Hoe locatiegerichte data science de markt voor vastgoedbeleggen verandert

Investeren in vastgoed is meer dan alleen beleggen in een specifiek pand of object. Vastgoedbeleggen betekent ook investeren in een locatie, cluster of regio. De manier waarop een complete regio zich ontwikkelt kan immers ook van invloed zijn op het investeringsrendement van een specifiek vastgoedobject. Door data science en handige analysetools in te zetten wordt het mogelijk om historische ontwikkelingen van vastgoedprijzen te vertalen naar trends.

Inmiddels is het gebruik van big data niet meer weg te denken binnen de beleggingswereld. Zo stellen analisten van Goldman Sachs Asset Management dat dankzij de groei en beschikbaarheid van niet-traditionele databronnen zoals internetverkeer, octrooiaanvragen en satellietbeelden, zij meer genuanceerde en soms onconventionele data gebruiken om een informatievoordeel te behalen en betere beleggingsbeslissingen te kunnen nemen. De analisten kunnen dankzij de data betere inspelen op beleggingsthema’s als momentum, waarde, winstgevendheid en sentiment.

Ook binnen de vastgoedmarkt is er over de afgelopen tientallen jaren een schatkamer aan data verzameld. Informatie over vastgoedtransacties en prijsontwikkelingen lagen in eerste instantie te verfstoffen. Een onderzoek van KPMG laat echter zien dat steeds meer investeringsmaatschappijen en grote vastgoedbedrijven data science inzetten om op basis daarvan strategische keuzes binnen hun vastgoedportefeuilles te kunnen maken.

Met name als het gaat om de waardering van vastgoedobjecten kan big data en data-analyse absoluut meerwaarde bieden bij het bepalen van vastgoedprijzen en verwacht rendement. Maar hoe werkt dat in de praktijk?

Verschillende technieken

De prijs- en waardeontwikkeling van vastgoed is in de eerste plaats afhankelijk van macro-economische ontwikkelingen. Cijfers omtrent werkgelegenheid, consumentenvertrouwen en het bruto binnenlands product (bbp) kunnen de vastgoedwaarde sterk beïnvloeden.

Toch zijn fluctuaties van de vastgoedwaarde afhankelijk van veel meer factoren. De grootste uitdaging voor de accurate waardering zijn de vele variabelen. Hierdoor kan de waarde van bijvoorbeeld twee appartementen binnen hetzelfde gebouw dankzij eigenschappen als grootte, uitzicht en samenstelling wezenlijk verschillen. Om deze variabelen gelijk te kunnen trekken zijn er verschillende methoden ontwikkeld, zoals de ‘Hedonic Regression’ techniek en de ‘repeat sales’ methode.

Toch beperkt de waardering van vastgoed niet zich niet enkel tot de fysieke kenmerken van vastgoedobjecten. De locatie en directe omgeving van een vastgoedobject zijn minsten zo belangrijk. Met name commercieel vastgoed is voor een gunstig rendement zeer afhankelijk van de locatie en samenstelling van de lokale bevolking. Een winkel die uitsluitend high-end producten verkoopt zal hoogstwaarschijnlijk slecht renderen binnen een regio waar het gemiddeld inkomen van de bevolking relatief laag ligt.

Verken de omgeving

Ook maakt data science het mogelijk om beter inzicht te krijgen in het verleden, heden en zelfs de toekomst van regionale vastgoedontwikkeling. Een van de methodes om dat inzicht te krijgen is door gebruik te maken van zogenoemde ‘Geographic Information Systems’ (GIS). Bekende voorbeelden van enkele GIS-tools zijn ´Quantum Gis´ en ´ArcGis´.

Doordat gemeentes en lokale overheden steeds meer informatie en data beschikbaar stellen, kunnen dergelijke GIS-tools helpen om lokale vastgoedtrends te analyseren. Denk verder ook aan gegevens omtrent de lokale bevolking, projectontwikkelingsplannen en gebiedsontwikkeling die beschikbaar zijn om te analyseren.

In de praktijk kan een GIS-systeem worden ingezet om specifieke vastgoedobjecten binnen een gebied uit te lichten. Zo is het bijvoorbeeld mogelijk om te zien welke kantoorpanden binnen een bepaalde straal vanaf het dichtstbijzijnde treinstation liggen. De aanwezigheid van dergelijke openbare faciliteiten kunnen immers een positief effect hebben op de waarde van vastgoed. Denk bijvoorbeeld aan de reistijd voor werknemers. Op basis van dit soort data kan ook het prijsverschil per vierkante meter berekend worden voor kantoorpanden die verder afliggen van een treinstation.

Een GIS-systeem kan verder ook informatie geven over alle vastgoedtransacties binnen een specifiek gebied over een bepaalde periode. Dankzij GIS kunnen vastgoedinvesteerders al met al eenvoudiger en sneller een geschikt vastgoedobject vinden dat past bij hun wensen, bijvoorbeeld voor het vinden van de juiste winkellocatie.

Op deze manier dienen big data en data-analyse als een soort matchmaking tool voor vastgoed en beleggers.

Data-analyse op basis van clusters

De prestaties van onroerend goed kunnen per locatie sterk verschillen, bijvoorbeeld door macro-economische factoren. Niet alleen per land, maar ook op stedelijk niveau. Denk bijvoorbeeld aan lokale factoren zoals economische activiteit en aanbod. Binnen een stad kunnen sommige buurten of stadsdelen ook zeer verschillend presteren.

Om de vastgoedmarkt enigszins te kunnen voorspellen wordt de waardeontwikkeling van meerdere vastgoedobjecten vergeleken. Zo kan er naar trends worden gezocht, waarbij groepen met vergelijkbare vastgoedobjecten dezelfde ontwikkeling laten zien. Deze vorm van data science noemt men ook wel clusteranalyse. Hierin worden datapatronen blootgelegd om te bepalen welk vastgoed naar verwachting gelijkwaardig presteert en welke panden zich mogelijk kunnen onderscheiden.

Een praktijkvoorbeeld is het clusteren van supermarkten buiten de Randstad. Hoe reageert de waarde van deze clustergroep op macro-economische ontwikkelingen of bij bepaalde wetswijzigingen? In dit geval gebruikt men dus geen data op lokaal niveau van één enkele supermarkt, maar worden alle supermarkten samengevoegd die zich binnen een landelijk gebied bevinden. Deze data kan vervolgens ook vergeleken worden met supermarkten die zich juist wel binnen de Randstad bevinden.

Clusteranalyse kan vastgoedinvesteerders op deze manier helpen om meer inzicht te krijgen in bepaalde trends van vergelijkbare vastgoedobjecten. Wanneer bijvoorbeeld blijkt dat supermarkten binnen de Randstad kwetsbaarder zijn voor schommelingen in de werkgelegenheidscijfers, kan een vastgoedbelegger deze kennis meenemen in zijn beslissingsproces of als onderdeel van risicospreiding binnen zijn vastgoedportefeuille.

Wat locatie voor uw vastgoedrendement betekent

De kenmerken en eigenschappen van een vastgoedobject zijn belangrijk voor de waardering. De kenmerken en ontwikkeling van de locatie en directe omgeving zijn echter nog bepalender voor de inschatting van het potentieel rendement.

Hoe kwetsbaar is een mogelijke vastgoedinvestering voor de ontwikkeling van macro-economische cijfers van de betreffende regio? Hoe presteert een vastgoedobject ten opzichte van vergelijkbare vastgoedobjecten? Dankzij de inzet van data science kunnen investeerders deze vragen steeds beter en accurater beantwoorden.