“In de afgelopen zes maanden heb ik de kans gehad om mijn afstudeeronderzoek te verrichten binnen de dynamische wereld van de vastgoedsector, met een specifieke focus op de hotelsector. Dit onderzoek, uitgevoerd in samenwerking met Envalue Real Estate, markeert het sluitstuk van mijn studie aan de Hanzehogeschool Groningen”, vertelt Gijs Tervooren.
In dit blog lees je meer over de data-integratie voor hotelwaarderingen door het toepassen van programmeertalen en data-analysetechnieken. Doel hiervan was om hoteltaxaties bij Envalue te verfijnen.
Betere onderbouwingsmogelijkheden bieden op basis van data
Het is door de heterogene aard van hotelvastgoed en de verstrekking van uiterst private gegevens (exploitaties, huurcontracten) complex om hotelvastgoed te waarderen. De specialistische taxateurs die deze waarderingen normaliter verrichten, steunen sterk op hun uitgebreide marktkennis voor nauwkeurige beoordelingen, onderbouwd met publieke marktrapporten en referenties. Die beide lastig en schaars zijn om te vinden. Het doel van mijn onderzoek was dan ook om voor Envalue hier verandering in te brengen.
Gijs vertelt verder: “Ik wilde taxateurs betere onderbouwingsmogelijkheden bieden op basis van data. Dit heb ik verwezenlijkt door meerdere verhuur- en hotelwebsites te onderzoeken en dataextractie methodes te gebruiken. Het resultaat: een dataset met gegevens over sterrenkwalificatie, faciliteiten, consumentcijfers, kamerprijzen en het aantal kamers van 1600 hotels in Nederland. Een screenshot van deze dataset vind je in de bijgevoegde afbeelding.
Verkrijging informatie
De informatie over het aantal kamers per hotel werd bijvoorbeeld verkregen door het inzetten van kunstmatige intelligentie die elke hotel- en verhuurwebsite doorzocht om de meest recente gegevens over het totale aantal kamers te extraheren.
Machine-learning model
Met behulp van deze dataset was het mogelijk een machine-learning model te trainen. Dit model is in staat om de kamerprijs te voorspellen op basis van de gegevens uit de dataset. Bijvoorbeeld voorspellingen op basis van de sterrenkwalificatie en het aantal kamers. De nauwkeurigheid van dit model neemt toe naarmate de hoeveelheid en diversiteit van de inputdata stijgt. Naast de gegevens uit de dataset zijn er ook regionale kenmerken opgenomen om regionale prijsverschillen te kunnen voorspellen.
Maar wat betekent dit nou in de werkelijkheid voor de taxateur?
Met behulp van de dataset en het machine-learning model kan de taxateur een solide onderbouwing bieden bij waarderingen, ondersteund door zowel de expertise als relevante data-analyses zoals hierboven beschreven. Dit zorgt voor een snellere en een uitgebreide hotelwaardering waarin de data de basis legt.
AVM voor hotelvastgoed
Hoewel een AVM voor hotelvastgoed nog niet binnen handbereik ligt, illustreert dit onderzoek de potentie van hedendaagse technologieën om de vastgoedwaardering aanzienlijk te verbeteren. De toegepaste methoden zijn breder toepasbaar en kunnen een significante meerwaarde bieden in taxaties. Zeker omdat de kwaliteit en de beschikbaarheid van openbare data met de dag beter wordt.
