De basis op orde

Data en AI-toepassingen voor vastgoedsturing zijn beschikbaar en krachtig. Maar ze leveren pas waarde op wanneer de onderliggende datafundamenten kloppen. De Algemene Rekenkamer laat jaar na jaar zien dat die fundamenten bij grote publieke vastgoedhouders nog niet op orde zijn. Voordat een organisatie investeert in geavanceerde analyse of AI, verdient de basis voorrang.

Over deze whitepaperreeks

Publieke organisaties beheren samen een omvangrijke en maatschappelijk waardevolle vastgoedportefeuille. Gemeenten, politie, ziekenhuizen, scholen en de rijksoverheid sturen daarmee niet alleen op kosten, maar ook op verduurzaming, beschikbaarheid van voorzieningen en kwaliteit van dienstverlening. Tegelijkertijd is de data over dat vastgoed vaak versnipperd, en worden AI-toepassingen aangeboden als wondermiddel terwijl de basis nog niet op orde is.

Cleverstone schreef deze reeks van drie samenhangende whitepapers om die spanning te ontrafelen. De delen volgen een bewuste opbouw, van basis via toepassing naar strategie, en zijn elk los te lezen.

• Deel 1 · De basis op orde. Waar staat de publieke sector qua datavolwassenheid, en waarom is de basis een voorwaarde?
• Deel 2 · Van data naar toepassing. Welke toepassingen, inclusief AI, leveren waarde zodra de basis er is?
• Deel 3 · Sturen op portefeuille. Hoe verbind je data aan strategie en maatschappelijke doelstellingen?

U leest nu deel 1.

Hoofdstuk 1 · De belofte, en het ongemak

Verleidelijke vergezichten, weerbarstige fundamenten

Vastgoedsturing in de publieke sector is nooit puur financieel gedreven. Ze is per definitie multidisciplinair: een schoolgebouw, een politiebureau of een ziekenhuis is tegelijk een financiële post, een maatschappelijke voorziening en een verduurzamingsopgave. Dat maakt de afwegingen complexer dan in de commerciële sector, en het belang van goede sturingsinformatie navenant groter.

De afgelopen jaren is de hoeveelheid beschikbare data over vastgoed explosief gegroeid. Door digitalisering van vastgoedprocessen, sensoren in gebouwen en de opkomst van data-analyse en AI is datagedreven sturing technisch binnen handbereik gekomen. De belofte is verleidelijk: scherper inzicht, betere voorspellingen en uiteindelijk beslissingen op basis van feiten in plaats van onderbuikgevoel.

En toch wringt het. Wie de rapporten van de Algemene Rekenkamer en het landelijke onderzoek naar gemeentelijk vastgoed leest, ziet een terugkerend patroon: de informatie over de eigen vastgoedportefeuille is bij veel publieke organisaties niet op orde. Geavanceerde analyse en AI worden ondertussen aangeboden als oplossing, terwijl de fundamenten waarop die toepassingen moeten draaien nog ontbreken.

Hoofdstuk 2 · Wat datagedreven vastgoedsturing vraagt

Vijf basisvoorwaarden, één fundament

Datagedreven vastgoedsturing is het gebruik van data en analysetechnieken om vastgoedbeslissingen te onderbouwen en strategische planning te optimaliseren. Het gaat om het verzamelen, koppelen, analyseren en interpreteren van uiteenlopende bronnen (van geografische gegevens en onderhoudsstaat tot exploitatiekosten en gebruikersbeleving) om gefundeerde keuzes te maken en risico’s te beperken.

Met welke systemen of tools een organisatie dat doet, is minder bepalend dan vaak gedacht. Bepalend is of een stevig fundament aanwezig is. Dat fundament rust op vijf basisvoorwaarden.

