opzichte van de voorspellingen op basis van de historische mutatiegraad. Verder geeft het model van Van Wezel inzicht in welke variabelen belangrijk zijn voor de mutatiekans. Zo blijken leeftijd en het type woning de belangrijkste voorspellers onder de gebruikte variabelen.

Toeppassingsmogelijkheden

Aan de hand van de voorspellingen uit het model kan een mutatiekalender per complex of buurt ten behoeve van voorraadbeheer en renovatieplanning worden gemaakt en de huursom beter worden benaderd (bij een mutatie gaat de huurprijs vaak omhoog). Ook is er meer grip op de kasstroom, meer kennis van verhuismotieven, paratere kennis bij vastgoedontwikkeling en kan men tot een betere waardering van het bezit komen.

Wilt u zelf met het model van Van Wezel aan de slag? Een (vrij basale) app is te downloaden via Linkedin.

Sinds 2017 zijn corporaties verplicht hun bezit te laten waarderen. Hebben ze hierbij baat bij Big Data? En gaat Big Data de taxatiewereld veranderen?

Bastiaan van der Mijl, product marketing manager bij Reasult, vertelt hoe de portefeuillewaardering aan het veranderen is: ‘De tijd waarin de taxateur voor elke woning een A4tje met zijn bevindingen inleverde, lijkt voorbij.’

Nieuw waarderingsmodel, nieuwe rol taxateur

Hoewel een taxateur tegenwoordig met behulp van modelmatige waarderingsmodellen verschillende data combineert en zo tot een taxatie komt, is alle input nog bijna volledig van de taxateur afkomstig. Het Automated Valuation Model (AVM), een wetenschappelijk model om vastgoedobjecten te waarderen dat wordt gevoed door informatie over het te waarderen object en referentieobjecten, tracht hier verandering te in brengen. Met dit model verwacht Reasult dat taxaties goedkoper, sneller gemaakt, en kwalitatief beter onderbouwd kunnen worden. “De stap van Small data naar Big Data zou echter ten koste van de transparantie kunnen gaan,” waarschuwt van der Mijl. “De verbanden zijn voor de mens niet meer te volgen en er is een gevaar dat correlatie aangezien gaat worden voor causaliteit. Maar de grootste winst van AVM is dat het de individuele onderbuikgevoelens van de taxateur uit de taxatie haalt. De locatie, het soort buurt et cetera. komen allemaal uit de data; de taxateur is er vooral nog voor de finetuning. De positie van de taxateur verandert dus: waar hij nu bepaalt, bepalen in AVM de data en komt hij met eventuele afwijkende bevindingen van zijn kant.”

Waarde voor de corporatie

Voor corporaties kan de markwaardering via AVM meer inzicht gaan geven in de potentie van de portefeuille en de risico’s. Inzicht dat corporaties dwingt tot verantwoorde maatschappelijke keuzes. Maar ook kunnen verbeterde taxaties soms leiden tot een lagere Onroerend Zaak Belasting (OZB). Maar dan moet er nog wel een slag geslagen worden, want zo blijken fundamentele data als bijvoorbeeld het oppervlak van de woning nog niet in het nieuwe waarderingsmodel mee te zijn genomen. Van der Mijl geeft aan dat de ontwikkeling van AVM inderdaad nog in volle gang is en dat het van belang is dat het model continu getoetst wordt aan de realiteit.