Het voorspellen van gedrag en voorkeuren van mensen kan een grote bijdrage leveren aan de besluitvorming welke voorzieningen er op bepaalde plekken in steden en dorpen moeten zijn. Door de sterk toegenomen rekenkracht van computers kan met behulp van de nieuwste datatechnieken de vraag naar die voorzieningen vastgesteld worden.
De insteek bij ons is de mens, niet het vastgoed’, zegt Gert Jan Hagen, een van de oprichters van Springco|Urban Analytics. Wij kunnen voorspellen waar mensen willen wonen en hoe ze willen werken. Met de grote hoeveelheden data die ons ter beschikking staan, kan ook de vraag bepaald worden naar bijvoorbeeld zwembaden, kinderdagverblijven, zorg, sport en theaters. Als wij de vraag in beeld hebben, kunnen wij ook vaststellen waar die vraag geografisch zit. Daarmee wordt de link met het vastgoed gelegd. Maar het begint altijd bij de mens.’
Verschillende databronnen
‘Voor het vaststellen van die vraag, maken wij gebruik van vijf databronnen’, aldus Gert Jan Hagen. De eerste bestaat uit open databronnen, zoals de Basisregistratie Adressen en Gebouwenregister (BAG-register) en onder meer het CBS. De tweede bron bestaat uit een consumentendatabase met huishoudensprofielen op adresniveau. Deze data, gebaseerd op feitelijk consumentengedrag, kopen wij in van derden. De derde bron bestaat uit gegevens die wij zelf verzamelen middels enquêtes. Zo hebben wij recent een grootschalig onderzoek uitgevoerd naar de woon- en leefambities van de bevolking van Zuid-Holland onder 50.000 inwoners. Door de schaal van dit onderzoek kunnen wij de uitkomsten goed vertalen naar andere delen van Nederland. De vierde bron zijn de data bij onze klanten. Wanneer een klant een vraag aan ons stelt, wordt het antwoord beter als wij de interne databronnen bij de klant kunnen koppelen aan de databronnen die ons ter beschikking staan. De laatste databron, en een niet onbelangrijke in de wereld van het vastgoed, zijn de transactiedata uit de vastgoedmarkt, maar ook data over de locatie, omvang en aard van maatschappelijke voorzieningen.’
Privacygevoelige informatie
‘Privacygevoelige informatie is een altijd terugkerend thema bij de opdrachten die wij krijgen’, zegt Gert Jan Hagen. Deze informatie zetten wij om naar privacyongevoelige informatie, een proces ook wel aangeduid met ‘pseudonimiseren’ en ‘anonimiseren’. Daar bestaan bepaalde technieken voor. Hierdoor kunnen wij wel databestanden koppelen op persoonsniveau, maar zijn door ons de individuele persoonsgegevens niet meer te achterhalen. Dat is voor onze analyse van groot belang.
Data-analyse met moderne technieken
‘Voor het analyseren van de data uit onze databronnen maken wij gebruik van data scientists’, vertelt Gert Jan Hagen. ‘Op dit moment hebben wij er vijf in dienst. Zij schonen databestanden op, zodat deze goed te gebruiken zijn bij de analyse. Vervolgens verwerken zij deze grote hoeveelheden data met behulp van de nieuwste datatechnieken. Bekend in deze zijn termen als ‘machine learning’ en ‘algoritmen’. Met behulp van onze databronnen worden patronen in het feitelijke gedrag van mensen gezocht. Op basis daarvan wordt de latente vraag en het toekomstig gedrag van mensen voorspeld. Daarmee helpen we onze klanten om op een statistisch verantwoorde manier ontwikkelingen in een vroeg stadium te signaleren om daar tijdig op in te spelen.’
Vraag naar zwembaden in Amsterdam
‘Een leuke oefening voor ons was het vaststellen van de latente vraag naar zwembaden in Amsterdam’, zegt Gert Jan Hagen. Het bepalen wáár in de stad zwemmers zitten die gebruik kunnen gaan maken van het zwembad in de buurt. Een belangrijke input voor deze oefening was een uitgebreide landelijke enquête over sportactiviteiten naar type mens (geslacht, leeftijd, opleiding, inkomen). Deze informatie koppelen wij aan onze databronnen. Dat stelt ons in staat vast te stellen waar potentiële zwemmers wonen. Op basis van onze databases kunnen wij ook verzorgingsgebieden van zwembaden berekenen. De combinatie levert een beeld op van het langetermijnperspectief van een zwembad. Is de ligging goed? Wordt het volle potentieel van het verzorgingsgebied benut? Op basis van feiten en (werkelijk) gedrag van mensen bouwen we een beeld op van de kansrijkheid van bepaalde voorzieningen. Dat geeft waardevolle input bij de exploitatie van een zwembad, maar ook bij investeringsbeslissingen. Wat zijn de kansen van een bestaand zwembad? Wat is de optimale locatie van een nieuw zwembad? Vervang ‘zwembad’ door bijvoorbeeld ‘theater’, dan kan zo’n zelfde analyse gemaakt worden met behulp van eerder genoemde databases en moderne datatechnieken. De besluitvorming ten aanzien van maatschappelijk vastgoed zal kwalitatief beter worden, doordat daarvoor nu meer feiten gebruikt kunnen worden dan eerder mogelijk was.’
| Krachtenbundeling gemeenten ‘Gemeenten hebben vergelijkbare vragen als het aankomt op de vele maatschappelijke voorzieningen die zij binnen de gemeentegrenzen hebben’, stelt Gert Jan Hagen. ‘Op het moment dat gemeenten de krachten bundelen, kunnen zij belangrijke schaalvoordelen realiseren bij het onderzoek naar de vraag naar die voorzieningen. Zo ontstaan eigentijdse kengetallen over het gevraagde voorzieningenniveau. Per gemeente of bijvoorbeeld per nieuwbouwwijk kan dan een dashboard gemaakt worden met daarin de voor die gemeente relevante gegevens omtrent de benodigde maatschappelijk voorzieningen. Benchmarking aan een landelijk of regionaal gemiddelde kan daar ook onderdeel van uitmaken. Als zo’n tien gemeenten de krachten bundelen, dan kunnen wij samen met hen letterlijk in beeld brengen of de voorzieningen kwantitatief en kwalitatief aansluiten op de vraag in die gemeente.’ Indien u interesse heeft om hieraan mee te doen, neem dat contact op met Gert Jan Hagen van Springco|Urban Analytics. |