Woonfraude is een breed begrip. Zodra een huurder zich niet houdt aan de algemene huurvoorwaarden, pleegt hij of zij woonfraude. Doordat er zoveel onder woonfraude valt, hebben we er als woningcorporatie helaas ook vaak mee te maken. Om hier snel op te kunnen handelen, hebben we een algoritme ontwikkeld.
We hebben bij de Alliantie prestatieafspraken gemaakt om woonfraude zoveel mogelijk terug te dringen. Maar doordat het opsporen van woonfraude handwerk is, is het een hele uitdaging om die afspraken ook na te komen. Daarnaast worden de fraudeurs steeds slimmer, waardoor het ons extra veel tijd kost om ze op te sporen. Daarom moesten we het anders doen. Hoe kunnen we slimmer, sneller, veiliger én betrouwbaarder woonfraude aanpakken?
Het gebruik van algoritmes is bij de Alliantie niet nieuw. We gebruiken dit al om de huurprijzen voor onze woningen te voorspellen. Maar een algoritme kan nog veel meer, zolang je maar de juiste data aanlevert. Daarom zijn we gaan kijken hoe we een algoritme in kunnen zetten voor het opsporen van woonfraude.
Woonfraude wordt vaak gesignaleerd door een buur of een collega. Er wordt vervolgens een melding gemaakt, die op een lijst terecht komt. Deze lijst vormt de basis voor het algoritme. We hebben dus altijd eerst een melding over woonfraude ontvangen voordat we een woning überhaupt gaan onderzoeken.
Zodra een melding in onze administratie is toegevoegd, gaat het algoritme aan de slag. Op basis van de beschikbare informatie beoordeelt het algoritme of de kans op woonfraude groot is. Het algoritme kijkt bijvoorbeeld of er al eerder contact is geweest over huisbewaring, of dat een huuropzegging later weer is ingetrokken. Alle informatie wordt nauwkeurig afgewogen om vervolgens de kans op woonfraude in te schatten. De woningen met het meeste kans komen bovenaan de lijst te staan, zodat de woonfraude medewerkers deze woningen prioriteit geven boven andere woningen.
Het gebruik van een algoritme om woonfraude op te sporen heeft heel wat voeten in de aarde. Om het algoritme te leren voorspellen, moeten we eerst onderzoeken welke factoren de kans op woonfraude verhogen. Dit onderzoek is de basis voor het dataproces.
Zodra het algoritme draait, moeten we ‘m nog een hoop leren. Door de afgesloten woonfraudemeldingen goed te documenteren, helpen we het algoritme steeds beter te voorspellen. Zo wordt het systeem slimmer en slimmer.
Het algoritme is nog volop aan het leren. Dat komt onder andere doordat we tijdens corona niet op pad konden, en daardoor minder data hebben kunnen invoeren. Daarnaast zorgt het personeelstekort ervoor dat we niet genoeg mensen hebben om alle meldingen af te gaan.
Wel zijn de eerste resultaten nu al zichtbaar; we hebben een slagingskans van 64%, wat 1,5 keer meer is dan onderzoek zonder algoritme. Het doel is ook niet dat het algoritme altijd gelijk heeft, maar het gaat erom dat we efficiënter kunnen werken.
Inmiddels werken we organisatie-breed met het algoritme, waardoor we in bijna elke regio efficiënter omgaan met woonfraudemeldingen. Een interessante bevinding deden we in Almere. Hier werken collega’s die, door hun vele ervaring, nog veel efficiënter zijn dan het algoritme. Zij voeren daardoor nu meer data in, waardoor het systeem van hen kan leren.
Doordat we gebruik maken van persoonsgegevens, blijven we in gesprek met onze privacy-afdeling. De Wet Autoriteit Persoonsgegevens staat voor ons dan ook centraal bij het (door)ontwikkelen van het algoritme.