Home|Blog, Real Estate|Zo maakt AI de vastgoedwereld sneller en betrouwbaarder

januari 7, 2022

Zo maakt AI de vastgoedwereld sneller en betrouwbaarder

AI in de vastgoedwereld
4,4 min readBy Published On: 7 januari 2022

Met behulp van Artificial Intelligence (AI) maken wij de Nederlandse vastgoedsector betrouwbaarder en sneller. Datascientist Marlies Buijs vertelde onlangs aan het Financieel Dagblad hoe we dat doen.

Marlies Buijs

Marlies Buijs

Vastgoedontwikkelaars maken steeds meer gebruik van slimme AI algoritmes en modellen om beslissingen te nemen. Zo kunnen modellen helpen om de waarde van een huis te bepalen en kunnen ze helpen om de meest geschikte woningen te vinden voor een project.

Kunnen ze op dat stuk grond bijvoorbeeld beter een rijwoning of een twee-onder-een-kap woning bouwen? Een paar Data Science bedrijven in Nederland houden zich met deze vragen bezig.

Toch is het voor veel mensen een raadsel hoe deze modellen precies werken en of deze wel te vertrouwen zijn. Dit artikel zal daar hopelijk wat meer inzicht in geven.

De waarde van een woning bepalen met AI

“Als voorbeeld nemen we de Automated Valuation Models (AVM’s), voor het bepalen van de waarde van een woning”, vertelt Marlies. “Deze modellen geef je  een aantal kenmerken van een woningen mee, zoals de grootte van de woning, de voorzieningen rond de woning en de demografie van de buurt. Het model geeft je dan een verwachte waardering van de woning terug.”

Om dit nauwkeurig te kunnen doen, heeft het model data nodig. Deze data bevat dus kenmerken van de woning en de bijbehorende waarde ervan. Marlies werkt aan een AVM voor het waarderen van nieuwbouwwoningen. Dat model gebruikt data over vastgoedprojecten en bestaande bouw van de afgelopen jaren.

Marlies: “Deze worden aangevuld met data van bijvoorbeeld het CBS over de demografie, WOZ waardes, inkomens, werkgelegenheid, maar ook de nabijheid van allerlei voorzieningen (denk aan winkels, horeca, groen) en bereikbaarheid, geluidsoverlast, et cetera.”

XGBoost Regression

Er tegenwoordig zijn talloze soorten modellen te gebruiken, elk met zijn eigen voor- en nadelen. Marlies gebruikt bijvoorbeeld een XGBoost Regression in combinatie met zogenoemde Transfer Learning.

Marlies: “Met een XGBoost Regression model voorspel je huurprijzen aan de hand van geavanceerde beslisbomen. Met behulp van de hierboven beschreven dataset is onze beslisboom in elkaar gezet, dit wordt ook wel ‘trainen’ genoemd.

Hieronder zie je een voorbeeld te zien van een (zeer eenvoudige) beslisboom. Om de geschatte V.O.N (vrij op naam) prijs te weten, beantwoord je de vragen van boven naar beneden, en kom je uiteindelijk tot een waardering.”

AI in het vastgoed beslisboom

“Bij een XGBoost regressor worden meerdere beslisbomen op een geavanceerde manier gecombineerd, waardoor we een nog betrouwbaardere waardering krijgen. Elke beslisboom gebruikt net wat andere data en gebruikt een andere subset aan variabelen.

De waardering van een woning is dan een combinatie van de waardering van de afzonderlijke beslisbomen. Het idee achter het model is op zichzelf dus niet erg complex, maar door de enorme omvang ervan (XGBoost kan duizenden beslisbomen bevatten) wordt het voor mensen al snel niet meer inzichtelijk.”

Transfer Learning

“Verder weten we dat data over bestaande bouw ook zou kunnen helpen bij het bepalen van VON prijzen van nieuwbouwwoningen”, gaat Marlies verder. “Toch zijn de eigenschappen van bestaande bouw en nieuwbouw te verschillend om deze data gewoon samen te voegen.”

“Daarom gebruiken we naast XGBoost Regression ook Transfer Learning. Deze methode zorgt ervoor dat we de extra informatie uit bestaande bouw toch aan ons model kunnen toevoegen, zonder dat het zorgt voor zogenoemde ‘ruis’ in de informatie die we uit de nieuwbouwwoningen halen.”

XGBoost wordt gezien als een zogenaamd Black Box model: je stopt er iets in en er rolt wat uit, zonder dat je precies weet waarom.

“Om toch inzicht te krijgen in de effecten van de afzonderlijke variabelen op de waardering van de woning worden SHAP (SHapley Additive exPlanation) waarden gebruikt.

Dit is een techniek die we over het model heen leggen, om zo per waardering te zien hoe deze tot stand komt.

We willen namelijk dat het inzichtelijk is welke variabelen invloed hebben op de voorspelde VON-prijs.

Zo is het bijvoorbeeld mogelijk om te zien dat de supermarkt om de hoek ervoor zorgt dat de woningen ongeveer 50 euro per vierkante meter meer waard is.”

Kritische vragen bij het gebruik van datamodellen

Alhoewel AI steeds vaker wordt gebruikt, zijn niet alle modellen even betrouwbaar. Voordat je de waarderingen van een model zomaar overneemt, is het zaak om je een aantal dingen af te vragen.

Marlies: “Ten eerste, hoeveel data is er gebruikt voor het model en waar komt deze data vandaan? Pas als er hoge kwaliteit data gebruikt wordt, kan er een hoge kwaliteit waardering uit het model komen.

Ten tweede is het belangrijk te vragen naar een algehele performance van het model. Hoe goed waardeert hij de prijzen van woningen waarvan we de prijzen al weten? Zit hij hier gemiddeld 5% naast? Of misschien wel 10%? Ga na welke foutmarge je acceptabel vindt.

Ten slotte is het belangrijk te weten welke variabelen worden meegenomen in het model.

Wanneer je bijvoorbeeld de waarde van een woning vlakbij een snelweg wilt bepalen, terwijl informatie over die snelweg niet in het model verwerkt zit, kunt je je afvragen of de waardering van het model wel klopt.”

Zelf AI toepassen bij vastgoedbeslissingen?

Met onze modellen kun je de beleggingswaarde van een woning berekenen. Onze algoritmes rekenen razendsnel honderdduizenden scenario’s door en zoeken op basis van verschillende gegevensbronnen en voorspelmodellen naar de optimale balans binnen de gestelde kaders tussen jouw rendement, risico en markt fit. 

Benieuwd wat het optimale bod is voor het object dat jij in je hoofd hebt? Neem contact met ons op.

Deel deze blog met je netwerk 👉🏼

Meer lezen?

Ontvang een gratis tactisch aanvalsplan.

Bel ons vandaag nog op (010) 4047 333

Gratis consult

Geen zorgen: het is geheel vrijblijvend.