Naast zijn werk als hoogleraar aan de ABS werkt Francke een deel van zijn tijd bij Ortec Finance, een leverancier van technologie en oplossingen voor risico- en rendementsbeheer. Hij promoveerde in de Econometrie aan de Vrije Universiteit Amsterdam, op basis van onderzoek naar de ontwikkeling van waarderingsmodellen voor woningen. 'Nog altijd vind ik dat heel interessant. In een econometrisch model leg je een structuur vast die de waarde van een woning weergeeft. Variabelen zijn dan zaken zoals bouwjaar, oppervlakte et cetera. Maar simpel is het nooit. Er zijn altijd interacties tussen variabelen en de waarde is niet lineair te meten. De omgeving speelt ook een rol, het centrum van Amsterdam is bijvoorbeeld duurder dan daarbuiten.'

Snel en breed beschikbaar

Machine learning-modellen zijn in opkomst bij het meten van de waarde van vastgoedobjecten. 'Deze modellen worden de afgelopen vijf tot tien jaar steeds vaker toegepast, maar academisch zag je de toepassing al eerder. Tot nu toe zien we dat machine learning-modellen het net zo goed doen als econometrische modellen. Snelheid is een groot pluspunt. Waar ik voor mijn promoveren een heel proefschrift over moest schrijven, doe je nu met machine learning in een namiddag. Je stopt de beschikbare data in een vrij beschikbaar model dat je gewoon online kunt vinden en vervolgens krijg je een waarde-inschatting terug. Naast snelheid is er dus ook sprake van democratisering van waardebepaling. In die zin ben ik heel positief over machine learning.'

Toch zijn er ook nadelen die soms belemmerend werken. 'Een daarvan is uitlegbaarheid. Als je de waarde van een woning wilt bepalen voor bijvoorbeeld de Wet Waardering Onroerende Zaken (Wet WOZ, red.), moet je kunnen uitleggen hoe een waardering tot stand is gekomen. Een gemeente moet dat kunnen uitleggen, maar dan kom je bij de 'black box' van machine learning. Die is nooit goed opengebroken.' Ook in zijn werk voor Ortec Finance loopt Francke tegen deze belemmering aan. 'We zijn met machine learning-modellen aan de slag gegaan, in samenwerking met de TU Delf en grote marktpartijen die bezig zijn met AI. Er komen resultaten uit die niet altijd direct logisch zijn. Daarom gebruiken we machine learning tot nu toe vooral als een alternatief model, om de resultaten te controleren die uit de econometrische modellen komen.'

Nuttig voor rijtjeshuis, niet voor kantoorpand

Uitlegbaarheid vormt dus een probleem. Een andere kwestie is het ontbreken van een betrouwbaarheidsmarge. 'Als je als consument hypotheek neemt voor het hele aankoopbedrag van een huis, dan wil de bank dat die waarde heel precies is vastgelegd. Op individuele basis wil je dan een betrouwbaarheidsmarge, maar die leveren standaard machine learning-modellen niet. Bij econometrische modellen zit dat wél ingebakken in de systematiek. Daarmee kun je bijvoorbeeld zeggen dat de waarde met een kans van 90 procent tussen bedrag A en bedrag B zit.” Hier tegenover staat dat voor grote groepen woningen de betrouwbaarheid van de nieuwere modellen wel groot is. “Voor een individuele vrijstaande woning is het lastig, maar voor een huis in een wijk met honderden woningen van hetzelfde type is machine learning juist wel heel betrouwaar.'

Ondanks de genoemde nadelen is de opkomst van machine learning niet te stoppen. Francke noemt het onderzoek van een zijn PhD-studenten. Deze gebruikt een beeldherkenningsmodel om op basis van honderdduizenden foto’s in en rond woningen tot nauwkeurige waardebepalingen te komen. 'Dat is interessant, ook omdat we nog niet precies weten wat er uit dat onderzoek gaat komen. Naast beeldherkenning liggen er mogelijkheden met tekstherkenning. Uit een advertentietekst op Funda kun je al veel afleiden, ook daar wordt al onderzoek naar gedaan.” Met name voor de liquide woningmarkt voor consumenten gaat machine learning de komende jaren veel betekenen, denkt de hoogleraar. “In de commerciële vastgoedmarkt zoals kantoren, heb je te maken met weinig en slecht te extrapoleren informatie. In die markt heb je vooral baat bij econometrische modellen. Voor machine learning heb je grote hoeveelheden data nodig. Voor woningen, zeker de veelvoorkomende types, is die meestal wel aanwezig. Wil je bijvoorbeeld een rijtjeshuis kopen of verkopen in Almere, dan is er zeker een functie voor machine learning.'

Data maakt het verschil

Op allerlei vlakken zal in de woningmarkt de toepassing van machine learning een vlucht nemen denkt Francke. 'Ik woonde onlangs een presentatie bij van een Duitse marktpartij, die woningen opkoopt om deze in portefeuilles onder te brengen bij institutionele beleggers. Zij hadden een app ontwikkeld waarmee ze aan de hand van foto’s afmetingen en de staat van onderhoud bepalen. De uitlegbaarheid en het gebrek aan individuele betrouwbaarheidsmarges is misschien een ding bij machine learning. maar er zijn genoeg toepassingen te vinden waarbij dat probleem helemaal niet zo groot is.'

Een neveneffect van de opkomst van machine learning is dat bedrijven zich niet meer zomaar kunnen onderscheiden doordat zij beschikken over econometrische modellen. 'Nu kan elke student met een beetje kennis van Python allerlei modellen aanroepen. Het onderscheid is weg, de technologie werkt democratiserend. Maar deze modellen hebben wel goede data nodig en het onderscheid zal daarom vooral op dat vlak komen te liggen. Toegang tot goede data, meer nog dan toegang tot technologie, is dan bepalend voor het succes van een bedrijf.'