Sztuczna inteligencja (AI) a usprawnienie planowania przestrzennego, zarządzania nieruchomościami i procesu inwestycyjnego

Zrozumienie obecnej i przyszłej dynamiki podaży i popytu

Planowanie przestrzenne, zarządzanie nieruchomościami i decyzje inwestycyjne mają kluczowe znaczenie dla miast przyszłości. W tym kontekście istotne jest dokładne zrozumienie obecnej i przyszłej dynamiki podaży i popytu oraz powiązanych z nimi czynników makroekonomicznych. I to właśnie ten obszar stanowi wyzwanie. Dane dotyczące rynku nieruchomości niezbędne do sporządzenia planów zagospodarowania przestrzennego, w tym informacje na temat podaży, transakcji, cen i wysokości czynszu, zwykle są dostępne w najróżniejszych, nieprzystających do siebie formatach. Co więcej, często brakuje jasnej korelacji między wskaźnikami ekonomicznymi, takimi jak Produkt Krajowy Brutto (PKB), cena ropy czy finansowanie sektora budowlanego. To komplikuje analizę ich rzeczywistego wpływu na popyt w obszarze nieruchomości.

W obliczu wymienionych trudności z pomocą przychodzą uczenie maszynowe i narzędzia AI. Dostępne dane historyczne można łatwo importować do takiego narzędzia lub algorytmu w ustrukturalizowany i ustandaryzowany sposób. Następnie, odtwarzanie istotnych informacji odbywa się w oparciu o spójny standard, tj. proces ETL, który obejmuje ekstrakcję, transformację i ładowanie danych.

Analizy scenariuszowe bazujące na wzbogaconych zbiorach danych są również przydatne, bowiem wskazują wpływ przyszłych trendów. Tego rodzaju zbiory danych zawierają informacje do poziomu aktywów, dane makroekonomiczne oraz mierniki nastrojów społecznych. Analizy można rozszerzyć, o ile to możliwe, o modelowanie informacji o budynku (BIM) oraz dane o inteligentnych miastach. Takie rozwiązanie pozwala zarządcom nieruchomości przeprowadzić analizy dopasowane do potrzeb oraz wysoce interaktywnych danych analitycznych, udostępnionych w przystępnym formacie. Gdziekolwiek i kiedykolwiek. Ponadto, może okazać się pomocne dla właścicieli nieruchomości i ich zarządców, dostarczając departamentom planowania i deweloperom informacji niezbędnych do wspierania procesu podejmowania decyzji w odpowiedzi na istniejący popyt.

Określenie danych ramowych

Przy opracowywaniu narzędzia do prognozowania, dostosowanego do indywidualnych potrzeb klienta, punktem wyjścia jest dokonanie przeglądu szeregu zmiennych i wzajemnych powiązań oddziałujących na popyt na nieruchomości. W celu określenia ogólnych ram prognozowania można wykorzystać dane historyczne. Posłużą one do zidentyfikowania potencjalnych korelacji między poszczególnymi czynnikami.

W ramach tak sformułowanych ogólnych zasad można wyodrębnić czynniki popytu na poziomie poszczególnych sektorów:

• Segment mieszkaniowy: scenariusze
  • Dodatkowy popyt netto na lokale mieszkalne można uzupełnić o informacje dot. dochodu gospodarstw domowych, kosztów/wysokości czynszu oraz gęstości zaludnienia w podziale na dzielnice.
  • Na potrzeby analizy można posłużyć się danymi transakcyjnymi dla lokali mieszkalnych, które odzwierciedlają popyt wśród inwestorów i najemców; w ten sposób uzyska się informacje na temat rozbieżności popytu i podaży dla sektora.
• Segment powierzchni handlowych: ocena wydatków konsumenckich, transakcji komercyjnych, gęstości zaludnienia poszczególnych dzielnic oraz powierzchnię najmu brutto (GLA) na osobę na potrzeby przeglądu ewentualnych luk podażowych,
• Gastronomia i hotelarstwo: wskaźniki i informacje dot. sektora Horeca obejmujące odsetek pokoi zajętych przez więcej niż jedną osobę oraz średnia długość pobytu, aby oszacować łączne zapotrzebowanie na noclegi,
• Segment powierzchni biurowych: informacje na temat zatrudnienia w poszczególnych sektorach oraz prognozy wzrostu PKB na potrzeby oszacowania zapotrzebowania na biura (GLA),
• Segment magazynowo - przemysłowy: ocena poziomu zatrudnienia w sektorze przemysłowym, działalności handlowej i e-commerce.

