• Home
• Nieuws

Luc Linders (Masterstudent Universiteit van Maastricht): Leegstand bij woningcorporaties voorspellen op basis van data

Geplaatst door CorporatieMedia op Wednesday 1 May 2019

Leegstand tot een minimum beperken om hoge dervingskosten zoveel mogelijk te voorkomen. Een heldere opgave, maar hoe doe je dit als corporatie? CorporatieGids.nl ging daarover in gesprek met Luc Linders, Masterstudent Data Science for Decision Making aan de Universiteit van Maastricht, die in opdracht van PWCo onderzoek doet naar het gebruik van data om leegstand te voorspellen.

“In mijn onderzoek wil ik twee dingen vaststellen,” begint Luc. “Ten eerste of het überhaupt mogelijk is leegstand te voorspellen aan de hand van beschikbare data. Daarnaast wil ik kijken welke data het maken van voorspellingen mogelijk maakt. Uiteindelijk moet dit leiden tot een proof of concept die samen met Ponthus Wolfs Consultancy (PWCo) wordt ontwikkeld.”

Sturen op leegstand
Voor het onderzoek maakt Luc gebruik van verschillende modellen om te voorspellen. Deze informatie kunnen corporaties vervolgens gebruiken als sturing: “Zowel op strategisch, tactisch als operationeel niveau. Op het moment dat een huurder aankondigt dat hij of zij gaat verhuizen, kan de woning geanalyseerd worden door het voorspellingsmodel en dit leidt tot een plan van aanpak. Wanneer uit de voorspelling blijkt dat een woning drie dagen leeg zou komen, moeten er namelijk andere maatregelen genomen worden dan wanneer de woning drie maanden leeg komt te staan.”

Limburgse corporaties
Bij zijn onderzoek werkt Luc samen met Servatius, Woonpunt, Maasvallei en Thuis in Limburg. Op de vraag hoe representatief de Limburgse corporaties zijn voor de rest van het land, vertelt hij: “Lokale accenten hebben zeker invloed op de leegstand: een voorspelling in Maastricht zal daarom anders zijn dan in Amsterdam. Maar dat betekent niet dat het model alleen voor deze regio geschikt is. Het is juist de interpretatie van de voorspellingen die per gebied kunnen afwijken. Als je daar rekening mee houdt, moet een model voor iedere corporatie duidelijkheid kunnen scheppen.”

Verbanden leggen
Luc plaats daarbij wel een kanttekening: “Een voorspelling is geen feit, en daarom is het nooit zeker dat een voorspelling ook honderd procent correct zal zijn. Er is altijd een bepaalde onzekerheid aan voorspellingen gekoppeld, onafhankelijk van de data. Daarnaast zit er bij leegstand een menselijk aspect wat niet in data terugkomt. Twee identieke panden kunnen een verschillende tijd leegstaan door onverwachte of onbekende factoren die je niet terug kunt vinden.”

Op de vraag wat voor soort data gebruikt wordt om leegstand toch te voorspellen, zegt Luc: “Mijn onderzoek richt zich op alle mogelijke data van de deelnemende corporaties en of er verbanden gelegd kunnen worden die niet voor de hand liggen. Daarbij kijk ik onder andere naar verbanden tussen het type woning, wijk of buurt, het aantal dagen leegstand, het aantal publicaties of weigeringen van woningen, wat de voorkeur in een buurt is en het aantal uitgevoerde reparaties.”

Veel data
Ook belangrijk naast het soort data, is de hoeveelheid data. “Om goede voorspellingen te kunnen maken, zullen verschillende factoren van een vhe vastgelegd moeten worden omdat de leegstand afhangt van een combinatie van variabelen. Het vinden van de onderlinge verbanden is een aspect waarbij wiskunde en rekenkracht van een computer meer impact zullen hebben op een voorspelling dan enkel de intuïtie van een medewerker. Het gaat hierbij dus niet alleen om verhuurgegevens, maar ook klantgegevens, data over leefbaarheid en alle beschikbare gegevens over onderhoud. Corporaties hebben deze data vaak voorhanden, waarbij de kwaliteit van de data natuurlijk van doorslaggevende waarde is.”

Op dit moment kijkt Luc ook of open data gebruikt kan worden bij het maken van de voorspellingen. “Het lastige hierbij is het linken van de open data aan de gegevens van de corporaties zelf, aangezien deze niet op elkaar afgestemd zijn.”

Leefbaarheid en overlast
Het gebruik van data mining en predictive analytics bij corporaties is redelijk nieuw, maar volgens Luc zeker geschikt om meer dan alleen leegstand te voorspellen. “Deze technieken kunnen in combinatie met Business Intelligence gebruikt worden als sturingsinstrument voor de realisatie van de strategie en beoogde resultaten van een corporatie. De techniek draagt bij aan het vinden van verbanden binnen de data waar de corporaties zelf nog niet van op de hoogte zijn. Onderdelen als leefbaarheid en overlast, onderhoud en woningtoewijzing zijn enkele voorbeelden die hierdoor zeker verbeterd kunnen worden.”

Eind juni
Deze zomer wil Luc het onderzoek naar leegstand bij woningcorporaties afronden. “Het resultaat is dan een proof of concept of een uitleg dat het voorspellen van leegstand in de praktijk niet mogelijk is. Op dit moment ben ik vooral bezig met het opschonen en ordenen van de verkregen data, en probeer ik diverse modellen uit. Eind juni hoop ik de resultaten te kunnen presenteren.”

Bron: CorporatieMedia | Foto: PWCo en Luc Linders