Predictive Modeling levert belangrijke inzichten over leegstand

Predictive Modeling levert belangrijke inzichten over leegstand

Met de input van diverse woningcorporaties deed PWCo onlangs onderzoek naar leegstand. De resultaten zijn positief en zelfs zeer veelbelovend voor de toekomst. Want we kunnen nu vaak met maar liefst 80% zekerheid voorspellen wat de leegstandsduur zal zijn van een bepaalde eenheid. Het onderzoek wordt nog vervolgd om regionale verschillen in de voorspelling te begrijpen en verbeteren, maar hoe dan ook is dit voor elke woningcorporatie natuurlijk belangrijke informatie. Op een bijeenkomst op 30 januari worden de deelnemende Limburgse corporaties bijgepraat over die onderzoeksresultaten. Dat was de deal: zij leveren data, wij leveren inzichten waar ze wat aan hebben. 

Want wat betekent dat, als je met steeds meer zekerheid leegstand kunt voorspellen in bepaalde panden? Luc Wolfs van PWCo: “Als woningcorporatie krijg je hiermee inzichten op basis waarvan je kunt besluiten of het verstandig is om actie te ondernemen om de leegstandsduur te verkorten. Ook zullen er veel minder onaangename verrassingen zijn van onverwachte leegstand, omdat we door middel van data voorspellingen kunnen doen. Daarmee kun je als woningcorporatie dus beter sturen. En dat gaat je uiteindelijk een hoop kosten schelen.”

 

Voorspellingen

PWCo ondersteunt woningcorporaties bij de uitdagingen op het gebied van bedrijfsvoering en Business Intelligence (BI) en optimaliseert bedrijfsprocessen. We bekeken bij dit onderzoek de gegevens rondom de opzegging van het huurcontract (wie, wat, waar, wanneer en hoe lang). We gingen de uitdaging aan om met behulp van kenmerken van de eenheid in kwestie, zoals huurprijs, buurt, het aantal kamers, het energielabel, etc, de duur van de leegstand te voorspellen. We gebruiken verschillende machine learning algortimen en statische modellen, ook wel Predictive Modeling genoemd, om de toekomstige leegstand van een pand te berekenen. Omdat deze berekende waardes altijd enige mate van onzekerheid bevatten, wordt de term voorspelling gebruikt om de resultaten van het model te communiceren. Het model ‘leert’ welke input van gegevens leidt tot welke output. We maakten in dit geval een model dat het ‘aantal dagen leeg’ moest berekenen aan de hand van de kenmerken van een pand, zoals ligging, huurprijs en wat voor soort pand het is (tussenwoning, studio, etc.). Zo kregen we inzicht in welke panden in de toekomst mogelijk langer zullen leegstaan dan wenselijk en waar het dus voor een corporatie voor loont om er extra aandacht aan te besteden. Vrijwel alles is in bepaalde mate voorspelbaar op basis van de juiste data. 

PWCo is blij met de resultaten van het onderzoek. Luc Wolfs: “Nu zijn wij aan de beurt om onze gegevens te delen met de deelnemers aan het onderzoek. Maar wat daarnaast nog interessant is: uit de interviews, die we ook gevoerd hebben, bleek dat er nog andere vragen en problemen spelen waar op dit moment nog geen oplossingen voor zijn. En als dit onderzoek naar leegstand zoveel oplevert, dan opent dat perspectieven voor andere vervolgonderzoeken waarbij Predictive Modeling kan worden ingezet. We gaan hier zeker mee verder.”

Wordt vervolgd dus. Woningcorporaties die aan onze onderzoeken meedoen, leveren data en worden vervolgens door ons ingelicht over de altijd interessante uitkomsten, waarmee zij dan hun voordeel kunnen doen.

Meer weten?

Heb je interesse in deelname aan onderzoeken van PWCo en/of het bijwonen van de presentaties van de resultaten op het gebied van de woningmarkt, leegstand, onderhoudskosten en meer? Neem contact op met Luc Wolfs van PWCo: L.wolfs@pwco.nl