• Home
• Nieuws

Florian Dijkstra (VVA-informatisering): Data gebruiken om betaalachterstanden te voorspellen

Geplaatst door CorporatieMedia op Tuesday 10 March 2020

Preventieve huisbezoeken of een SMS-je voordat de huur geïnd wordt; woningcorporaties hebben de laatste jaren veel gedaan om huurachterstanden terug te dringen. En met effect, want Aedes bracht eerder dit jaar naar buiten dat het aantal huisuitzettingen in 2018 met 19 procent is gedaald vergeleken met het jaar ervoor. Maar wat is de volgende stap? “Met behulp van predictive analytics kunnen woningcorporaties het aantal huurachterstanden nog verder verminderen.”

Florian Dijkstra, inmiddels Business Consultant bij VVA-informatisering, studeerde afgelopen september af als Master Information Management aan de Tilburg University. In zijn scriptie keek hij specifiek naar het doen van voorspellingen over het betaalgedrag van huurders. Op de vraag waarom juist dit onderwerp volgens hem de aandacht verdient, vertelt hij: “Corporaties sturen op zowel maatschappelijk als financieel rendement. De wijze waarop zij hun incassoproces inrichten kan tegelijkertijd aan beiden bijdragen. De beschikbaarheid van data en de toepassing van predictive analytics maakt dat corporaties het betaalgedrag van huurders kunnen voorspellen en hun aandacht en ondersteuning gerichter kunnen inzetten waar dat nodig is.”

Data maken voorspellingen
Volgens Florian staat het buiten kijf dat woningcorporaties met hun data het betalingspatroon van hun huurders kunnen voorspellen. “Uit het onderzoek blijkt dat – hoewel de datakwaliteit op onderdelen te wensen overlaat door niet ingevulde velden of menselijke fouten – je toch voorspellingen kunt doen over waar betaalachterstanden gaan plaatsvinden. Daarbij bleek echter wel dat er niet één model is dat overal werkt. Dat zou direct een mooi vervolgonderzoek zijn, waarbij verschillende predictive analytics modellen naast elkaar worden gezet, om te zien waar de voorspellingen het sterkst zijn.”

Verschil op detailniveau
Op de vraag hoe het incassoproces georganiseerd is bij woningcorporaties, vertelt Florian: “We zien dat de hoofdlijnen veelal gelijk zijn, maar de details van het proces vaak verschillen. Bijvoorbeeld in de keuze om de incasso zelf te doen of uit te besteden. In de praktijk kunnen zulke verschillen groot effect hebben; een incassobureau is vaak pragmatischer en heeft minder ruimte voor maatwerk. Overigens zijn Aedes en CorpoNet met begeleiding van VVA een project gestart waarbij in samenwerking met corporaties CORA referentieprocessen worden opgetekend. Het incasso referentieproces is als eerste opgesteld. Het biedt corporaties houvast en inspiratie, en bevat per processtap sturingsvariabelen, beschreven risico’s en input voor gegevensuitwisseling.”

Vicieuze cirkel voorkomen
Het belang van het voorspellen van betaalproblemen bij woningcorporaties is groot, legt Florian uit. “Dat komt door twee dingen. Aan de ene kant hebben corporaties steeds meer financiële druk. Ze willen er voor de huurder zijn, hen een betaalbaar thuis bieden, en daar is een zekere inkomstenstroom voor nodig. Ook wil je voorkomen dat corporaties hun geld moeten uitgeven aan kostbare juridische incassotrajecten bij achterstanden.”

“Aan de andere kant wil je voorkomen dat huurders in betaalproblemen raken. Uit onderzoek van Aedes in 2017 bleek dat 85 procent van de huisuitzettingen werd veroorzaakt door betaalachterstanden. Wanneer je hier als woningcorporatie beter op kunt inspelen, kun je vaker voorkomen dat ze in een vicieuze cirkel terecht komen waarbij de achterstanden steeds verder oplopen met alle gevolgen van dien.”

Achterliggende redenen
“Wat je ziet is dat niet iedere huurachterstand hetzelfde is,” gaat Florian verder. “De achterliggende reden kan soms enorm verschillend zijn. Je hebt mensen die bijvoorbeeld wel willen betalen maar het niet kunnen, en vice versa. Een voorbeeld van die laatste groep huurders is een bewoner die ontevreden is over de dienstverlening. Een reparatie wordt niet opgelost of niet goed uitgevoerd, en als vergelding maken ze de huur niet of niet op tijd over. Nu wordt daar vaak nog laat actie op genomen omdat corporaties pas laat achter de achterliggende oorzaak komen. Met behulp van data en predictive analytics kun je zo’n situatie echter sneller herkennen en met die persoon in gesprek gaan.”

Alwel
Tijdens zijn scriptie heeft Florian samengewerkt met woningcorporatie Alwel uit Noord-Brabant. “Het sloot mooi aan bij de ambitie van deze corporatie om haar dienstverlening te verbeteren met deze innovatieve aanpak. Van hen hebben wij een grote database met geanonimiseerde data ontvangen waarmee ik aan de slag ben gegaan. De eerste stap was het opschonen van deze data, denk aan het verwijderen van onmogelijk hoge inkomens of hele hoge huurbedragen. Vervolgens is er gekeken naar mogelijke variabelen die wat kunnen zeggen over het betalingsgedrag van huurders.”

Veelzeggende variabelen
Op de vraag wat de meest veelzeggende variabelen zijn bij het voorspellen van betaalachterstanden, vertelt Florian. “De belangrijkste blijkt – ook logisch – het hebben van eerdere betaalachterstanden te zijn. Het aantal huisbezoeken heeft ook effect, waarbij weinig huisbezoeken een grotere kans op achterstanden met zich meebrengt. Daarnaast laat het onderzoek zien dat huur innen via automatische incasso een goede manier is om achterstanden te voorkomen. Ook blijkt leeftijd ook een factor te zijn; jonge mensen lopen procentueel sneller een betaalachterstand op.”

“Een andere variabele is de wijk of zelfs het complex waar de huurder woont. Dat is erg interessant, want naast het beter voorspellen van huurachterstanden kan die data voor corporaties aanleiding zijn voor verder onderzoek. Want waarom is er juist in die wijk sprake van achterstanden, en kan een alternatieve aanpak tot verbetering leiden? Overigens is het niet zo dat een huurder die aan één van deze variabelen ‘voldoet’ een huurachterstand oploopt. Het gaat altijd om een combinatie van omstandigheden. 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 herinneringen ook de weersomstandigheden kunnen meenemen. Ook dit soort variabelen blijkt van invloed te zijn op het betaalgedrag van mensen.”

Woningcorporaties die geïnteresseerd zijn in de scriptie kunnen deze opvragen via f.dijkstra@vva-informatisering.nl

Bron: CorporatieGids Magazine, Foto: Shutterstock