Computable reikt ook dit jaar de award IT Project of the Year uit. Voor deze prijs zijn vijf ict-projecten genomineerd. Vandaag vertelt Philippe Meire, oprichter van vastgoed-startup March, over de March Matching Engine (MME), een machine learning (ml)-algoritme, ontwikkeld door kunstmatige intelligentie (ai)-specialist ML6, om beschikbare potentieel geïnteresseerde bedrijven te koppelen aan beschikbare bedrijfspanden.
1. Wat was de aanleiding voor het project?
‘Commerciële makelaardij werkt nog altijd op dezelfde manier als honderd jaar geleden: een bordje met te koop of te huur ophangen en wachten tot er iemand reageert. Hoewel je dat bordje nu ook digitaal kan hangen, blijft het een reactief proces. Een makelaar op zoek naar een koper of huurder heeft daardoor weinig kans om zich te onderscheiden. Proactief werken is moeilijk: je kan als makelaar slechts een beperkt aantal mensen contacteren, en de kans om de juiste partij te treffen, is laag. Inzicht in welke bedrijven potentieel geïnteresseerd zijn in jouw pand, zou de kans dat je de juiste partij benadert sterk verhogen en dit proces efficiënter maken.’
2. Voor welke oplossing is er gekozen?
‘March is een vastgoed-startup gespecialiseerd in bedrijfspanden. We gaan uit van een eenvoudig maar belangrijk principe: elk bedrijf beslist op rationele basis over de plaats waar het zich wil vestigen. De factoren die een invloed hebben op de vestigingsbeslissing zijn echter voor elk bedrijf en elke sector anders. Daarom is het een samenwerking aangegaan met ML6, een bedrijf gespecialiseerd in ai-oplossingen.
Op basis van open data zijn alle bestaande locaties van elk bedrijf in Vlaanderen in kaart gebracht en is geanalyseerd welke parameters voor verschillende soorten bedrijfsactiviteiten relevant zijn bij het kiezen van een vestigingsplaats. Kenmerken die daarbij naar bovenkwamen zijn grootte van het perceel, afstand tot de dichtstbijzijnde oprit van de autosnelweg, afstand tot centrumsteden en socio-economische indicatoren.
Vervolgens is een ml-model dat patronen en parameters leert herkennen in de locaties en die linkt aan bepaalde handelsactiviteiten. Dat model gebruiken we nu om te voorspellen welke sector en welk bedrijf past op een nieuwe locatie die we behandelen. We kunnen ook precies uitleggen waarom dat bedrijf op die locatie past, omdat we zien welke parameters opduiken. Op die manier kunnen we bedrijven gericht benaderen met precieze informatie. We maken op die manier koude acquisitie (cold calling) voor het eerst rendabel in de vastgoedsector.’
3. Hoe zag het project eruit?
‘We verwerkten het ml-algoritme in een interne online-tool die het makkelijk maakt om voor een bepaald gebouw bedrijven te selecteren op basis van hun geschiktheid voor die locatie en die bedrijven dan te benaderen met gepersonaliseerde informatie.
We merken dat we door een dergelijke aanpak een hoge responsgraad krijgen van bedrijven. Vier weken na het eerste contact zien we dat slechts dertig procent niet antwoordt. De overige zeventig procent reageert wel, waarbij tien procent van de aangesproken bedrijven aangeeft effectief op zoek te zijn naar een nieuwe locatie. Voor vastgoed zijn dat hoge cijfers.
We zijn uiteraard tevreden met deze cijfers. Dit betekent dat we op het juiste spoor zitten en verder kunnen werken op het nog accurater maken van ons algoritme door nog meer parameters toe te voegen. We willen in de toekomst ons systeem ook meer en meer omgekeerd gaan gebruiken, om bedrijven die op zoek zijn te helpen met waar ze zich het best kunnen vestigen.’
