Supervised machine learning helpt gemeenten met WOZ

GeoPhy begon in 2014 in een garage in Delft, maar inmiddels hebben ze vestigingen in Litouwen, New York en Singapore. Hoe komen ze nu dan weer bij Nederlandse gemeenten terecht?

GeoPhy gebruikt de nieuwste technieken voor waardebepalingen van commercieel vastgoed. Technisch gezien is het geen start-up maar een scale-up: ‘We weten nu hoe het werkt, de volgende stap is uitbreiden’, zegt Lorenzo Dorigo, hoofd Business Development voor Europa. 

Wat deden jullie voor de Drechtsteden?

Dorigo: ‘Hoewel ze een hele gemotiveerde club hebben voor het waarderen van huizen, kregen ze maar drie van de vijf sterren van de Waarderingskamer. Daar baalden ze van. Ze belden mij, vertelden mij de situatie en of we een pilot konden doen.

Met behulp van supervised machine learning en big data hebben we een model ontwikkeld waarmee we de 109.000 woningen in de Drechtsteden taxeerden. Samen met de Waarderingskamer en de Vereniging van Nederlandse Gemeenten hebben we de pilot geëvalueerd en iedereen was enthousiast. Dit kunnen we voor elke gemeente doen.’

Wat was er mis met de beoordeling van de Drechtsteden?

‘Het opvallende is, en dat bleek toen we bekeken hoe nauwkeurig hun taxaties waren in vergelijking met de transacties, dat ze het helemaal niet slecht deden. Volgens MSCI, dat wereldwijd de taxatiewaarden met verkoopprijzen vergelijkt, is een afwijking van 11 procent normaal in Nederland. De Drechtsteden zaten tussen de 9 en 10 procent en scoorden dus beter dan verwacht.’

Waarom gaf de Waarderingskamer dan maar drie sterren?

‘De Waarderingskamer kijkt behalve naar de uitkomsten ook naar de kwaliteit van de data die je invoert en de processen die je uitvoert. De normen zijn gebaseerd op de stand van de technologie zoals die nu wordt toegepast, maar nog niet op de stand van onze technologie. Ons model scoorde onder de 9 procent en zit inmiddels onder de 6.’

Waarin verschilt jullie technologie met wat we nu hebben?

‘Bij traditionele taxaties gaat een taxateur in een wijk naar andere verkopen kijken. Het ene gebouw is wat ouder, een andere is beter gelegen, en zo kwam er een gemiddelde meterprijs uit. De meer datagedreven aanpak die de Drechtsteden gebruikten, kijkt naar de correlatie van verschillende kenmerken. Onze benadering met het herkennen van complexe patronen gaat weer een stap verder.

We kijken naar het object zelf - het bouwjaar, de oppervlakte, het aantal kamers, enzovoort – maar we kijken ook op hyperlokaal niveau. Per adres weten we de precieze lengte- en breedtegraad en met behulp van algoritmen bepalen bij welke voorzieningen een bewoner kan komen als die bijvoorbeeld 15 minuten loopt of 5 minuten autorijdt. En de derde groep van data komt uit de markt. De economische groei, werkgelegenheid, criminaliteitscijfers, dat soort dingen. Die data halen we naar ons toe en testen we.’

Het voor de hand liggende bezwaar is dat er geen mens aan te pas komt. Is er geen gevaar van automatische beslissingsvorming?

‘Het is supervised machine learning, geen black box. We maken er geen wedstrijd van om zo veel mogelijk data erin te krijgen. We selecteren vijftig tot honderd factoren en die kunnen we afzonderlijk bekijken, ook op individueel niveau.

Wat we ook kunnen, is referenties selecteren. Dat scheelt taxateurs weer een paar uur. En dat werk is dodelijk saai natuurlijk.’