1. Datakwaliteit. Betrouwbare, actuele en eenduidig gedefinieerde gegevens. Verschillen in definities leiden tot inconsistenties; standaardisatie van formats en meetmethoden is voorwaarde voor bruikbare analyse.
2. Datatoegang. De juiste mensen hebben toegang tot relevante data. Een data-governanceraamwerk borgt transparantie, integriteit en verantwoording rond verzamelen, analyseren en gebruiken.
3. Analytische capaciteit. Software én vaardigheden om data om te zetten in inzicht. Digitale platforms verbeteren het delen, communiceren en samenwerken rond vastgoeddata.
4. Datacultuur. Een organisatiecultuur die datagedreven besluitvorming erkent en aanmoedigt, als tegenwicht voor beslissingen die louter op intuïtie en aannames berusten.
5. Veiligheid. Veilige opslag, verwerking en ontsluiting. Zonder aandacht voor kwaliteit en betrouwbaarheid leidt analyse tot schijnzekerheid; besluiten blijven een combinatie van data, expertise en verantwoordelijkheid.

De vijf voorwaarden zijn cumulatief. Ze vormen geen menukaart waaruit men kiest, maar een fundament dat als geheel moet staan voordat de hogere treden van datavolwassenheid bereikbaar worden.

Hoofdstuk 3 · Datavolwassenheid

De ladder die je niet kunt overslaan

Hoe goed een organisatie data benut, wordt vaak uitgedrukt in haar datavolwassenheid. Een veelgebruikt model onderscheidt vier opeenvolgende fasen, oplopend in waarde én in moeilijkheid.

1. Fase 1Descriptief Wat is er gebeurd?
2. Fase 2Diagnostisch Waarom gebeurde het?
3. Fase 3Predictief Wat gaat er gebeuren?
4. Fase 4Prescriptief Hoe kunnen we het laten gebeuren? Het terrein van AI.

De crux: de fasen zijn opeenvolgend. Voorspellende en prescriptieve analyse, waar AI thuishoort, bouwen op betrouwbare descriptieve en diagnostische data. Wie de eerste twee treden overslaat, bouwt een AI-model op zand. De fase overslaan bestaat niet; ze inhalen wel.

Hoofdstuk 4 · Stand van zaken

Wat de Rekenkamer en het veld laten zien

Hoe staat de publieke sector ervoor? Generaliseren is riskant (de ene organisatie is de andere niet) maar een aantal gezaghebbende bronnen schetst samen een consistent beeld. De Algemene Rekenkamer onderzoekt jaarlijks de bedrijfsvoering van rijksonderdelen; daarnaast loopt al jaren landelijk onderzoek naar gemeentelijk vastgoed. Onderstaande voorbeelden zijn illustratief, niet uitputtend.

4.1 Defensie: de grootste vastgoedhouder, jaren onder de maat

Het Ministerie van Defensie is met afstand de grootste vastgoedeigenaar van Nederland. Sinds 2018 beoordeelt de Algemene Rekenkamer het vastgoedbeheer als tekortschietend; in 2020 en 2021 zelfs als ernstige onvolkomenheid, die daarna werd afgeschaald naar een onvolkomenheid toen Defensie concrete verbetermaatregelen nam.³

Het kernprobleem is herhaaldelijk een gebrek aan stuurinformatie: de minister had te weinig inzicht in de feitelijke staat en realisatie. In het verantwoordingsonderzoek over 2024 constateert de Rekenkamer wel een stijgende lijn, maar plaatst een opvallende kanttekening. Het KPI-overzicht in het jaarverslag van het ministerie stemde niet overeen met de eigen onderzoeksbevindingen: waar het ministerie meldde alle aanbevelingen te hebben opgevolgd, zag de Rekenkamer nog tekortkomingen. Een illustratie van hoe gebrekkige informatiehuishouding zelfs de verantwoording over de voortgang vertroebelt.

In het verantwoordingsonderzoek over 2025 verschuift het beeld opnieuw: Defensie richt zich vooral op uitbreiding en verwerving van nieuw vastgoed, ten koste van het onderhoud van bestaand vastgoed. Het ingezette pad van forse groei vereist volgens de Rekenkamer juist eerst het op orde brengen van de basis.⁴

4.2 Nationale Politie: strategie aanwezig, inzicht ontbreekt

Bij de Nationale Politie constateerde de Rekenkamer al in 2015 dat de informatiehuishouding over de vastgoedportefeuille onvoldoende op orde was.¹ Opvallend is de nuance: de politie beschikte juist wél over elementen die veel organisaties missen, zoals een vastgoedstrategie met uitgewerkte maatschappelijke én financiële doelen. Wat ontbrak, was het onderliggende inzicht (onder meer in de gerealiseerde en nog te realiseren besparingen) om die strategie te kunnen sturen en verantwoorden.

