De datagedreven Woningcorporatie

De Woningmarkt 

De Nederlandse bevolking zal naar verwachting de komende decennia blijven groeien, tot bijna 19,6 miljoen inwoners in 2060. In 2024 bereikt het inwonertal naar verwachting de 18 miljoen, in 2039 de 19 miljoen. In 2040 zal het aantal personen van 80 jaar en ouder verdubbeld zijn in vergelijking met nu. Dat blijkt uit de nieuwe bevolkingsprognose van het CBS. Ook dwingt de toenemende druk op de woningmarkt in de grote steden steeds meer mensen naar de buitenwijken en aanliggende gemeenten. De Rijksoverheid streeft naar het bijbouwen van jaarlijks 75.000 woningen, maar het aantal nieuwbouwvergunningen is hier de afgelopen jaren nog nooit in de buurt gekomen. Daarnaast hebben bouwbedrijven niet de capaciteit die ze nodig hebben om deze huizen te bouwen. Door de aanhoudende schaarste aan woningen en de sterk gestegen bouwkosten zullen de huizenprijzen naar nog hogere niveaus stijgen, wat de betaalbaarheid van woningen extra onder druk zal zetten. 

De maatschappij verandert dus en daarom moet de corporatiesector blijven ontwikkelen, vernieuwen en innoveren. De bestaansreden van corporaties is en blijft de verantwoordelijkheid voor kwalitatief goede huisvesting van mensen die door hun inkomen of andere omstandigheden moeilijk adequate en betaalbare huisvesting kunnen vinden. Die kerntaak zorgt voor stabiliteit in de samenleving. Met onder andere de verhuurderheffing en de introductie van de (vennootschaps)belasting voor corporaties heeft de overheid een forse extra lastenverhoging voor de verhuurders geïntroduceerd. Deze legt een (grote) druk op de verdiencapaciteit van corporaties. Deze heffingen gaan ten koste van de beschikbaarheid, de kwaliteit, de duurzaamheid en/of de betaalbaarheid van het woningbezit van de corporaties. 

 

Data Science & Woningcorporaties 

Beschikbaarheid van kwalitatief goede en betaalbare huisvesting is bij alle corporaties een zeer belangrijk speerpunt. Data Science Lab ziet een aantal interessante gebieden en onderwerpen waar data science een significante bijdrage kan leveren. Denk hierbij aan onderwerpen op het gebied van onderhoud, duurzaamheid, kwaliteit van de dienstverlening en klanttevredenheid, automatisering en optimalisatie van processen en financiën. In dit artikel bespreken wij welke toegevoegde waarde data science kan hebben binnen de wereld van corporaties op bovengenoemde onderwerpen. 

 

Onderhoud en Assetmanagement 

De instandhoudingskosten van een woning zijn onderverdeeld in een aantal aspecten; 

  • correctief onderhoud (voortkomend uit reparatieverzoeken); 
  • periodiek gepland onderhoud (ook wel het meerjaren onderhoudsplan MJOP); 
  • mutatieonderhoud (bij wisseling van huurders). 

Hier komen direct een aantal interessante vraagstukken bovendrijven waar data science een rol in kan spelen. 

  • Ligt er een verband tussen reparatieverzoeken, klachten, type onderhoud en betaalgedrag van huurders? 
  • Wordt er efficiënt onderhoud gepleegd? Had een geoptimaliseerd MJOP kosten kunnen besparen? 
  • Kunnen we voorspellen wanneer een asset onderhoud nodig heeft aan de hand van o.a. historische gegevens, type huurder of het weer? 
  • Een accurate voorspelling van onderhoud heeft als gevolg dat een MJOP kan worden geoptimaliseerd. 
  • Het aantal reparatieverzoeken zal afnemen als er op het juiste moment onderhoud wordt gepleegd, wat resulteert in (meer) tevreden huurders. 
  • De bezetting van de eigen of extern ingehuurde technische dienst kan specifiek op basis van de voorspelling ingepland worden. 
  • Analyse op hoeveel rendement de corporatie kan behalen door zonnepanelen te plaatsen. Met behulp van data science kun je analyseren welke gebouwen de hoogste prioriteit hebben om hiervoor in aanmerking komen en op welke termijn het rendement behaald kan worden. 
  • Classificeren van veel voorkomende (technische) problemen per regio, buurt, wijk, gezinssamenstelling, etc. 

