“Je zult altijd zelf moeten blijven denken”

Gepubliceerd op:

Het nieuwe specialisatievak Real Estate Analytics is vanaf september onderdeel van de Master of Science in Real Estate (MSRE)-opleiding. ASRE-docenten Jeroen Beimer (Bouwinvest), Maarten Fronik (Ortec Finance) en Gert Jan Hagen (Springco Urban Analytics) vertellen in een vraaggesprek over de essentie van deze nieuwe deelopleiding.

Vat ik het goed samen als ik zeg dat de opleiding dataspecialisten opleidt voor de vastgoedsector?
Fronik: “Ik denk dat het breder is. De opleiding toont betrokkenen in de vastgoedsector welke data er zijn en hoe zij die moeten analyseren en welke mogelijkheden er zijn.”

Beimer: “De vraag is ook: wat is je definitie van een dataspecialist? In het bigdata-vakgebied zie je heel veel verschillende functies, met veel overlap. Eén persoon kan meerdere functies vervullen. Je hebt onder andere een data-analist, een businessanalist, een datascientist. Een deel van elk van die functies komt in de opleiding terug.”

Bekijk hieronder het complete video-interview.

Hagen: “Ik vind dataspecialist te specifiek, alsof het alleen maar om data gaat. Het gaat vooral om analytics en het beoordelen van data. Volgens mij is dat het bijzondere aan deze opleiding, dat je leert data goed te beoordelen.”

De technologie waarmee je data verzamelt en analyseert is tegenwoordig ruim voor handen, artificial intelligence is gedemocratiseerd. Moet de vastgoedsector daarmee aan de slag?
Hagen: “Dat gaat automatisch. Mensen die nu van de universiteit komen hebben al veel meer techniek en kennis in huis en nemen dat mee in hun functies. Het blijkt dat dit toegevoegde waarde heeft, dus moet de vastgoedsector hiermee aan de slag. Dit gaat echt een stuk verder dan spreadsheets, het gaat om modelmatig denken. Dat is in de vastgoedsector echt geen overbodige luxe meer. Er zit wel een gevaar in, ook in die democratisering. Het moet niet zo zijn dat Jan en alleman het maar gaat toepassen, want het vereist ook deskundigheid. Dus houd dat ook voor ogen.”

Wat zijn valkuilen in de praktijk?
Hagen: “Machine learning-modellen kennen veel vraagstukken rond validiteit van uitkomsten. Je kunt er niet maar wat data in stoppen en dan komt er iets uit, je moet ook beoordelen hoe valide de uitkomst is. Vinden er controles plaats? Je werkt vaak met modellen die worden getraind, hoe verloopt dat proces precies? Worden modellen ook telkens op hun validiteit getoetst? Die deskundigheid je moet wel hebben.”

Fronik: “Bij elk model ter ondersteuning van investeringsbeslissingen moet je begrijpen hoe het model werkt. Het mag geen magische kristallen bol zijn. Je moet zelf blijven denken. Modellen ondersteunen bij het nemen van beslissingen, maar maken die beslissing nooit zelf. Dat moet je beseffen en daarvoor moet je handvatten aangereikt krijgen, hoe je modellen en uitkomsten moet interpreteren, zodat je er zelf over kunt blijven denken. ”

Bouwinvest werkt veel met modellen, hoe voorkom je dat het mis gaat?
Beimer: “Als wij een model maken nemen wij daarin een aantal variabelen mee, maar je kunt niet alle krachten in een omgeving in een model stoppen, of omzetten in data. Vooraf geven wij een inschatting van hoeveel verklarende variabelen er in het model zitten en hoeveel niet. Dat geeft al veel inzicht in de uiteindelijke uitkomsten. Dus als maar de helft van de verwachte verklarende variabelen in een model zit, moet je daarmee ook bij de interpretatie van de uitkomsten rekening houden.”

Fronik: “Een andere valkuil is wanneer specialisten die het model toelichten, een andere taal spreken dan de personen die de besluiten nemen. Er zit een grote uitdaging in die communicatie, het vertalen van uitkomsten naar gegevens op basis waarvan besluiten worden genomen. Hoe communiceer je eenduidig, zodat iedereen het begrijpt?”

Is dat de rol van de opleiding? Zorgen dat die communicatie mogelijk wordt?
Fronik: “Ik denk dat daar de toevoegde waarde van de opleiding zit, voor zowel de dataspecialist als de beslisser.”

