Smooved - Makelaars aanbevelen aan huiseigenaars
België telt meer dan 5.000 actieve vastgoedmakelaars. Voor eigenaars die willen verkopen of verhuren bestond er geen datagedreven manier om makelaarsprestaties te vergelijken en de juiste match voor hun regio te vinden. Samen met Smooved bouwden we een aanbevelingsengine voor HouseMatch.be die dagelijks makelaarsdata analyseert en gerangschikte suggesties toont op basis van objectieve, verklaarbare criteria.
Het probleem met een makelaar vinden
Drie kwart van de mensen die een huis verkopen, omschrijft het proces als stresserend. Met duizenden reviews verspreid over Google, Facebook en andere bronnen bestond er geen betrouwbare tool om door dat volume heen te snijden en de juiste match te vinden voor een specifiek pand in een specifieke regio.
Smooved bouwde HouseMatch om dat probleem op te lossen. Wat ze nodig hadden: een aanbevelingsengine gebouwd op echte, actuele data. De beslissingen moesten helder uit te leggen zijn aan de makelaars die gerangschikt werden. Zonder verklaarbaarheid was het systeem niet te verkopen. Zonder de data was het niet te vertrouwen.
Waarom verklaarbaarheid een vereiste was
Smooved had een aanbevelingsengine nodig die de ideale makelaar kon voorstellen op basis van echte prestatiedata, niet enkel nabijheid. Het systeem moest verklaarbaar zijn voor zowel eindgebruikers als het salesteam van Smooved. Dat team had transparante rankings nodig om makelaars aan boord te houden.
Een geloofwaardig concept met een lastig uitvoeringsprobleem
Smooved had een heldere productambitie: met HouseMatch zouden verkopers hun regio kunnen scannen en gerangschikte makelaarsaanbevelingen krijgen op basis van objectieve, verifieerbare data. Het concept was geloofwaardig. De uitvoering vroeg iets wat nog niet bestond: een gestructureerd en continu bijgewerkt beeld van de Belgische makelaarsmarkt, opgebouwd uit gefragmenteerde en inconsistente bronnen.
De aanbevelingen moesten ook verdedigbaar zijn. Een makelaar met een lage ranking zou vragen waarom. Het salesteam van Smooved moest die vraag rechtstreeks kunnen beantwoorden, zonder zich te verschuilen achter vage modeloutput. Verklaarbaarheid was geen nice-to-have. Het was een commerciële vereiste.
Wat de eerste poging ons leerde
We begonnen waar de meeste dataprojecten beginnen: data verzamelen. De Belgische makelaarsmarkt werd in kaart gebracht, reviewbronnen werden ingeladen en verschillende machine learning-modellen werden getraind op de resulterende dataset.
Onder echte omstandigheden vielen ze door de mand: de output was niet verklaarbaar. Wanneer het team van Smooved vroeg waarom een makelaar stond waar hij stond, hadden de modellen geen bruikbaar antwoord. Het gevolg was voorspelbaar: makelaars vertrouwden het systeem niet. Ze aan boord krijgen werd erg moeilijk.
Het werk stopte. Wat productieve vooruitgang had geleken, wees in de verkeerde richting. Dus zaten we opnieuw samen, dit keer met een echt open briefing. We herbouwden de probleemstelling vanaf nul.
Bepalen wat het systeem echt moest doen
De tweede aanpak vertrok van een steviger uitgangspunt. Elke makelaarsscore moest terug te voeren zijn op specifieke, interpreteerbare factoren: het soort dat een rechtstreeks verkoopgesprek overleeft. Vanuit die vereiste werkten we met Smooved terug. Welke data was echt nodig? Wat bracht ruis binnen? Wat moest het model uitleggen, en aan wie?
Elke sprint bevatte workshops waarin beide teams de output samen stresstestten. Ze namen edge cases door tot de aanbevelingen overeind bleven onder kritische blikken. Waar de eerste poging snel vooruitging en alignering veronderstelde, bevestigde de tweede ze bij elke stap.
Wat er gebouwd werd
De data-infrastructuur
Een Azure datawarehouse met vier lagen vormt de fundering. Ruwe data uit de interne API's van Smooved staat naast makelaarsprofielen en reviews die via externe API-integraties uit Google en Facebook Places worden ingeladen. Elke laag verfijnt en verrijkt de data eronder. Tegen de gold-laag heeft elke makelaar een coherent en continu bijgewerkt profiel, opgebouwd uit meerdere onafhankelijke bronnen.
Op schaal betekent dat: meer dan 5.000 makelaars die elke dag geanalyseerd worden en meer dan 120.000 reviews die continu verwerkt worden, zonder manuele tussenkomst.
Sentimentanalyse op schaal
Sentimentanalyse op makelaarsreviews loopt via een Zero-Shot Learning BERT-model. Zero-shot was de juiste keuze voor dit probleem: het had geen gelabelde trainingsdata nodig specifiek voor het Belgische vastgoeddomein. Dat schrapte maanden voorbereidingstijd en vermeed de bottleneck van manuele samplesets. Het model haalt 95% accuraatheid op sentimentclassificatie.
De output voedt rechtstreeks de makelaarsprofielen: diensten waar een makelaar consistent goed op scoort en punten waar hij tekortschiet. Alles automatisch geïdentificeerd en continu bijgewerkt.
Het aanbevelingsmodel
De aanbeveling zelf komt van een custom wiskundig model, van bij het begin ontworpen om interpreteerbaar te zijn. Elke output is traceerbaar. Wanneer een makelaar hoog of laag scoort, zijn de factoren achter die positie zichtbaar voor het team van Smooved. Waar relevant ziet ook de makelaar zelf ze.
Het model wordt ontsloten via een versioned API-endpoint. Zo kunnen we meerdere versies parallel draaien, prestaties vergelijken en wijzigingen gecontroleerd naar productie brengen. De productieversie ging live volgens planning, klaar voor de lancering van HouseMatch.
Impact bij lancering
Wat er gebeurde bij de lancering
HouseMatch lanceerde. Op dag één genereerde het platform bezoeken aan bijna een kwart van alle actieve Belgische makelaars. Meer dan 100 extra makelaars namen contact op met Smooved om een partnership aan te vragen.
De lopende pipeline verwerkt dagelijks 5.000+ makelaars en 120.000+ reviews om de rankings actueel te houden.
“Met HouseMatch willen we huiseigenaars helpen om hun vastgoedtransactie naar de gelukkigst mogelijke uitkomst te loodsen. Tegelijk willen we vastgoedmakelaars meer zichtbaarheid geven bij verkopers en verhuurders.”
