Hoe kan artificial intelligence gebruikt worden in het inschatten van de waarde van woningen?
Editie: 29 - Artificial Intelligence in the Built Environment
Published on: 30 maart 2022
Het correct inschatten van de waarde van een woning is essentieel in de dienstverlening van een makelaar of taxateur. Een makelaar moet immers een geschikte vraagprijs of een optimaal openingsbod kunnen vaststellen. En voordat een bank een hypotheek voor een huis verstrekt, zal de waarde van de woning eerst door een taxateur moeten worden vastgesteld. Hoewel het inschatten van de woningwaarde voor een belangrijk deel mensenwerk blijft, kan de makelaar wel ondersteund worden door een nauwkeurig en betrouwbaar machine learnings-model.
Brainbay
De meeste makelaars en taxateurs zijn lid van de Nederlandse Coöperatieve Vereniging van Makelaars en Taxateurs in onroerende goederen (NVM). De NVM-leden wisselen onderling allerlei data uit over kenmerken van vastgoed en dit uitwisselingsysteem is de bron van al het aanbod op funda en makelaarswebsites. De database die zo is ontstaan, is de omvangrijkste en meest actuele vastgoeddatabase van Nederland. Het uitwisselingssysteem en de database van NVM zijn ondergebracht bij brainbay BV. Brainbay BV is in 2018 opgericht als onderdeel van de NVM-holding en ontwikkelt datagedreven producten en diensten ten behoeve van NVM-makelaars en -taxateurs, zodat zij hun klanten nog beter kunnen bedienen.
Twee jaar geleden heeft brainbay zich de ambitie gesteld om met deze data de beste modelwaarde van Nederland te ontwikkelen. Een modelwaarde is een door computermodel berekende waarde, waarbij gebruik gemaakt wordt van locatiekenmerken en de gegevens van de woning zoals deze door de verkopend makelaar is aangemeld. Denk hierbij aan woningtype, woon- en perceeloppervlakte, aantal kamers, staat van onderhoud, energielabel et cetera.
In 2020 bracht brainbay een modelwaarde op de markt die gebruik maakt van een machine learningstechniek die gradient boosted decision trees wordt genoemd. Hierbij wordt stap voor stap het model verbeterd, totdat het model voor alle regio’s en woningtypes goed functioneert.
Een foto zegt meer dan duizend woorden
De gedetailleerde en actuele NVM-database vormt echter niet de enige bron van informatie die brainbay gebruikt voor de modelwaarde. Door de toenemende digitalisering worden er steeds meer hoogwaardige foto’s geüpload. Dit inspireerde brainbay om te onderzoeken of er informatie uit beeld naar data omgezet kan worden. Een foto zegt immers toch meer dan duizend woorden? En kan deze informatie dan gebruikt worden om het woning-modelwaarde van brainbay te trainen? Een gemoderniseerde en goed onderhouden woning kan wel een ton meer waard zijn dan de sterk gedateerde buurman. Zouden de modellen dit goed kunnen voorspellen?
Brainbay heeft een beeldherkenningsmodel getraind om informatie te destilleren uit interieurfoto’s van woningen die te koop staan op funda, waarbij extra nadruk ligt op het registreren van de kwaliteit en onderhoud van badkamers en keukens. Brainbay van mening dat specifiek deze ruimtes een goede indicatie geven van de kwaliteit en onderhoud van het hele huis. Hoewel een getraind menselijk oog in een split second een ruimte kan onderscheiden, de objecten die daarin staan kan benoemen en ook al snel een inschatting maakt van kwaliteit, blijkt het voor een artificial intelligence-model een leuke uitdaging. Net als een klein kind is het model keer op keer uitgelegd wat er op de foto te zien was, voordat het model in staat was zichzelf te trainen. In het trainen van het model heeft brainbay drie stappen doorlopen:
1. De ruimte in het huis bepalen
Dit was een vrij eenvoudig proces. Het beeldherkenningsmodel herkent met bijna 100 procent zekerheid, en ook correct, welke ruimte het is. Een foto waarop twee ruimtes samen worden afgebeeld, zoals een open keuken met eetkamer of de woonkamer vanuit de hal, vind het model lastig. Gelukkig zijn er dan wel van hetzelfde huis betere foto’s van de ruimte beschikbaar voor analyse. De foto’s waarvan het model met meer dan 80 procent zekerheid een keuken of een badkamer onderscheidt, worden gebruikt voor verdere analyse van de kwaliteit.
