Methode
Slim bieden
Je kent het vast wel: je wilt bieden op een huis en begint direct een speurtocht naar zoveel mogelijk beschikbare informatie. Je kijkt in de straat of er veel andere huizen te koop staan, vraagt de makelaar het hemd van het lijf over de staat van het huis en hoeveel anderen er gaan bieden. Misschien drink je zelfs nog een kop koffie in de buurt om te voelen of dit wel de plek is waar je wilt wonen. Kortom: je verzamelt data om te bepalen óf en wát je wilt bieden.
Bij SlimBieden doen we eigenlijk hetzelfde. Het enige verschil? Wij vragen het niet aan de makelaar, maar aan onze data. Wel zo eerlijk en transparant, want slechts één van die twee handelt zonder eigen belang. Op deze pagina leggen we graag uit hoe ons model werkt. We geven voorbeelden van hoe we macro- en microdata combineren om tot een bod te komen. Macrodata zijn bijvoorbeeld consumentenvertrouwen, aandelenmarkten en huizenmarktontwikkelingen. Microdata gaat over het huis en de omgeving, zoals het aantal kamers, de nabijheid van scholen en de staat van de woning. Door deze informatie te bundelen, komen we tot een bod dat gemiddeld het dichtst bij het winnende bod zit.
Markt
De Nederlandse huizenmarkt
De huizenprijzen zitten al een tijdje in de lift, met een gemiddelde stijging van 1,05% per maand in 2024. Er bestaan duidelijke verschillen tussen verschillende soorten huizen (appartementen 2% meer dan vrijstaande huizen) en steden (Amsterdam twee keer zoveel als Tilburg). Hoewel de ontwikkeling van het gemiddelde overbod sterk gecorreleerd is met de vraagprijs, volgen ze niet precies hetzelfde patroon. In samenhang met andere economische toestandsvariabelen vormen deze tijdreeksen een ankerpunt voor de ontwikkeling van het overbod van een specifiek object, en elk individueel object danst weer op zijn eigen tempo mee op de trend.
Bron: DNB
Bijgewerkt: 16 april 2025
De macro-economische factoren
Als de vraag naar huizen toeneemt, maar het aanbod achterblijft, stijgen de huizenprijzen en vaak ook het relatieve overbod. Wanneer de rente stijgt, neemt de leencapaciteit af, wat weer invloed heeft op wat mensen kunnen betalen voor hun nieuwe woning. En als er een financiële crisis dreigt, worden grote aankopen spannend: verkoop je je huis nog snel tegen een goede prijs, of wacht je af? Zelfs de beste economen zijn het niet altijd eens over het effect van dit soort verbanden. Het model van SlimBieden laat de data spreken. We gebruiken betrouwbare gegevens van onder andere De Nederlandsche Bank en het Centraal Bureau voor de Statistiek om de verbanden te schatten die de inschatting van het overbod zo nauwkeurig mogelijk maken. Ten slotte hebben we deze data-gedreven uitkomsten getoetst aan economische intuïtie.
Object
Specificaties woning
Elk huis is uniek, maar toch ook weer niet zó uniek. Althans, zo blijkt uit onze data. Onze karakterisering van een object is zo gedetailleerd dat we zelfs voor de meest excentrieke huizen genoeg vergelijkbare objecten kunnen vinden. Het is cruciaal om al deze kenmerken mee te nemen, want alleen zo kunnen we begrijpen waarom er in dezelfde straat en in dezelfde maand toch zo anders op een object wordt geboden. De informatie die we hiervoor gebruiken is rijker dan wat je ziet in het semi-automatisch ingevulde formulier op de website. De achterliggende koppelingen leveren namelijk nog veel meer gegevens aan en we vragen al deze gegevens ook nog eens op voor een collectie van meest vergelijkbare objecten waarvan het winnende overbod bekend is. Een deel van deze informatie vatten we samen in het bijgeleverde waarderapport.
Leeftijdsverdeling
Bron: CBS
Bijgewerkt: 12 december 2024
De omgeving
Eengezinswoningen die dichter bij een basisschool liggen, zijn vaak meer in trek dan andere woningen. Voor appartementen wint de bruisende Pijp in Amsterdam, met haar hippe winkels en restaurants, het in termen van overbieden van de rustiger gelegen flats in bepaalde buitenwijken. Het is misschien open deuren intrappen, maar voor een accurate voorspelling is het juist belangrijk om dit soort factoren mee te nemen. Ook de afstand tot musea, ziekenhuizen, politiebureaus en de hoeveelheid groen in de buurt speelt vaak, in meer of mindere mate, een rol. Het is juist deze grote hoeveelheid potentieel relevante variabelen die onze AI-methoden zo krachtig maakt; zij zijn dol op big data. Door onze modellen nauwkeurig af te stellen, voorkomen we overfitting en houden we alleen de variabelen over die daadwerkelijk bijdragen aan een nauwkeurige voorspelling van het overbod.
