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.