 

Klantcommunicatie 

Gemiddeld krijgen de woningcorporaties een 7,6 van hun huurders als het gaat om de ervaren kwaliteit van de woning (bron: Aedes). Er stromen veel verzoeken binnen en ook veel klachten. Wanneer een huurder/klant problemen ondervindt in de woning, is het van belang dat dit z.s.m. verholpen wordt zonder al te veel overlast voor de bewoner. Klantcommunicatie is hier essentieel, de klant wil dat zijn problemen in de woning serieus worden genomen. Data science kan hier een ondersteunende functie vervullen, bijvoorbeeld door e-mails automatisch door te sturen naar de juiste personen binnen de organisatie om zo processen te versnellen. Daarnaast zijn er mogelijkheden tot het ontlasten van de klantenservice waardoor de kwaliteit van service verbeterd kan worden. Bijvoorbeeld door het implementeren van een chatbot op de website welke eenvoudige vragen kan afvangen en de klant duidelijk, snel en laagdrempelig van hulp kan voorzien. Een ander interessant verschijnsel, wat onder meer wordt toegepast in call centers en ziekenhuizen, is ‘wachtrij optimalisatie’. Dit houdt in dat voor ieder tijdslot van de dag het optimale aantal klantenservice medewerkers/verpleegsters wordt bepaald om aan een bepaald level van service te kunnen voldoen. De corporatie kan op die manier aan de hand van historische gegevens van de klantenservice het optimale aantal klantenservice collega’s bepalen voor ieder moment van de dag. 

Naast dit alles biedt data science de mogelijkheid klantcontact te analyseren om beter te leren begrijpen waar de pijnpunten binnen de corporatie zitten ten opzichte van de klant/huurder. Zo kunnen e-mails, contactformulieren & sociale media berichten met behulp van Natural Language Processing (NLP) omgezet worden naar gestructureerde data welke vervolgens bruikbaar is voor vervolganalyses. Voorbeeld hiervan is het identificeren van klanten waar klachten kunnen ontstaan en hier preventief op handelen. Eventueel kunnen sociale media berichten (Facebook, Instagram, Twitter, etc.) hier ook in meegenomen worden. 

 

Customer experience 

Er is een grote overlap tussen de klantcommunicatie en customer experience (CX). Waar bijvoorbeeld een chatbot op de website van een corporatie een klant al een fijne ervaring kan geven, zijn er nog meer mogelijkheden waarbij data science een bijdrage kan leveren. Historische zoekgegevens, bezoekersgedrag op de website en zoekprofielen kunnen allemaal gebruikt worden om een (mogelijke) huurder te helpen bij het zoeken. Met behulp van opgegeven voorkeuren, zoals leeftijd, gezinssituatie en woonwensen kan een algoritme worden gemaakt dat binnen de corporatie zoekt naar een geschikte woonruimte. Een dergelijke algoritme kan geïmplementeerd worden in een ‘woning-kies-compas’ en geïntegreerd worden in de website van de organisatie. De bezoeker van de website doorloopt dan op een natuurlijke (speelse) wijze een aantal stappen waarin hij zijn of haar situatie aangeeft, met als resultaat een gepersonaliseerd woningaanbod. 

 

Optimalisatie van processen 

Elke corporatie kent een aantal processen die bestaan uit steeds terugkerende werkzaamheden. Denk binnen de woningcorporaties aan de afhandeling van huurcontracten, het identificeren van nieuwe verhuurmogelijkheden of het verzamelen van externe informatie over wat de rest van de wereld over de woningcorporatie te zeggen heeft. Een groot aantal processen zijn reeds geautomatiseerd door de corporatie of kunnen relatief eenvoudig geautomatiseerd worden. Voor andere processen blijft er altijd een component waarbij menselijke tussenkomst benodigd is. Data Science professionals kunnen in dat soort situaties een oplossing bedenken waarbij deze steeds herhalende taak vertaald kan worden in een automatisch proces. Dit noemen wij Robotic Process Automation (RPA) m.b.v. AI componenten in plaats van “normale” proces automatisering. Het gevolg is dat de medewerkers zich minder met deze repeterende taken bezig hoeven te houden en zich juist kunnen richten op het persoonlijke aspect van het werk, zoals bijvoorbeeld persoonlijk contact met de huurder of andere stakeholders. 

Een andere toepassing zou bijvoorbeeld kunnen zijn om alle standaard taken die komen kijken bij het tot stand brengen van een nieuw contract te automatiseren. Met behulp van Natural Language Processing (NLP) technieken kunnen wij de juiste informatie uit stukken tekst filteren en deze informatie gebruiken om het ERP-systeem te vullen. 

Ten slotte kunnen er diverse bronsystemen aan elkaar gekoppeld worden, om zo na de juiste voorbewerking van deze data automatisch een periodiek (of real-time) dashboard te vullen. In zo’n dashboard is bijvoorbeeld te zien wat de NPS (net promoter score) van de organisatie is, hoeveel leegstand of nieuwe contracten er zijn of wat de kosten voor onderhoud zijn. Dit dashboard kan fungeren als input voor de wekelijkse of maandelijkse bijeenkomsten binnen de organisatie. 

