Mohammed Elsaady

Elk jaar sturen Nederlandse gemeenten en éénloketten een golf van brieven, huisbezoeken

deur-aan-deurbezoeken en campagnes, waarin ze huiseigenaren aansporen om hun huis te isoleren, zonnepanelen te plaatsen of warmtepompen te installeren

. Toch lopen de meeste inspanningen op niets uit. Minder dan één op de vijf geïnteresseerde huiseigenaren

daadwerkelijk iets aanschaft, en de redenen daarvoor blijven een raadsel. Toen ik aan deze EngD begon, ontdekte ik

dat medewerkers jarenlang ongebruikte CRM-gegevens en Excel-bestanden hadden, waarin elk

huishouden bijhielden waarmee ze ooit contact hadden gehad. Ze wisten wie ze hadden gebeld, wat er was gevraagd,

en wie er iets had gekocht. Maar de echte vraag bleef hangen: wat onderscheidt de ‘adapters’ nu echt van

alle anderen?

Die vraag werd mijn missie. Nu wordt het antwoord in de praktijk gebracht, waardoor duidelijk wordt wat

huiseigenaren echt motiveert om te kopen en aangeeft waar campagnes daadwerkelijk

echt een verschil maken.

Ik verzamelde gegevens van drie one-stop-shops, elk met een eigen bedrijfsmodel,

en heb hun systemen zorgvuldig op elkaar afgestemd. Door elk huishouden te koppelen aan gegevens van Micro

CBS-gegevens over huishoudens en woningtypes, heb ik een levendig gegevensbeeld gecreëerd van wat tienduizenden

duizenden huiseigenaren daadwerkelijk deden nadat ze interesse hadden getoond, en niet alleen wat ze

in enquêtes aangaven.

Sommige bevindingen zetten de huidige gang van zaken op zijn kop. Het huis is belangrijker dan

het huishouden: het bouwjaar en het type woning voorspellen veel beter of iemand zonnepanelen koopt

veel beter voorspellen of iemand koopt dan leeftijd, inkomen of opleidingsniveau. Mensen die al zonnepanelen hebben, zijn

hebben een meerdere malen grotere kans om een warmtepomp te installeren, waardoor de helft van alle Nederlandse

huiseigenaren een doelgroep vormt waar nog niemand systematisch op inspeelt. Een klant die

eenmaal iets heeft gekocht, heeft bijna vier keer zoveel kans om opnieuw iets te kopen als een nieuwe lead, en de meeste

aanbieders nemen nooit meer contact met hen op. En het kanaal dat voor één product in

een bepaald type woning, kan de conversie voor een ander type juist verlagen, dus het op dezelfde manier behandelen van elke campagne

hetzelfde te behandelen, is een verspilling van geld en middelen.

Bevindingen op zich veranderen niets aan de manier waarop een gemeente haar volgende campagne plant, dus

heb ik een machine learning-tool ontwikkeld die dat wel doet. Deze is getraind op basis van dezelfde conversiegegevens

gegevens en voorspelt voor elke wijk in Nederland welke maatregelen

daar echt potentieel hebben, wat de drijvende kracht daarachter is en welke specifieke huizen in de

postcode het meest geschikt zijn. Een medewerker kiest een gebied, downloadt de adressenlijst en

wordt direct in een campagne ingezet. Wat vroeger op basis van ervaring werd beslist, wordt nu

op basis van feiten. Een korte presentatie van de tool is beschikbaar op

https://canva.link/qltfbefechw8hg2.

Verbouwstromen past de aanbevelingen al toe in haar advies aan one-stop-shops

en gemeenten, en de drie exploitanten bedienen samen de overgrote meerderheid van de Nederlandse

gemeenten.

Ik begon aan deze EngD met tien jaar ervaring in software, marketing en datawetenschap

. Voor het eerst had ik alle drie de vaardigheden tegelijk nodig, en het resultaat is

iets wat leiders in de energietransitie vandaag nog in een browser kunnen openen en in de praktijk kunnen brengen.