De Fosbury Flop voor WOZ-waarderingen
Lorenzo Dorigo - blog auteur portret Lorenzo Dorigo
Kalender icoon
23 Januari 2020

Wel eens van de Fosbury Flop gehoord? Wat je antwoord op die vraag ook is, als je ergens in de afgelopen 50 jaar wel eens naar hoogspringen gekeken hebt, heb je 'm ongetwijfeld wel eens in actie gezien — de atleet spring achteruit over de lat . Die techniek is de huidige maatstaf voor maximale prestatie in een hoogspringwedstrijd.

Maar wat heeft de Fosbury Flop met WOZ-waarderingen te maken?

Het is een uitstekend voorbeeld van hoe vooruitgang geboekt wordt. Op ieder gebied vind je stabiele periodes waarin doorlopend kleine verbeteringen plaatsvinden. Die periodes worden af en toe opgeschud door revolutionaire veranderingen die een enorme vooruitgang teweegbrengen.

De ontwikkeling van WOZ-waarderingen bevindt zich nu op zo'n cruciaal omslagpunt: de technische ontwikkelingen van data science en machine learning kunnen de manier waarop we woningwaarderingen berekenen en onderbouwen revolutionair veranderen.

Evolutie of revolutie?

In de meeste gevallen hangt langetermijnsucces af van twee op het oog tegenstrijdige factoren:

Verbetering is meestal iets goeds: het is dan ook belangrijk om je methodes en werkprocessen bij te stellen als er iets verandert. Maar soms kom je op een punt dat een andere aanpak of methode in feite nauwelijks tot verbetering leidt. Als je eenmaal op dat punt aangekomen bent, is het tijd voor echte vernieuwing.

Goede ondersteuning maakt het verschil

Op dit vlak kunnen we een hoop leren van hoogspringers. Voordat de Fosbury Flop werd uitgevonden, waren er drie technieken om over de lat te komen: de schaarsprong, de zijrol en buikrol. Pas toen het toegestaan werd om landingsmatrassen achter de lat te leggen, werd ook de Fosbury Flop toegepast. Het gevolg? Atleten braken het ene hoogspringrecord na het andere.

Vergelijking hoogspring technieken

Dit geldt net zo goed voor het waarderen van onroerend goed. Door het inzetten van regressie-analyses, procesondersteunende software, professionele standaarden en certificering hebben we stapsgewijs steeds meer vooruitgang geboekt. Veel van deze maatregelen stammen uit de tijd vlak na de financiële crisis, toen pijnlijk duidelijk werd hoe belangrijk - en hoe ingewikkeld - het was om heldere waarderingen te genereren. Toch hebben al deze 'verbeteringen' niet per se tot nauwkeurigere of betrouwbaardere waarderingen geleid. Tijd voor een baanbrekende verandering dus!

Het toepassen van data science en machine learning is de katalysator voor die revolutionaire verbetering op het gebied van WOZ-waarderingen, net als destijds het introduceren van landingsmatrassen een revolutie ontketende binnen het hoogspringen. Het zorgt ervoor dat waarderingen op een nieuwe, innovatieve en - zeker niet onbelangrijk - nauwkeurigere en betrouwbaardere manier kunnen worden berekend.

Blind vertrouwen

Net als de keuze voor de Fosbury Flop destijds is ook nu het bewust kiezen voor een dergelijke grote verandering best spannend. Dit legt Nadine Broersen, met 1,94m de huidige Nederlandse recordhouder hoogspringen uit in "De kunst van het hoogspringen met de Fosbury Flop".

Tijdens de sprong draait de atleet met de rug naar de lat en vertrouwt erop dat voldoende training en de juiste techniek ervoor zorgt dat de lat letterlijk steeds hoger komt te liggen. Het gebruik van machine learning tools zoals GeoPhy WOZ vraagt net zoveel vertrouwen van gebruikers. Waar ze gewend zijn om te werken met tijdrovende methodes zoals het handmatig verzamelen en berekenen van gegevens, vraagt GeoPhy WOZ van hen om te vertrouwen op de kundigheid van computerberekeningen en machine learning om zo een nauwkeurig model voor diezelfde waarderingen op te stellen. Maar hoe kunnen we van taxateurs een dergelijke mate van blind vertrouwen verwachten?

Net zoals atleten dat doen: door voldoende feedback. Voor hoogspringers is die feedback dat ze na de sprong op de matras landen zonder dat de lat gevallen is. Voor taxateurs en andere WOZ-professionals bestaat die feedback uit prestatiemaatstaven zoals de Median Absolute Percentage Error (mdAPE) en ex-post testing (het vergelijken van transacties die plaatsvonden na de waardering en die niet zijn gebruikt om die waardering te berekenen. Deze transacties worden vervolgens aangepast volgens de huizenprijsindices om de verstreken tijd en marktontwikkelingen te compenseren.).

Nadine's uitleg over hoe ze precies beweegt tijdens haar sprong is erg interessant: precies op het moment dat ze over de lat komt, buigt ze achterover, zodat haar zwaartepunt onder de lat door gaat. Natuurlijk berekent ze dat niet bij iedere sprong opnieuw, maar ze begrijpt hoe het werkt en weet waar ze op moet inzetten.

Voor taxateurs en andere WOZ-professionals is het net zo belangrijk dat ze inzicht krijgen in de nieuwe methodologie en de onderliggende waardebepalende factoren om tot de juiste waardering te komen.

De lat ligt hoog

GeoPhy WOZ is voor WOZ-waarderingen wat de Fosbury Flop was voor de hoogspringsport: de datagestuurde, objectieve aanpak leidt tot verbeterde nauwkeurigheid. Daarmee leggen we de lat voor WOZ-implementatie flink hoger. Uit onderzoek blijkt dat er een belangrijk verband bestaat tussen de nauwkeurigheid van WOZ-waarderingen en het aantal bezwaarprocedures dat gestart wordt. Deze efficiëntere aanpak zorgt er niet alleen voor dat huiseigenaren meer vertrouwen krijgen in de overheid, maar voegt ook voor de gebruikers reële waarde toe.

We sluiten af met twee waarschuwingen:

Meer weten? Neem contact met ons op voor een strategiesessie over hoe je met een datagestuurde aanpak en machine learning de lat voor je eigen WOZ-waarderingen ook hoger kunt leggen.