Robotadvies op hypotheekmarkt: is overheersing al dichtbij?

In een tijd waarin consumenten steeds meer zelf willen doen, lijkt het niet meer dan logisch dat (hypotheek)adviseurs op termijn gepasseerd worden. Wat is nu een robotadviseur en hoe zal die de taak van de mens overnemen? 

Ondanks de Google-revolutie en het sterk afgenomen aantal vormen weet de consument nog steeds vrijwel niets van hypotheken. Uit onderzoek van Van Ooijen en Rooij (2016) naar de Nederlandse hypotheekmarkt blijkt dat slechts 9% van de Nederlandse bevolking in staat is om drie relatief eenvoudige vragen over schulden correct te beantwoorden. Voor het intermediair goed nieuws, dit belooft namelijk genoeg nieuwe aanwas voor de komende jaren. Maar ondanks het gebrek aan kennis wil de consument wel meer zelf doen. Waar het intermediair tot voor kort de enige optie was, is het daarom bij steeds meer aanbieders mogelijk om zelf én online een hypotheek af te sluiten. Een volgende stap: het robotadvies.

Om inzicht te krijgen in wat een starter belangrijk vindt in het aanvraagproces hebben wij vijf diepte-interviews afgenomen met starters tussen de 25 en 30 jaar. De deelnemers hadden in het afgelopen jaar een hypotheek aangevraagd en succesvol afgesloten. Dit onderzoek wijst naar vier overkoepelende thema’s:

1) flexibiliteit – wat ik wil, wanneer ik het wil;
2) transparantie – inzicht in de afwegingen van de adviseur achter het advies;
3) bevestiging – iemand die je verzekert dat deze hypotheek voor jou de juiste is; en
4) vertrouwen – Het idee hebben dat diegene die jou helpt het beste met je voor heeft

Het intermediair staat vanuit haar rol als autoriteit op het gebied van hypotheken bij uitstek voor bevestiging en vertrouwen. Echter, qua flexibiliteit en transparantie valt er nog veel te winnen. Juist hier liggen de mogelijkheden voor robots.

Robots: flexibel, transparant, maar ook menselijk?

Hoewel de naam doet vermoeden dat de aanvrager wordt geconfronteerd met een blikken vervanger van de menselijke adviseur, dient het woord robot te worden opgevat in de geautomatiseerde zin van het woord. Een robot hoeft niet meer te zijn dan een rekenkern die op basis van data conclusies trekt en deze communiceert. Robots worden al meer gebruikt dan op het eerste gezicht zichtbaar is. Specifiek in het hypotheekdomein – bijvoorbeeld bij BijBouwe, Triodos en MoneYou – kunnen consumenten door middel van een formulier communiceren met een robot om zo tot de berekening van hun maximale hypotheek te komen. Ook Chatbots worden door steeds meer bedrijven gebruikt als eerste lijn voor vragen van consumenten.

Zoals eerder genoemd zijn robots flexibel en transparant in welke informatie van invloed is op bepaalde berekeningen, bijvoorbeeld die van de maximale hypotheek. Dit in tegenstelling tot een adviseur met vaste werktijden en een monopolie op het contact met de hypotheekverstrekker. Doordat dit sterk overeenkomt met wat consumenten belangrijk vinden in het aanvraagproces hebben robots hun plek verdiend in de online af te sluiten hypotheken. Echter, hun tekortkomingen liggen daar waar de adviseur zijn kracht ligt: het daadwerkelijke advies.

Ter vergelijking, een robot kan op dit moment bepalen hoeveel een hypotheekverstrekker aan je wil lenen, maar een adviseur legt ook uit wat in jouw financiële situatie daadwerkelijk een verstandig bedrag is om daadwerkelijk op te nemen. Dit advies en de expertise van de adviseur voorzien de consument in haar behoefte naar bevestiging en vertrouwen. Voordat robots breder kunnen worden ingezet binnen de hypotheekmarkt moeten zij hierin zien te groeien. Het proces dat hieraan ten grondslag zal moeten liggen is machine learning.

Machine learning en een tenniswedstrijd

Vertrouwen in robots kan alleen verdiend worden, en wel door te laten zien dat robotadvies even goed – dan wel beter is dan – advies van adviseurs. Belangrijk hierin is om te realiseren dat het niet nodig is om perfect advies af te geven. Namelijk, menselijke adviseurs maken evengoed fouten in hun advies. Een eerste doel voor robots zou dus moeten zijn om even nauwkeurig te worden als hun menselijke tegenhanger. Als deze mijlpaal bereikt is, kan het consumentenvertrouwen in geautomatiseerd advies groeien.

Om een gedegen advies te kunnen geven, moeten robots weten welke hypotheek het beste past bij de specifieke situatie van de consument. Het voorspellend vermogen, oftewel voorzien welke randvoorwaarden leiden tot welke uitkomst, is hier essentieel. Machine learning is het proces dat zorgt voor de ontwikkeling van dit vermogen in computers. Dit proces is onder te verdelen in drie globale stappen. Ter illustratie wordt hier de analogie gebruikt van een tennisser die wil voorspellen wanneer hij wel en niet zal kunnen tennissen.