2. Objecten in het de ruimte onderscheiden
Het model is getraind om essentiële objecten in de ruimte te onderscheiden, zoals een bad, douche, toilet of wastafel voor een badkamer en een keukenkastje, aanrechtblad, fornuis of oven voor een keuken. Na langdurige training benoemt het model nu bijna altijd correct het object. Wel komt het met enige regelmaat voor dat objecten worden overgeslagen, bijvoorbeeld omdat deze slechts deels op de foto staan. Het menselijk oog herkent direct een bad, wasmachine of koelkast als er slechts een klein stukje van wordt afgebeeld, maar een artificial intelligence-model heeft hier wat meer moeite mee.
Figuur 1. Herkenning objecten.
3. De kwaliteit en onderhoud van de ruimte onderscheiden
Tot slot worden alle objecten in de ruimte beoordeeld op twee assen: kwaliteit en onderhoud. De kwaliteit richt zich specifiek op het materiaalgebruik en hoogwaardige details: zo wordt in een keuken een stenen aanrechtblad hoger gewaardeerd dan een kunststofblad en in de badkamer is een regendouche of een hangend toilet een plus voor de kwaliteit ten opzichte van de meer conventionele douche en wc.
Het model dat onderhoud scoort, zoekt vooral naar elementen die afwijken van wat het model normaal vindt. Denk aan verkleuringen in de voegen die kunnen duiden op schimmel of kalkaanslag, of scheefhangende kastjes in de keuken. Tot slot is er nog een derde as gedefinieerd specifiek voor keukens, namelijk functionaliteit. Deze richt zich vooral op het aantal elementen: een keuken met veel keukenkastjes wordt getypeerd als functioneler dan een vergelijkbare keuken met juist weinig kastruimte.
De scores van onderhoud en kwaliteit van badkamer en keuken worden rechtstreeks toegepast op de inschatting van de waarde van de woning, maar daar hield de analyse niet op. Brainbay heeft het geluk dat ook de aanbiedingstekst van makelaars in de database wordt opgeslagen. Ook deze bevat waardevolle informatie over de kwaliteit van het huis.
Het speuren naar kwaliteit en onderhoud in de aanbiedingstekst van de makelaar
Ten behoeve van de verkoop van een huis, stelt de makelaar een wervende aanbiedingstekst op die als doel heeft mensen te verleiden via funda een bezichtiging in te plannen. Uiteraard zal de makelaar positieve elementen benadrukken en juist minder woorden besteden aan negatieve kanten van het huis. Een mens is daar wellicht gevoelig voor, maar een model kent geen gevoel.
In een aanbiedingstekst staan doorgaans veel woorden die iets zeggen over het algehele kwaliteitsniveau van een woning in vergelijking tot omliggende woningen in dezelfde wijk. Brainbay heeft een model ontwikkeld die aanbiedingsteksten van te koop staande huizen analyseert en op zoek gaat naar woorden of woordcombinaties met een positieve of negatieve connotatie. Wanneer het model bijvoorbeeld woorden tegenkomt als ‘luxe’, ‘fraai’, ‘hoogwaardig’ en ‘warmtepomp’ dan zal in veel gevallen de betreffende woning wat hoger in de markt staan dan de gemiddelde woning in de wijk. Aan de andere kant van het spectrum zal je woorden als ‘kluswoning’, ‘gedateerd’, ‘verontreinigd‘ en ‘gaskachel’ treffen wat duidt op een woning die relatief gezien goedkoper zal zijn.
Bovengenoemde voorbeelden zijn vrij helder, maar tussen de uitersten zit natuurlijk een groot grijs gebied. Tevens zijn er een heleboel woorden die uitsluitend in het zinsverband of als woordcombinatie duidelijk maken in welke richting er gezocht moet worden. Neem als voorbeeld het woord ‘gemoderniseerd’. Zo kan een woning ‘recent geheel gemoderniseerd zijn’, maar je kunt deze ook als ‘woning dient gemoderniseerd te worden’ tegenkomen. Het is dus de kunst om in het text mining-model niet alleen te focussen op de woorden in de tekst maar ook te scannen op woordcombinaties.
Er is momenteel gekozen voor twee modeltypen, de relatief eenvoudige logistische regressie en de complexere support vector machine. De logistische regressie doet niet heel veel onder voor de support vector machine en heeft als bijkomend voordeel dat deze eveneens de ‘class probabilities’ teruggeeft. Met andere woorden, voor iedere woning wordt voor elk van de vier klassen de kans teruggegeven dat de woning in die kwaliteitsklasse valt. Voor de support vector machine is dit lastiger, maar deze levert wel de beste individuele klasse-voorspelling. Het toelichten van de werking van deze modellen valt buiten de scope van dit artikel, maar voor de liefhebber is dit eenvoudig op te zoeken.
