CorporatieGids Magazine

27 ONAFHANKELIJK MAGAZINE OVER STRATEGIE, BEDRIJFSVOERING & ICT VOOR WONINGCORPORATIES NUMMER 4, 2019 26 WWW.CORPORATIEGIDS.NL Het is daarom belangrijk verschillende factoren mee te nemen in een model om de eventuele achterstand goed te kunnen voorspellen.” Datakwaliteit Het hebben van een goede datakwaliteit is volgens Florian belangrijk bij het maken van voorspellingen. “Het is niet dat je zonder goede datakwaliteit geen voorspellingen kunt maken, maar het komt de validiteit van de uitkomsten enorm ten goede. Overigens is slechte datakwaliteit geen reden om niet met predictive analytics aan de gang te gaan: het is juist een goede motivatie om data verder op te schonen.” Secuur voorspellingen maken Hoewel een model om betaalachterstanden te voorspellen niet ‘plug-and-play’ is, zijn ze volgens Florian redelijk snel te realiseren. “De achterliggende gedachte zal bij de meeste corporaties hetzelfde zijn. De kern is dat je alle data uit het ERP-systeem gebruikt en daar zoveel mogelijk gegevens aan toe probeert te voegen. Wanneer je immers meer variabelen hebt, wordt de voorspelling secuurder. Hoe makkelijker de data kunnen worden onttrokken, hoe sneller je met het maken van voorspellingen aan de slag kunt gaan. Om het concreet te maken: iemand die ervaring heeft met het gebruik van predictive analytics kan op basis van een beschikbare dataset al binnen enkele dagen de eerste conclusies trekken.” Gericht aan de slag Met de voorspellingen kunnen woningcorporaties vervolgens gericht aan de slag, gaat Florian verder. “Uiteindelijk is het wel aan de corporaties om te kijken hoe ver ze willen gaan in het proces. Een goede eerste stap is om het incassoproces aan te passen op basis van segmentatie. Blijkt uit de data dat bepaalde groepen met betalingsproblemen te maken hebben, dan kan het lonen hen op een andere manier te benaderen. Uiteindelijk zou je voor de timing van het versturen van her- inneringen ook de weersomstandigheden kunnen meenemen. Ook dit soort variabelen blijkt van invloed te zijn op het betaalgedrag van mensen.” 150 140 130 120 110 100 90 80 70 60 50 40 30 20 10 0 20 25 30 35 40 45 50 55 60 65 70 75 80 85 Woningcorporaties die geïnteresseerd zijn in de scriptie kunnen deze opvragen via f.dijkstra@vva-informatisering.nl Deze grafiek laat de hoeveelheid huurachterstanden zien (in het groen) per leeftijdscategorie