In de zoektocht naar het revolutioneren van vastgoedontwikkeling loont het om naar nieuwe technologieën te kijken en ermee te experimenteren. Het vermogen om een succesvolle trend vroegtijdig te herkennen en te adopteren, kan een bedrijf een aanzienlijk voordeel ten opzichte van zijn concurrenten opleveren en de hele sector een boost geven. Nu is Machine Learning (ML) niet bepaald nieuw (het eerste neurale netwerk dateert zelfs uit 1958!), maar het heeft de afgelopen jaren een comeback gemaakt dankzij de toegenomen rekenkracht van de nieuwe eeuw, waaronder de vooruitgang in GPU-technologie. Tegenwoordig vertrouwt bijna elke grote naam in de technologiesector tot op zekere hoogte op ML. Gigananten als Alphabet en Meta hebben zelfs hun eigen interne bibliotheken ontwikkeld, Tensorflow en Pytorch, die nu de gouden standaard zijn voor deep learning-projecten over de hele wereld.
OMRT is currently taking part in the Hyperion Labs programme for AI and HPC start-ups
De voordelen van ML zijn niet beperkt tot de technologiesector. Het idee achter ML-ontwikkeling is dat sommige beslissingen en metingen kunnen worden gedelegeerd aan een machine, die de verborgen factoren achter elke beslissing veel sneller kan berekenen dan een mens. Dit eenvoudige maar krachtige idee kan worden toegepast op bijna elk probleem waarmee we dagelijks worden geconfronteerd, en vastgoedontwikkeling is geen uitzondering. In dit artikel zal ik je iets vertellen over een van de manieren waarop OMRT, net als andere bedrijven, probeert slimmere beslissingen te nemen met behulp van ML.
Stel je voor dat je een vastgoedontwikkelaar bent. Denk aan de uitdagingen die gepaard gaan met een van je gemiddelde projecten. Je hebt net een stuk grond gekocht en je staat op het punt om het te vullen met gebouwen. Moet je kiezen voor een flatgebouw, misschien met een penthouse erop? Of misschien een rij huizen? Een gebouwencomplex is een grote investering, dus als ontwikkelaar wil je op zijn minst enige zekerheid dat het rendement op je investering de kosten zal overtreffen voordat je een beslissing neemt. Je zou natuurlijk maanden en maanden kunnen praten met consultants en experts, die hun oude studieboeken zouden afstoffen, een diepgaand onderzoek zouden doen naar de markt op de locatie van je project en vervolgens een gedetailleerde lijst zouden opstellen van alle redenen waarom je die gebouwen wel of niet zou moeten bouwen. Of je zou de ML-aanpak kunnen gebruiken.
De determinanten van huizenprijzen zijn vrij uitgebreid onderzocht in de literatuur. Het komt eigenlijk neer op de locatie, het type huis en eventuele speciale architectonische kenmerken die het gebouw zou kunnen hebben. Omdat architectonische kenmerken erg moeilijk te meten zijn, is het logisch om ze te beschouwen als onderdeel van de willekeurige fluctuaties rond de gemiddelde prijs. Informatie met betrekking tot de locatie en het type huis is echter veel gemakkelijker te verkrijgen. Uitgaande van de postcode van een nieuwbouwproject kan men API's gebruiken om allerlei informatie over het gebied te extraheren. Met name stad, regio en nabijgelegen voorzieningen zoals parken, winkelcentra, bezienswaardigheden, parkeerplaatsen en vervoersstations blijken behoorlijk sterke voorspellers van de huizenprijs te zijn.
Artificial Neural Networks aim to mimic the operation of a human brain
Met deze premissen kun je zien dat het volkomen redelijk is om te denken dat we een algoritme de potentiële huizenprijzen voor een bepaalde postcode in onze plaats zouden kunnen laten schatten. Data Scientists noemen dergelijke algoritmen "regressiemodellen", en dat is precies wat OMRT heeft geprobeerd te doen. We hebben een lijst geselecteerd van ongeveer 1200 vastgoedprojecten die wijd verspreid zijn over Nederland, om zoveel mogelijk variatie vast te leggen. Voor elke postcode hebben we informatie verzameld over de stad, provincie, type huis, het aantal parken, winkelcentra, historische locaties, parkeerplaatsen en vervoersknooppunten die beschikbaar zijn via een wandeling van 5 minuten, en natuurlijk de vraagprijs per vierkante meter. Met deze gegevens hebben we een Support Vector Regression-model getraind dat in staat is om de prijs te voorspellen binnen een foutmarge van 10%.
Hieronder vind je een kleine demonstratie van de output van ons model. De voorspellingen van ons model voor appartementen in een wijk van de stad Arnhem worden gematcht met de echte grenzen van de corresponderende postcode, en gekleurde polygonen worden gegenereerd op een gradiënt van groen (zeer hoge prijs per vierkante meter) tot rood (zeer lage). De prijzen variëren sterk: de hoogste waargenomen prijs was ongeveer 5000 euro per vierkante meter (voor een penthouse natuurlijk), terwijl de laagste ergens tussen de 1000 en 2000 lag (voor een hoekwoning, een typische Nederlandse bouwklasse). Het is ook interessant om wat dynamiek in de prijs te observeren. Als alle andere dingen gelijk zijn, komt een eenheidstoename in het aantal parken binnen 10 minuten loopafstand bijvoorbeeld overeen met een prijsstijging. Deze stijging is enorm (24%!) wanneer je overschakelt van 0 naar 1 park, wordt dan geleidelijk lager en convergeert uiteindelijk naar een evenwichtsniveau.
Sample output of the OMRT model
Dit is slechts een van de talloze toepassingen van Machine Learning in de vastgoedontwikkelingssector. De implicaties van deze ontdekkingen zijn aanzienlijk: door een deel van onze taken te delegeren aan machines, kunnen we de werklast van ontwikkelaars, experts en consultants verminderen, die zich in plaats daarvan volledig kunnen wijden aan meer strategische beslissingen. Dit resulteert in hogere efficiëntie, lagere kosten en betere ontwerpen, en dat is waar bedrijven als OMRT voor staan. We zijn getuige van een verschuiving naar automatisering in de hele sector, en we hopen dat steeds meer bedrijven zich bij deze beweging zullen aansluiten om een duurzamere toekomst op te bouwen.