Les. Een goede strategie compenseert geen gebrekkige basisdata. Sterker: zonder betrouwbare descriptieve informatie is niet vast te stellen óf de strategie wordt gehaald.

4.3 Universiteiten en andere rijksonderdelen

Hetzelfde patroon keert terug bij andere publieke vastgoedhouders. Bij het beheer van universitair vastgoed signaleerde de Rekenkamer dat informatie over de kantoorhuisvesting ontbrak, waardoor sturing op bezetting en kosten lastig is.² Versnippering over systemen en het ontbreken van een actueel totaaloverzicht zijn daarbij steeds de gemene deler.

4.4 Gemeenten: stijgende lijn, basis nog niet overal compleet

Voor gemeenten biedt het meerjarige landelijke onderzoek van Bouwstenen voor Sociaal een representatief beeld.^{5, 6} De boodschap is genuanceerd positief: het niveau van vastgoedsturing is duidelijk beter dan vijf jaar geleden, en bij ongeveer 80% van de gemeenten is de basisinformatie over de portefeuille naar eigen zeggen snel en eenvoudig te vinden. Vaak is er iemand verantwoordelijk voor de kwaliteit van de vastgoedinformatie.

Tegelijk blijft er werk aan de winkel. De procedures rond informatiemanagement zijn nog lang niet altijd goed beschreven en een werkbaar informatiemodel ontbreekt vaak. Eerder constateerde Bouwstenen dat de verslaglegging van gemeenten onvoldoende inzicht gaf om op vastgoed te sturen. De financiële sturing op portefeuilleniveau kan bovendien nog beter. Kortom: de richting is goed, de basis is nog niet overal compleet.

4.5 Het patroon achter de voorbeelden

Leg de bevindingen naast elkaar en er tekent zich een herkenbaar beeld af van waar de fundamenten het vaakst kraken:

• Fragmentatie van data Verschillende systemen en databases zijn niet op elkaar afgestemd, waardoor een compleet en actueel portefeuilleoverzicht ontbreekt.
• Wisselende datakwaliteit Verouderde systemen, handmatige registratie en gebrek aan standaardisatie maken gegevens onbetrouwbaar.
• Beperkte datacultuur Kennis, vaardigheden en middelen om data effectief te benutten ontbreken vaker dan in de private sector.
• Privacy en beveiliging Strikte, en terechte, regels maken het delen en gebruiken van data voor analyse complexer.

Dit zijn precies de eerste drie van de vijf basisvoorwaarden uit hoofdstuk 2. De knelpunten zitten niet in geavanceerde analyse, maar in het fundament eronder.

Hoofdstuk 5 · We zijn er bijna, maar nog niet helemaal

Een proces van de lange adem

De vergezichten van datagedreven sturing zijn aantrekkelijk en reëel: scherpere portefeuillekeuzes, beter onderbouwde verduurzaming, voorspelbaar onderhoud. Maar tussen die belofte en de praktijk liggen nog stevige uitdagingen op het gebied van datakwaliteit, -integratie en -cultuur. Van een generiek ‘data-volwassen’ publieke sector is nog geen sprake.

Datavolwassen worden is geen kwestie van een tool aanschaffen, maar een proces van de lange adem. Initiatieven om een trede hoger te komen op de volwassenheidsladder hebben weinig zin zolang de basis niet is gelegd. En, minstens zo belangrijk, niet voor elke organisatie is de hoogste fase het doel. De juiste ambitie hangt af van de opgave.

Het blijft daarbij zaak kritisch te kijken naar de kwaliteit en betrouwbaarheid van data en modellen, en besluiten te baseren op een combinatie van data-analyse, vakkennis en verantwoordelijkheid. Data vervangt het oordeel van de professional niet; het versterkt het, mits de basis klopt.

