Door de inzet van data science-technieken is het mogelijk gebruik te maken van de voorspellende waarde van historische data. Ook kan geanalyseerd worden welke factoren van invloed zijn op resultaten, waardoor risico’s kunnen worden verkleind en welke middelen efficiënter in kunnen worden gezet. Maar ook is het mogelijk te voorspellen welk effect bepaalde investeringen hebben op onderwerpen zoals onderhoud, leefbaarheid en duurzaamheid. CNS heeft diverse casussen uitgewerkt waarin voorspellende data inzicht bieden om gerichter strategische doelstellingen te behalen. Bij de uitwerking van deze casussen wordt gebruik gemaakt van proces mining, data analyse en voorspellende modellen zoals machine learning.
Werkelijke CO2-reductie/duurzaamheid
Op basis van bestaande data kan worden bepaald welke investeringen in duurzaamheid de werkelijke reductie in CO2-uitstoot realiseren rekening houdend met de invloed van menselijk gedrag. Zo wordt in de berekening meegenomen dat bijvoorbeeld bij het plaatsen van zonnepanelen mensen langer gaan douchen omdat “het toch niets kost”. Deze oplossing combineert data over vastgoed, energieverbruik en mogelijke renovaties om per complex tot de meest optimale investering voor de werkelijke CO2-reductie te komen.
Wachttijdindicator
Woningzoekenden hebben op dit moment nauwelijks inzicht in de resterende wachttijd als zij reageren op woningen. Wanneer een inschatting kan worden gegeven van de wachttijd bij een gepubliceerde woning, kan de woningzoekende strategisch reageren op woningen waar zij meer kans op maakt.
CNS heeft een wachttijdindicator ontwikkeld op basis van een supervised machine learning model. Hierbij worden kenmerken van de huidige woningen gecombineerd met historische cijfers over de wachtduur. Dit model geeft vervolgens voor elke eenheid in het woningvoorraadbestand aan wat de verwachte inschrijfduur van een woningzoekende moet zijn om de eenheid toegewezen te krijgen. Het is gebleken dat 90% van de gevallen de wachttijdindicator de uiteindelijke wachttijd correct voorspelt.
Proces Mining Mutatieleegstand
Langdurige leegstand brengt risico’s met zich mee, zoals onopgemerkte lekkages, kraak, inbraak of vandalisme. Daarnaast levert het huurderving op. Het direct beïnvloedbare gedeelte is leegstand als gevolg van mutatie. Het proces van huuropzegging tot en met een nieuwe verhuring bevat meerdere deelprocessen die van elkaar afhankelijk zijn. Het is daarom belangrijk dat er goed inzicht wordt gegeven in het verhuurmutatieproces. Dit doet CNS aan de hand van proces mining. Met deze techniek wordt aan de hand van historische data inzicht gegeven in waar het proces “stokt”. Daarnaast wordt ook aangegeven binnen welke stappen het proces verbeterd kan worden om de verhuurmutatieleegstand terug te dringen.
Data-analyse Leegstand
Aan de hand van beschikbare data worden kenmerken die invloed hebben op langdurige woningleegstand gelokaliseerd. Dit is belangrijk om de huidige langdurige leegstand te verklaren, maar ook om de combinatie van kenmerken in kaart te brengen die een hoog risico op langdurige leegstand met zich meebrengen.
Als vervolg op de data analyse kan een voorspellend model worden uitgewerkt voor langdurige leegstand.
Benieuwd hoe Data science meer waarde kan geven aan data?
Data-analyse Onderhoud
Aan de hand van beschikbare interne data worden kenmerken die van invloed zijn op het dagelijks onderhoud proces gelokaliseerd. Dit is belangrijk om vertraging en kostenoverschrijdingen te verklaren, maar ook om de combinatie van kenmerken in kaart te brengen die hier aan gerelateerd zijn. De analyse is van toepassing op de kosten van onderhoud, de doorlooptijden van de behandeling en afhandeling van de order.
Forecasting op onderhoudskosten en verzoeken is mogelijk als vervolg op de data-analyse.
Daklekkage voorspellen
Door gebruik te maken van Machine Learning kunnen lekkages op daken worden voorspeld waardoor er reparaties kunnen worden gedaan vóórdat het fout gaat. Het machine Learning algoritme werkt met data die het dak-onderhoudsbedrijf al had. Hieruit worden kenmerken geanalyseerd die van invloed zijn op de conditie van een dak. Het kunnen voorspellen van daklekkage maakt het mogelijk dat er niet onnodig en zeker niet te laat onderhoud wordt uitgevoerd waarmee minder overlast is voor bewoners, minder schade en het onderhoud effectiever kan worden gepland.
Brandrisico voorspellen
Met Machine Learning en reeds beschikbare data worden kenmerken die van invloed zijn op de brandveiligheid geanalyseerd. Dit is belangrijk om vroegtijdig onveiligheid te kunnen identificeren waarmee veel preciezer onderhoud kan worden ingepland. Door gebruik te maken van Machine Learning kunnen risico’s worden voorspeld en brand worden voorkomen.
Klanttevredenheid voorspellen
Met Machine Learning en data uit klantsystemen kan bewonerstevredenheid worden bepaald en ook het sentiment onder bewoners worden voorspeld. Omdat bestaande data worden gebruikt behoren al die enquêtes tot het verleden die door veel mensen als vervelend worden ervaren. Dit is belangrijk om goede keuzes te kunnen maken in maatregelen en investeringen die effect hebben op de klanttevredenheid.
Heeft u een ander vraagstuk waarvoor u benieuwd bent naar de inzichten die de inzet van data science- technieken zouden kunnen opleveren, neem dan contact met ons op.