 

Kwaliteit 

We zien ook in de wereld van de corporaties de ontwikkeling naar een meer data gedreven organisatie ontstaan waar men meer data-gedreven keuzes durft te gaan maken. Vereiste hiervoor is natuurlijk dat de data welke wordt opgeslagen in de eigen datawarehouses correct en kwalitatief goed is. Een voordeel van het opstarten van verschillende data science projecten is dat kansen en verbeterpotentieel, wat betreft het opslaan en bewaren van data, snel aan het licht komen. Dit geldt met name als het gaat om corporaties die nog aan het begin van dit avontuur staan. 

Uit onze ervaringen blijkt dat zelfs een korte Quick Scan van de corporatie op het gebied van data al heel veel winst kan opleveren. Bij zo’n scan gaan onze data science professionals in een korte periode door de organisatie heen om een goed beeld te schetsen van de inrichting van bijvoorbeeld bronsystemen of datawarehouses. Hieruit volgen verschillende bevindingen over de huidige vorm en staat van de data en vanuit deze bevindingen volgt een reeks adviezen om de volgende stap richting een data gedreven corporatie te zetten. 

 

Financieel 

Welke uitgaven moeten nu gedaan worden en welke kunnen worden uitgesteld? Sommige specifieke complexen vragen om een vervanging van de Cv-installatie, maar andere complexen hebben casco-onderhoud nodig. Dergelijke vraagstukken spelen continu binnen afdelingen van elke woningcorporatie die verantwoordelijk zijn voor onderhoud, beheer of financiën. 

Waar sommige woningcorporaties al iets verder zijn in het data-gedreven werken, is een SPEND-analyse voor een aantal corporaties een goede eerste stap om gesteund door data financiële beslissingen te gaan maken. In realiteit is 100% bewustzijn en inzicht in het verleden en het heden bij veel corporaties nog niet aanwezig. En al klinkt het voorspellen van uitgaven nog zo goed, dit alles begint bij weten wat er tot nu toe is gebeurd alvorens deze volgende stap in data gedreven werken kan worden genomen. De eerdergenoemde mogelijkheden zoals het voorspellen van onderhoud, het optimaliseren van het MJOP en het voorspellen van klachten bieden extra informatie betreft toekomstige gebeurtenissen. Deze informatie kan ondersteuning bieden bij het maken van beslissingen over te maken uitgaven. 

Vanzelfsprekend kunnen uitgaven niet gedaan worden zonder inkomsten. In navolging van het voorspellen van te maken uitgaven kan hetzelfde gedaan worden op het gebied van inkomsten. Op basis van historische data kunnen voorspelmodellen ontwikkeld worden welke het betaalgedrag van huurders beter kunnen voorspellen. Dit is iets wat wij steeds meer toegepast zien worden. Deze informatie kan een extra zekerheid bieden op financieel gebied. In navolging hiervan zijn er op eenzelfde wijze mogelijkheden tot het toepassen van (voorspel)modellen voor huisuitzettingen en detectie algoritmes voor risicogedrag. Deze technieken worden onder andere toegepast bij bedrijven als Airbnb, Booking.com & Facebook. In navolging van dergelijke grote multinationals zien wij dergelijke toepassingen ook langzamerhand verschuiven richting kleinschalige organisaties. Hierbij kan deze informatie gebruikt worden om preventief te handelen. 

Daarnaast hebben wij ook ervaring opgedaan in diverse projecten met het ontwikkelen van automatische factuur herkenningssystemen. Dergelijke tooling kan het betalingsproces vereenvoudigen waar een medeweker nog enkel een korte check dient uit te voeren. Alhoewel wij, zoals onze bedrijfsnaam doet vermoeden, een groot voorstander zijn van data science initiatieven raden wij het maken van automatische beslissen a.d.h.v. data zonder menselijke controle vrijwel altijd af! Genoemde technieken zijn er om menselijk werk te versnellen en verbeteren, volledig vervangen is veelal nog te risicovol. 

Wij zien bij diverse woningcorporaties de wens en beweging richting data gestuurd werken. De ene woningcorporatie is hierin wat verder dan de andere. Waar sommige organisaties nog focussen op het in orde brengen van de infrastructuur hebben andere dit al achter de rug. Er zijn corporaties die zich, na het kunnen sturen op data uit het verleden, nu willen oriënteren op het gebied van AI en machine learning, terwijl dit voor andere juist nog toekomstperspectief is. Ongeacht waar een woningcorporatie zich exact in dit spectrum bevindt, zien wij voldoende kansen en mogelijkheden om de corporatie in kleine stappen wegwijs te maken in de wereld van data science. 

Wij hebben hierbij de visie dat elke organisatie, groot of klein, data expertise kan benutten om haar positie te behouden of zelfs te vergroten. Mocht deze visie en dit artikel de interesse hebben gewekt, komen wij graag in contact om vrijblijvend te bekijken hoe wij samen de data-gedreven doelstellingen kunnen verwezenlijken.