4. Wat zijn de succesfactoren in het project?
‘Het is belangrijk om met een open vizier in dit soort projecten te stappen. Je kan nooit helemaal voorspellen hoe data zich gedragen en welke inzichten de ml-algoritmes verschaffen. Je kan dit als negatief zien of als opportuniteit. Door met open geest te experimenteren kan je domeinkennis gaan combineren met de bijna eindeloze rekenkracht die ai en cloud computing vandaag bieden. Op die manier is het mogelijk om radicaal te innoveren en fundamentele waarde te genereren.
Een tweede succesfactor was de positieve samenwerking tussen March en ML6. Als vastgoed-startup beschikt March over de domeinkennis van de vastgoedmarkt en een visie op hoe innovatie daar meerwaarde zou kunnen brengen. In samenwerking met ML6 is dit in de praktijk gebracht. Een goede samenwerking en open communicatie is daarbij van het grootste belang. Enerzijds was het belangrijk dat bestaande kennis over commercieel vastgoed zijn weg vond naar het model. Anderzijds was het belangrijk dat die kennis correct vertaald werd naar parameters waar het algoritme mee aan de slag kon.
Een derde succesfactor, waarvan het belang moeilijk overschat kan worden, was de beschikbaarheid van open data. Voor ons algoritme combineerden we data van een dozijn verschillende open-databronnen opengesteld door overheden en organisaties. Het ging daarbij om geografische, socio-economische en financiële data. Zonder deze data was dit project niet mogelijk geweest en wij zouden dan ook willen oproepen om dit beleid verder te zetten.’
5. Wat zijn de leerpunten uit het project?
‘Vastgoed is een sector waarin de bedrijfsprocessen nog weinig gedigitaliseerd zijn. Dit project is een mooi voorbeeld van een concrete toepassing van ai die een verschil maakt in de praktijk, en een reëel probleem oplost. Ons MME-project maakt een nieuwe aanpak mogelijk in een sector die al (te) lang op dezelfde manier werkt.
Om robuuste ml-modellen te bouwen heb je veel data nodig. In het kader van dit project brachten we alle vestigingen van bedrijven in Vlaanderen in kaart en combineerden die gegevens met een reeks bijkomende databronnen. Dit soort volumes aan data vraagt gespecialiseerde tools en ml-algoritmes om snel en efficiënt een optimale strategie te kunnen identificeren.
Er is ook een duurzaam aspect aan dit project: doordat we proactief en digitaal werken, plaatsen we bijna nooit meer borden en fysieke reclame. Dit zorgt voor minder vervuiling, ook visueel.’
6. Wat betekent een nominatie voor uw organisatie?
‘Deze nominatie is voor ons belangrijk. We hadden een jaar geleden nooit durven dromen dat we een dergelijke nominatie zouden kunnen krijgen, omdat we in een sector werken die niet voor de hand ligt en op z’n minst gezegd niet gekend is voor digitale innovatie. Deze award betekent voor ons als piepjong bedrijf dan ook een ongelooflijke ruggensteun, en moedigt ons aan om door te zetten op het pad van vernieuwing in de starre vastgoedsector.
Daarnaast zou deze nominatie ook een aanleiding kunnen vormen om aandacht te vragen voor de waarde die de overheid kan genereren door hun gegevens vrij beschikbaar te stellen. Momenteel worden nog te veel kansen gemist doordat waardevolle publieke data worden afgeschermd.’
7. Wat is de status van het project?
‘De applicatie wordt op dagelijkse basis gebruikt door de March-agenten. ML6 blijft de applicatie verder verfijnen en ontwikkelen, om deze efficiënter en bruikbaarder te maken. Zo is er sterk ingezet op de gebruikersinterface van de applicatie en de correcte analyse van de resultaten, zodat de March-medewerkers snel over de gewenste informatie beschikken. Door het gebruik van de MME weten de agenten welke bedrijven ze kunnen contacteren met welke informatie, en kunnen ze volledig focussen op het menselijk contact en de connectie met de prospects.’