Tegenwoordig is er veel data beschikbaar en wordt deze ook ingezet voor bijvoorbeeld locatieanalyse. Hoe werkt dat in de praktijk?
Hagen: “Door data kun je steeds beter grip krijgen op een locatie, door bijvoorbeeld de waardeontwikkeling te analyseren. Wij proberen meer grip te krijgen op het proces van gentrification. Dan zie je in de data veranderingen in migratie, stijging van het opleidingsniveau, andere bedrijven die zich er vestigen, of een plek laat een underperformance zien ten opzichte van de omgeving, terwijl er wel hogeropgeleiden instromen. Allemaal signalen waarmee je grip krijgt op een plek en ook een schatting kunt maken van de potentie.”

Beimer: “Het voordeel van locatie-analyse, als je met een GIS-applicatie aan de slag gaat, is dat je zelf je gebied kunt inkaderen. Als je vanuit het CBS een download doet, ben je gebonden aan wijken, buurten of gemeenten. Als je dat met een GIS-applicatie doet, kun je een vierkantje trekken om het gebied waarover je gegevens wilt hebben. Dat biedt soms veel meer inzicht dan wanneer je administratieve eenheden als basis neemt.”

Fronik: “Er komt ook steeds méér data beschikbaar. Afhankelijk van welk model je gebruikt, kun je zoveel variabelen toevoegen als je wilt, zolang die je model beter maken. Ook de overheid stelt steeds meer data beschikbaar, denk aan funderingsgegevens. Daarmee komt steeds meer data beschikbaar voor bijvoorbeeld locatieanalyse en het maken van betere afwegingen.”

Kun je zo maar alle data gebruiken, waarop je de hand kan leggen?
Hagen: “Het moet natuurlijk wel voldoen aan de wetgeving. Als mensen toestemming geven, kun je data gebruiken. Wat nu binnen bereik komt, is het gebruik van sociale media. Je kunt alles real time opvangen, zolang mensen hun locatiegegevens meesturen. Daardoor kun je uit socialmedia-berichten een actueel beeld schetsen van een bepaalde plek. Of we daar veel aan gaan hebben, weet ik niet. Maar het is wel boeiend om te zien dat het binnen bereik komt.”

Gebruiken jullie dat ook, Jeroen?
Beimer: “Ja, indirect. Het tellen van passanten in een winkelstraat is ook een mooi voorbeeld. Dat kun je met camera’s doen en real time kijken hoeveel mensen er door een straat lopen. Maar wat ga je daar uiteindelijk mee doen? Ga je dat publiceren, en op welk niveau? Ga je het aggregeren naar een weekcijfer? Dan voldoe je aan de AVG. Maar zeg je: ‘Jantje, Pietje en Klaasje waren hier gisteren om drie uur’, dan is dat een ander verhaal.”

Fronik: “In de opleiding wordt daarbij stilgestaan. Bij het gebruik van data via sociale media kom je al vrij snel bij een ethische grens, waarbij risico ontstaat op reputatieschade. Er is specifieke wetgeving op van toepassing, daar moeten studenten en professionals zich van bewust zijn. Niet alleen bij eigen data, maar ook bij data die je inkoopt.”

Beimer: “En wat is de kwaliteit van die data? Op Twitter zijn ook allemaal nepaccounts actief, die fake news produceren. Als je meer data hebt, wil dat nog niet zeggen dat je meer informatie hebt. Er kan ook meer ruis inzitten, vooral bij sociale media. Hoe ga je die ruis eruit filteren en staar je je er niet blind op? Het is belangrijk dat te onderscheiden.”

Data-driven-denken raakt in zwang. Waarin verschilt dat precies van het oude spreadsheet-denken?
Hagen: “Het grote verschil is dat we van top-down naar bottom-up gaan. Als data voortdurend van onderaf worden opgebouwd en we beter weten wat mensen willen via de modellen, dan ontstaat er een andere beslisboom. We besluiten niet waar een woonwijk moet komen op basis van CBS-data, maar we laten het nu door de consument zelf zeggen. Wat wij doen is het vangnet goed organiseren waarmee wij data opvangen, structureren en omzetten in besluiten. De data komen op een andere manier in het besluitvormingstraject. Dat is het grote verschil.”

Fronik: “In een spreadsheetmodel werk je veelal met puntschattingen, die zijn heel overzichtelijk. Als je met grote hoeveelheden data werkt, gebruik je meestal algoritmes. Dan wordt de berekening minder transparant, maar wel objectiever en in theorie ook zuiverder.”

Beimer: “Bij Bouwinvest willen wij ook meer data-driven besluiten nemen. Dat wil niet zeggen dat je de mens helemaal buitensluit. Maar wij proberen meer inzicht in onze eigen portefeuille te krijgen, met meer dwarsdoorsnedes. En op basis daarvan voorspellingen te maken en die voorspellingen mee te nemen in de beslissingen. Dan kun je met scenario’s en bandbreedtes gaan werken. Dat gaat tegenwoordig niet meer in Excel.”

