interview
van chatbots en voice robots, voorzien van geavan- ceerde AI. Die geven klanten het gevoel met een echt mens te praten.”
Hebben deze technologische ontwikkelingen invloed op de makelaardij? “Jazeker. Als de makelaar zichzelf niet slimmer maakt, komt er uiteindelijk een machine (matchmaking en- gine), die op een slimmere manier aanbod in kaart brengt en slim matcht. Maar makelaars moeten inno- vatie niet zien als bedreiging. Er zijn alleen maar kan- sen. Het vrijmaken van repetitieve taken, zorgt ervoor dat de maatschappij vooruit komt. Dat makelaars zich op andere taken kunnen focussen. Een ander voor- beeld is het effect van de zelfrijdende auto’s op de makelaardij. Andere gebieden buiten de Randstad worden aantrekkelijker. Een uur reizen is niet een uur verloren, je kunt in je auto werken. Het werkveld ver- schuift.”
Is de makelaardij klaar voor cognitive computing? “We kochten afgelopen jaar een nieuwe woning. De reis die ik hier als klant binnen de dienstverlening van de makelaar maakte, van oriëntatie op funda tot bij de notaris, deed me ontzettend denken aan onze koop- reis in 2008. Die processtilstand bedroefde me. Verge- lijk dat met hoe banken, verzekeraars of e-commerce bedrijven de laatste tien jaar hebben geïnnoveerd. Daar zie je een ferme evolutie en digitalisering van de dienstverlening. De makelaardij denkt niet ‘digital first’. Dat komt wellicht doordat brancheverenigingen zo dominant zijn en niet inzetten op innovatie. Jam- mer, want makelaarsklanten zijn uitermate gediend bij slimme inzet van beschikbare technologie.”
Wat is de eerste stap die richting op? “Allereerst er zich van bewust worden hoeveel data men kan vergaren. Bij de veelvuldige contacten die makelaars met (potentiële) klanten hebben, alles wat hen opvalt, gestructureerd verzamelen en in een kwa- litatieve vragenlijst invullen. Daarmee kunnen ze an- dere koopsignalen, voorkeuren en zelfs prijselastici- teit door algoritmen laten berekenen en er hun voordeel mee doen. Het onderbuikgevoel van de ma- kelaar in combinatie van feiten aan de hand van data- analyse is echt kassa! Daarvoor moeten makelaars in gezamenlijkheid deze datastructuren gaan aanleg-
gen. Een computer kan interessante patronen bloot leggen. Ik verzin wat: nette mensen met blauwe ve- ters en vuile autovelgen betekent 0% koopbereidheid voor dat huis.”
Wat kan de makelaar daarmee? “Volgens mij kun je meer verdienen aan mensen die geen huis bij je kopen, dan mensen die dat wel doen. Er zijn veel contactmomenten van huizenkijkers op websites en platformen. Daarvan koopt meer dan 95% niets binnen drie maanden. Die mensen hebben, zeker in een overspannen markt, echt wel een euro- tje over voor relevante informatie op het juiste mo- ment. Een alert bij een passend huis, een gebeurtenis in hun straat of prijsschommelingen bijvoorbeeld. Een hele ander insteek, waarbij de vergaarde data goed van pas kan komen. Daar zit geld in. Dat is pas matchmaking en verbinding op maat. Een nieuw ver- dienmodel!”
En in de toekomst? “Geavanceerde chatbots zijn absoluut een uitkomst voor de makelaar als eerste contact op de website of in een klachtenprocedure bijvoorbeeld. Ik kan me daarnaast voorstellen dat er een partij opstaat, die commercieel met cognitive computing aan de slag gaat met alle data van (veel of alle) makelaars om de (verkoop)processen en marketing van makelaars te
‘ Makȩȗǽaȹs ȚȡǵɄen ȎȝȞȢvaɃȎǵ niȩɃ ɜȏen Ȁȗȼ bǵǷȹeȎgȏȝȈ’
optimaliseren. Dat kan een derde partij zijn, funda bijvoorbeeld, maar ook een groep samenwerkende (regio)makelaars, als de makelaars zelf de touwtjes in handen willen houden. Want de data van één make- laar stellen weinig voor, maar data van veel makelaars zijn goud waard. Daar kun je bruikbare slimme analy- ses op los laten. De mogelijkheden zijn eindeloos en creëren een immense kans om de concurrentie voor te zijn. Want het makelaarsvak verandert hoe dan ook. Wie z’n data gebruikt om het makelaarsproces slim- mer te maken, zal een goede toekomst hebben.”
17
Page 1 |
Page 2 |
Page 3 |
Page 4 |
Page 5 |
Page 6 |
Page 7 |
Page 8 |
Page 9 |
Page 10 |
Page 11 |
Page 12 |
Page 13 |
Page 14 |
Page 15 |
Page 16 |
Page 17 |
Page 18 |
Page 19 |
Page 20 |
Page 21 |
Page 22 |
Page 23 |
Page 24 |
Page 25 |
Page 26 |
Page 27 |
Page 28 |
Page 29 |
Page 30 |
Page 31 |
Page 32 |
Page 33 |
Page 34 |
Page 35 |
Page 36 |
Page 37 |
Page 38 |
Page 39 |
Page 40 |
Page 41 |
Page 42 |
Page 43 |
Page 44