Hoofdstuk 6 · Conclusie en doorkijk

Investeer eerst in de basis

Datavolwassenheid heeft grote invloed op de kwaliteit van vastgoedsturing in de publieke sector. De mogelijkheden van data en AI zijn reëel en groeien snel, maar ze ontsluiten zich pas wanneer de fundamenten staan. De rapporten van de Algemene Rekenkamer en het gemeentelijk vastgoedonderzoek laten zien dat veel organisaties op de goede weg zijn, maar dat de basis (fragmentatie, datakwaliteit, cultuur) nog niet overal op orde is.

Het advies is daarom eenvoudig en ongemakkelijk tegelijk: investeer eerst in de basis. In kennis, vaardigheden en middelen om datavolwassen te groeien, met een ambitieniveau dat past bij de eigen opgave. Pas dan komen de geavanceerde toepassingen, inclusief AI, binnen bereik.

Verder lezen in deze reeks

Whitepaper 2 · Van data naar toepassing. Welke data- en AI-toepassingen leveren aantoonbaar waarde zodra de basis er is, en hoe scheidt u kansrijke toepassingen van hypes? Verschijnt binnenkort.

Whitepaper 3 · Sturen op portefeuille. Hoe verbindt u data en analyse aan strategie en maatschappelijke doelstellingen, over de volle breedte van de beleidscyclus? Verschijnt binnenkort.

Over Cleverstone

Cleverstone opereert op de kruising van vastgoedstrategie en data in de publieke sector. Niet als leverancier van een systeem, maar als sparringpartner en kennishouder die publieke organisaties helpt de juiste vragen te stellen, en de basis op orde te brengen voordat de geavanceerde stappen worden gezet. Deze whitepaperreeks is daarvan de neerslag.

Bronnen

Deze whitepaper bouwt voort op gepubliceerd onderzoek en gezaghebbende sectorbronnen. Hieronder de belangrijkste verwijzingen.

1. Algemene Rekenkamer (2015). Huisvesting Nationale Politie: doelmatig en doeltreffend beheer van vastgoed. Den Haag.
2. Algemene Rekenkamer (2018). Vastgoedbeheer universiteiten kan beter. Den Haag.
3. Algemene Rekenkamer (2025). Resultaten verantwoordingsonderzoek 2024, Ministerie van Defensie. Den Haag.
4. Algemene Rekenkamer (2026). Resultaten verantwoordingsonderzoek 2025, Ministerie van Defensie en Defensiematerieelbegrotingsfonds. Den Haag.
5. Bouwstenen voor Sociaal (2020). Vastgoedmanagement gemeenten, landelijke enquête. Meerjarig onderzoek gemeentelijk vastgoed.
6. Bouwstenen voor Sociaal (2022). Gemeentelijk vastgoedmanagement 2022, resultaten landelijk onderzoek.
7. Brounen, D., Verschoor, W. & Würdemann, W. (2012). Corporate Real Estate Acceptance. Tilburg University.
8. Cannon, S. & Summers, B. (2014). Big Data and Innovation in Real Estate. Journal of Real Estate Portfolio Management, 20(2), 101-114.
9. Gartner (2012). Maturity Model for Data and Analytics.
10. Henderson, J. C. & Verwaal, E. (2018). Digital Innovation in Real Estate. California Management Review, 61(3), 88-110.
11. Janssen, I. (2019). Datagedreven vastgoedmanagement: waarde toevoegen met data. TIAS.
12. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
13. Kübler-Ross, E. (1969). On Death and Dying. MacMillan Publishing.
14. Van Os, P. (2007). Beleidsachtmodel voor vastgoedsturing.
15. Verdonck, T., Slaets, A. & De Maeyer, P. (2020). Data Quality Issues in Real Estate. International Journal of Information Management, 50, 5-16.
16. Zhang, Y., Hong, Q., Deng, H. & Zhou, J. (2018). Data Quality Issues in Real Estate. International Journal of Information Management, 39, 81-90.
17. Zeckhauser, S. & Silverman, R. (1983). Rediscover Your Company’s Real Estate. Harvard Business Review, januari-februari, 111-117.