Marketing en verkoop
Vastgoedwaardering met machine learning
Waarom kiezen tussen de machine en de expert als u beide kunt hebben?
Om de vertrouwelijkheid te beschermen, kunnen we specifieke details aanpassen. Onze belangrijkste bijdrage geven we altijd correct weer.
Context & doelstellingen
Een toonaangevende vastgoeddienstverlener liet commerciële kansen met hoge marges liggen. Voor de waardering van te verkopen en te verhuren panden vertrouwde het bedrijf nog vooral op menselijk buikgevoel.
De bestaande tool registreerde transactiebedragen, maar bood nauwelijks aanbevelingen of waardebepalingen. Ook de datakwaliteit bleef een probleem.
Daarom ontwikkelden we een waarderingssysteem op maat.
Aanpak
De basis van het project was het opschonen en uniform maken van de databanken met panden en transacties.
Daarna verwerkten we bedrijfskennis in de tool via feature engineering en namen we de prijscriteria van vastgoedexperts op.
We vergeleken twee oplossingen om de technische haalbaarheid en efficiëntie van de vastgoedwaardering te beoordelen.
De eerste gebruikte een eenvoudig regressiemodel, zodat de klant de berekeningen achter het resultaat volledig kon begrijpen.
De tweede combineerde een machine learning-component die de woningkenmerken beoordeelde met criteria van experts. Die was complexer en daardoor minder uitlegbaar voor een ongetraind oog, maar leverde nauwkeurigere schattingen op.
Uiteindelijk koos de klant voor de tweede oplossing.
Resultaten
In minder dan vier weken leverden we een geautomatiseerde tool die klaar was voor ingebruikname. De waarderingen waren nauwkeurig genoeg om een aanzienlijk voordeel ten opzichte van de concurrentie te bieden op het vlak van:
Datagedreven kwaliteit van de waardering
Snelheid van de eerste waardering
Om de vertrouwelijkheid te waarborgen, kunnen we bepaalde details in onze klantcases aanpassen.