De brainbay BV woningkwaliteitsscore
De verschillende artificial intelligence-modellen geven een goed en genuanceerd beeld van kwaliteit van een woning. Graag wil brainbay deze modellen laagdrempelig beschikbaar stellen aan de NVM-leden. Om dit mogelijk te maken heeft brainbay de woningkwaliteitsscore ontwikkeld. Deze nieuwe score is een optelsom van beeldherkenning, tekstanalyse, de input van de makelaar en het energielabel (als indicator voor isolatie) samengevat in één waarde. Alle woningen in de brainbay-database hebben een kwaliteitsscore tussen één (slecht) en zes (uitstekend) gekregen en op deze manier heeft brainbay een zo objectief mogelijke stempel van kwaliteit voor de makelaar en taxateur gelanceerd.
Kan deze nieuw verworven kennis ook gebruikt worden om de woning-modelwaarde te trainen? Hoe presteert de modelwaarde voor een woning die erg gedateerd is of juist helemaal is gerenoveerd?
Figuur 2 & 3. Oude en nieuwe badkamer.
Het flippen van huizen, een mooie usecase voor het woningkwaliteitsmodel van brainbay
Brainbay heeft een flink aantal huizen geanalyseerd die zijn ‘geflipt’. Dit is jargon voor het kopen van een bouwval, deze vervolgens flink opknappen en verkopen met forse winst. Deze analyse was perfect om de modellen eens aan de tand te voelen omdat hetzelfde huis twee keer kort na elkaar wordt verkocht, maar nu met een totaal andere staat van onderhoud en kwaliteit.
In afbeelding 2 en 3 laten de keuken en badkamer zien van een huis dat in maart 2021 te koop werd gezet. Het blote oog ziet direct dat deze woning zeker geen bouwval is, maar toch vrij sober en gedateerd. De beeldherkenning gaf de keuken de score ‘matig’ voor kwaliteit en ‘redelijk’ voor onderhoud. Het model was iets positiever over de keuken, deze kreeg de score ‘redelijk’ voor kwaliteit en zelfs ‘goed’ voor onderhoud. Echter, het model maakte korte metten met de aanbiedingstekst, die de kwaliteit ‘slecht’ kreeg.
Deze woning werd vrij snel verkocht voor € 435.000. Op basis van de woningkenmerken, de locatie, de foto’s en de aanbiedingstekst kon brainbay BV de transactieprijs goed benaderen, het model gaf aan dat deze woning ten tijde van verkoop € 438.000 waard zou moeten zijn.
Figuur 4 & 5. Oude en nieuwe keuken.
De koper heeft de woning flink gerenoveerd en direct daarna weer te koop gezet in augustus 2021. Voor deze verkoop zijn nieuwe foto’s gemaakt van de sterk gemoderniseerde keuken en badkamer, zie afbeeldingen 4 en 5. Ook heeft de makelaar een nieuwe aanbiedingstekst geschreven. Op basis van deze nieuwe informatie heeft ons waarderingsmodel de woning opnieuw gewaardeerd. De woning was een flink stuk meer waard, het model kwam uit op € 624.000, een toename van maar liefst € 186.000, wat voor het overgrote deel toe te schrijven is aan de grondige renovatie. In september werd deze woning verkocht voor € 618.000, een meerwaarde van € 183.000.
Deze hoopgevende resultaten bieden brainbay voldoende vertrouwen de artificial intelligence-modellen verder te ontwikkelen en te lanceren. De verwachting is dat begin 2022 alle NVM-leden gebruik kunnen maken van beeldherkenning en tekstanalyse ten gunste van het inschatten van de marktwaarde van een woning. Want hoewel de modellen van brainbay steeds beter worden, toch is expertise van de makelaar of taxateur onontbeerlijk. Voor een echte robuuste waardering van woningen worden namelijk ook zaken meegenomen die niet in data zijn te vatten. De ambitie van brainbay is dat de makelaar zijn of haar klant kan adviseren over renovatie van het aan te kopen huis en wat deze verbouwingen voor effect hebben op de waarde van het huis, ondersteund met artificial intelligence van brainbay BV. Deze ambitie is al bijna werkelijkheid geworden!
Alle gebruikte bronnen en foto’s zijn bron NVM / brainbay BV.
Mail the editors
