Een werkstudent van PWCo en Maastricht University voeren samen een onderzoek uit op het gebied van Data Science. Het doel bij dit onderzoek is om de oorzaken en factoren van leegstand te identificeren, en met behulp van deze factoren een model te ontwikkelen om voorspellingen te kunnen maken ten aanzien van mutaties en de duur van eventuele leegstand.
De leegstand in het woningbezit voorspellen
Met gebruik van object gerelateerde data, m.a.w. informatie over de kenmerken van objecten (wws-punten, type etc.), de huidige status van de objecten (WOZ-waarde, conditiescore, huur, etc.) geanonimiseerde informatie over de bewoners (gezinssamenstelling, leeftijd, etc.) en de historie van de leegstand, kan een voorspelling gemaakt worden over de te verwachten leegstand in de komende tijd.
Historische data als hulpmiddel
Luc Linders: “Momenteel volg ik een internship bij PWCo in het kader van de master Data Science for Decision Making aan Maastricht University. Mijn onderzoek heeft als doelstelling om mutaties c.q. leegstand te voorspellen in het woningbezit van corporaties met gebruik van historische data.
Deze voorspellingen maak ik met gebruik van Data Mining en Machine Learning technieken. Voorbeelden van mogelijke uitkomsten zijn de voorspelling van de duur van leegstand en de procentuele kans op een mutatie aan de hand van een aantal “key-indicatoren”.
PWCo heeft nauwe samenwerkingsverbanden met scholen en universiteiten en streeft hiermee maatschappelijk en sociaal toegevoegde waarde na.