Stap 1: data input

Als eerste stap heeft de robot een dataset nodig om van te leren. Deze dataset dient bepaalde variabelen te bevatten die mogelijk voorspellende waarde hebben. In het geval van de tennisser is bijvoorbeeld relevant hoe warm het op een dag is (temperatuur), wat de luchtvochtigheid is (luchtvochtigheid) en of er anderen zijn om mee te tennissen (tegenstanders). Ook is het belangrijk dat duidelijk is of er op die dag uiteindelijk gespeeld is (wel of niet getennist). Op basis van historische data van deze variabelen kan overgegaan worden op de volgende stap.

Stap 2: model trainen

Op basis van de aangeleverde gegevens dient de machine zelf een verband te ontdekken. Dit is het tegenovergestelde van conventionele modellen waar de programmeur een algoritme voorprogrammeert en de machine hiermee rekent. Door machine learning kunnen ingewikkelde modellen geautomatiseerd worden ontdekt. Hierbij bedenkt de computer dus zelf, door middel van statistiek, welke variabelen voorspellend vermogen bevatten. In het geval van de tennisser gaat het om een redelijk simpel model waarin alleen de variabelen temperatuur, luchtvochtigheid en tegenstanders mogelijk beïnvloeden of de tennisser zal spelen vandaag. Voor ingewikkeldere datasets biedt automatisering grotere voordelen.

Om de relatie tussen variabelen en de uitkomst betrouwbaarder te maken, kan het model, en het resulterende algoritme, oneindig gedetailleerd gemaakt worden. De weg naar een accurater model wordt ingebouwd in stap 3.

Stap 3: prestatie optimaliseren

Om het model, en daarmee de voorspelling, betrouwbaarder te maken, is het belangrijk dat niet alleen geleerd wordt van historische data maar ook van nieuwe data. Dit betekent dat de invoer van nieuwe data en daaropvolgende modellering een integraal proces moet worden van een machine learning cyclus. De tennisser moet dus blijven doorgeven wat de temperatuur, luchtvochtigheid en beschikbaarheid van tegenstanders op iedere dag was en wat de uiteindelijke uitkomst was.

De tennisser is een gesimplificeerd voorbeeld van de daadwerkelijke opbouw van voorspellende modellen. Voor een robotadviseur in het hypotheekdomein zien de stappen er soortgelijk uit. Historische gegevens van klanten, hun hypotheek en het verloop daarvan kunnen een voorspellend model voeden. Op basis van dat model kan een robotadviseur een bepaalde hypotheekvorm voor nieuwe klanten aanbevelen of juist afraden. Door een constante aanvoer van nieuwe datasets van nieuwe klanten kunnen de prestaties van het model geoptimaliseerd worden. De voordelen van zulke robots zijn duidelijk: flexibiliteit, lagere kosten, accuraat voorspellende vermogen en een veel snellere interpretatie van meer gegevens dan een menselijke adviseur ooit mogelijk achtte. Des te meer deze kwaliteiten bewezen worden door succesvol verlopen hypotheken afgesloten o.b.v. robot-advies, des te groter zal het vertrouwen in deze robots groeien. Als gevolg hiervan zal ook de bevestiging die consumenten ervaren in een robot-adviestraject vergroot worden.

Vinger aan de pols

Het lijkt een kwestie van tijd voordat we bij robots terecht kunnen voor advies over onze hypotheek. Waar ze nu worden ingezet om alleen de maximale hypotheek te berekenen, zal machine learning leiden tot het redenerend vermogen om specifieke hypotheekproducten af of aan te raden. Het wordt dan ook interessant om te zien wat hypotheekaanbieders en adviseurs in de komende jaren de markt mee zullen betreden. Er wordt in ieder geval openlijk, en waarschijnlijk ook achter gesloten deuren, in geïnvesteerd.

Op het eerste gezicht lijkt deze ontwikkeling in theorie te leiden tot een steeds kleiner wordende rol voor adviseurs in hun huidige vorm. Hoewel niet te ontkennen valt dat de rol van robots groter zal worden, valt te betwisten of de rol van menselijke adviseurs niet gewaarborgd blijft. Zoals aan het begin van dit artikel genoemd, is het afsluiten van een hypotheek misschien wel de zwaarste beslissing van je leven. Hoewel een robotadviseur op de lange termijn gedegen advies kan geven voor een fractie van de prijs van een menselijke adviseur, dient op de korte termijn een fysieke vinger aan de pols gehouden te worden. Aan de ene kant is dit omdat het nodig is om een menselijke controle te doen op het model dat de machine maakt. Namelijk, wat voor een machine puur op basis van statistiek logisch kan lijken, is in de realiteit misschien niet wenselijk, bijvoorbeeld wanneer emotieve redenen een rol spelen. Om fouten in de logica van machines te ontdekken is een menselijke controle, uitgevoerd door adviseurs, de beste optie. Of wij mensen die controle weten te houden, valt nog te bezien.

*) Dit artikel is geschreven in samenwerking met Dennis Boesser