Dopasowane do indywidualnych preferencji narzędzia AI mogą okazać się istotnym wsparciem przy analizowaniu dużych plików danych na potrzeby sektora nieruchomości, kontroli jakości czy przy próbie ustalenia mechanizmów kształtujących obecne trendy. Symulacje scenariuszowe oraz ocena ich wpływu mogą mieć zastosowanie przy usprawnianiu procesu podejmowania kluczowych decyzji w obszarze inwestycji, budżetowania i planowania.

Studium przypadku: Wykorzystanie Intuition Accelerator opracowanego przez Deloitte do stworzenia narzędzia do prognozowania na potrzeby wydziału planowania przestrzennego Rady Krajów Zatoki (GCC).

Deloitte opracował zintegrowane rozwiązanie do podejmowania decyzji dla wydziału planowania przestrzennego Rady Krajów Zatoki (GCC). Narzędzie zostało stworzone z myślą o prześledzeniu przeszłych trendów w sektorze mieszkaniowym, segmentach handlowym, biurowym, hotelarskim i magazynowo - przemysłowym, oraz dokonaniu analizy istotnych wskaźników makroekonomicznych na potrzeby prognozowania kluczowych miar przy wykorzystaniu rozwiązania Intuition.

Intuition jest szytym na miarę silnikiem, który automatyzuje proces identyfikowania unikatowych i złożonych trendów na bazie zbioru danych. Zastosowanie różnorodnych algorytmów ma na celu dopasowanie najlepszego algorytmu predykcyjnego do danych wsadowych. Ostateczne rozwiązanie uwzględnia również element zaawansowanego modelowania scenariuszowego, który pozwala użytkownikom zaplanować określone zdarzenia, zidentyfikować potencjalne kluczowe czynniki, a co za tym idzie umożliwić lepsze zaplanowanie większych i mniejszych zdarzeń w przyszłości.

Warstwa udostępniania danych w pełni dostosowana do potrzeb klienta została zbudowana w formie interfejsu internetowego, przystosowanego do korzystania na urządzeniach mobilnych. Założeniem rozwiązania jest zapewnienie głównym interesariuszom cyklu życia rynku nieruchomości dostępu do prognoz i wyników analiz. Obejmują one zarówno prognozy makroekonomiczne, jak i te typowo branżowe; narzędzie umożliwia stworzenie scenariuszy dla zmian o niskim, umiarkowanym i dużym wpływie, oraz uzyskanie pełnego obrazu sektora nieruchomości. Ponadto, jedną z funkcjonalności jest możliwość aktywnego wykorzystania narzędzia do konkretnych celów biznesowych poprzez intuicyjny interfejs.

Prognozowanie jest podzielone na dwa odrębne etapy. Pierwszy etap - etap uczenia polega na tworzeniu modeli, natomiast drugi obejmuje zastosowanie modeli na potrzeby konkretnego rozwiązania.

Pierwszy etap sprowadza się do pobrania nieprzetworzonych danych oraz przekształcenie ich w dane szkoleniowe, stanowiące wsad do modelu uczenia maszynowego. Tego rodzaju modele są weryfikowane pod kątem dokładności, a następnie zaczytywane do rozwiązania, aby opracować prognozy.

Co kwartał modele wdrażane w ramach rozwiązania są zasilane danymi ze specjalnego szablonu danych, który zawiera podzielone na kategorie informacje dotyczące każdego segmentu nieruchomości, które stanowią wsad zarówno na potrzeby modeli prognozowania, jak i dashboardu z wskaźnikami efektywności.

Po pobraniu dane są przetwarzane przez model, oceniania jest ich stabilność, następnie tworzone i zapisywane są podstawowe prognozy. Prognozy bazowe są aktualizowane i w zależności od modelu, wykorzystywane w analizach scenariuszowych.

Segment mieszkaniowy – porównanie scenariuszy

Porównanie scenariuszy dla segmentu mieszkaniowego przy uwzględnieniu trzech wskaźników: zaspokojenia popytu, niskiej podaży lub nadwyżki mieszkań

Wykorzystaj moc AI

Opisany powyżej przykład pokazuje, że rozwój biznesu w niespokojnych warunkach gospodarczych wymaga, aby kluczowi decydenci wykorzystali potencjał sztucznej inteligencji. Tylko dzięki temu możliwe będzie osiągnięcie rzeczywistych, namacalnych rezultatów. Nowoczesne rozwiązania przyczynią się do znacznej poprawy procesu planowania przestrzennego, zarządzania nieruchomościami i podejmowania decyzji inwestorskich, które mają kluczowe znaczenie dla miast przyszłości.