Leidt dat ook tot verrassende uitkomsten?
Fronik: “Bij beslisbomen met algoritmen kan er inderdaad uitkomen dat bijvoorbeeld een grotere woning een lagere waarde heeft. Ik denk dat de acceptatie van data-driven decision making afhankelijk is van de uitlegbaarheid en transparantie en inzicht in de betrouwbaarheid van een uitkomst, dat die getoetst en gemeten kan worden door backtesting of validaties. Dat is belangrijk om moderne technieken geaccepteerd te krijgen voor praktische toepassingen.”

Gaat dat ook vaker leiden tot uitkomsten die tegen je buikgevoel ingaan?
Beimer: “Dat kan, maar zolang je het kunt verklaren en uitleggen zal dat best kunnen. Zolang je maar weet wat er in het model zit en wat erin ontbreekt.”

Is automated valuation de toekomst?
Beimer: “De modellen worden steeds beter en de ontwikkelingen gaan steeds verder. Maar dan moeten er wel data zijn. Voor de woningmarkt heb je een homogeen product en betrekkelijk veel data, waardoor de uitkomsten betrouwbaar zijn. Maar bijvoorbeeld de hotelmarkt is heel heterogeen, met weinig beschikbare data. Daar wordt het een heel lastig verhaal. Bouwinvest heeft voor de woningmarkt een eigen automated valuation model ontwikkeld. Daar krijgen we wel steeds meer vertrouwen in.”

Fronik: “Er wordt meer in geïnvesteerd, er is meer data, meer organisaties zijn er mee bezig en ontwikkelen expertise. Dat zijn positieve ontwikkelingen. Ook technieken worden steeds toegankelijker, via platforms als die van Google en Amazon. Zonder al te veel voorkennis kun je al analyses maken. Dat zijn positieve ontwikkelingen voor data-analyse. Een belangrijke succesfactor is ook wet- en regelgeving. Dat is afhankelijk van de toepassing per markt. Daar zie je grote verschillen. Acceptatie in wet- en regelgeving kan een grote versnelling veroorzaken in bepaalde markten, voor de toepassing van machine learning of AVM’s.”

Hagen: “Wij hebben zelf ook een AVM ontwikkeld voor urban analytics. De waardeontwikkeling is voor ons het belangrijkste signaal voor wat waar gebeurt. Je krijgt daardoor vat op de betekenis van waterpartijen, een drukke weg, meer groen in de stad, nabijheid van een theater of de nabijheid van banen. Wij waarderen elke week opnieuw de hele Nederlandse woningvoorraad. Op basis van die nieuwe marktinformatie trainen wij ons AVM elke keer opnieuw. Dat leidt tot een continue waardekaart van heel Nederland. Die is voor ons bedrijf enorm waardevol.”

Wat kun je met zo’n waardekaart?
Hagen: “Je gaat de relaties zien tussen de waarde en de aanwezigheid van bepaalde voorzieningen. Daardoor kun je ook besluiten bepaalde voorzieningen op te nemen in plannen, 0mdat je weet dat dit de waarde verhoogt. Het is een belangrijke tool voor de vastgoedsector.”

Je ontdekt kansen, maar kun je er ook risico’s mee verkleinen?
Fronik: “Het is een aanvulling op het huidige instrumentarium voor risicobeoordeling. Of je kunt het als toetswaarde gebruiken voor bestaande modellen. Daarmee kun je je besluitvorming verbeteren. Als je het hebt over risicomanagement, dan heb je het over betrouwbaarheidsindicatie: betrouwbaarheid kwantificeren en inzichtelijk maken. Met die informatie kun je investeringsbeslissingen beter tegen elkaar afwegen.”

Beimer: “En wellicht kan het dienen als een early warning signal. Of er in een gebied, of in heel Nederland, prijzen omhooggaan, of juist naar beneden.”

Fronik: “Je kunt denken aan prijsveranderingen, maar je kunt ook kijken naar hypotheekportefeuilles, welke hypotheken onder of boven water staan. Kan ik als financiële instelling proactief contact opnemen met mijn klant en daarmee mijn dienstverlening verdiepen en verbreden? Er zijn op allerlei gebieden toepassingen mogelijk.”

Wie zijn Beimer, Fronik en Hagen?

Jeroen Beimer is vastgoedbeleggingsstrateeg bij Bouwinvest, Maarten Fronik is managing director Real Estate Valuation bij Ortec Finance en Gert Jan Hagen is oprichter en directeur van Springco Urban Analytics.

Meer informatie?
Wil je meer weten over de MSRE-deelopleiding Real Estate Analytics, kijk dan op de opleidingspagina.

Deel deze post: