Wiedzieć więcej niż inni: Jak uzyskać przewagę nad konkurencją w sektorze nieruchomości dzięki analityce geoprzestrzennej z użyciem sztucznej inteligencji

Autor: Tobias Piegeler | Deloitte DE

Przygotuj się na zmiany zachodzące w sektorze nieruchomości i zapoznaj się z prognozami dla rynku nieruchomości na rok 2021.

Prognozy będą ukazywać się co tydzień, a cały raport dostępny będzie na początku kwietnia 2021.

Mikroanaliza na poziomie adresu

Dostępność i interpretacja właściwych informacji ma kluczowe znaczenie w każdym sektorze. Nieruchomości nie są tu wyjątkiem. Analiza danych może przecież znacząco zracjonalizować proces podejmowania decyzji - od wyceny, poprzez kupno/sprzedaż obiektów i zawieranie umów, negocjacje, analizę ryzyka, aż do planowania. Ponieważ największe miasta świata są źródłem ogromnej ilości danych, analiza w skali makro jest prosta i stosunkowo łatwa dla doświadczonych analityków. Im mniejsza miejscowość jednak, tym trudniej zdobyć wyczerpujące informacje dotyczącej lokalizacji, nawet na takim poziomie agregacji, jaki zapewniają kody pocztowe. Zadanie jest jeszcze trudniejsze, jeżeli chcemy pozyskać dane dotyczące konkretnego adresu. To samo dotyczy hotspotów, umożliwiających dostęp do dużej ilości danych, jeżeli użytkownikowi brakuje wymaganych umiejętności. Wartość dwóch nieruchomości przeznaczonych na wynajem, położonych kilkadziesiąt metrów od siebie, może na przykład różnić się znacząco ze względu na sąsiedztwo takich obiektów, jak linie kolejowe, hałaśliwa ulica czy zbiornik zanieczyszczone wody.

Główne wyzwania

Zarządzanie danymi w sektorze nieruchomości nadal napotyka jednak znaczące trudności. Niezbędne dane bywają często niedostępne, zbyt ogólne lub nieaktualne. Jeżeli nawet można je pozyskać, możemy mieć do czynienia z istotnymi różnicami prezentacji między poszczególnymi obszarami geograficznymi. Dlatego każda najprostsza analiza wymaga znaczącego nakładu pracy, i to jeszcze przed rozpoczęciem. Dotyczy to również innych ręcznie wykonywanych korekt danych, na przykład uzupełniania brakujących informacji lub błędów w danych podstawowych. Choć w przypadku danych podstawowych sprawa jest jasna (wartość jest poprawna lub nie), inne kwestie mogą wymagać zaangażowania eksperta. Innymi słowy występuje ryzyko otrzymania kosztownych, lecz bezwartościowych, być może nawet wprowadzających w błąd wyników analizy, na przykład wskutek osobistych uprzedzeń eksperta, „korygującego” dane. Rozwiązaniem alternatywnym jest zakup danych dotyczących demografii, najmu, cen zakupu i miejsc cieszących się szczególnym zainteresowaniem, ale wysokiej jakości dane mają zawsze wysoką cenę. Jeżeli jednak przezwyciężymy wszystkie te przeszkody, otrzymane analizy na pewno się opłacą.  

Jak osiągnąć korzyści

Firmy z sektora nieruchomości, które są w stanie zdobyć czołową pozycję dzięki odpowiedniemu wykorzystaniu wewnętrznych i zewnętrznych danych, poddanych obróbce przy pomocy zaawansowanych narzędzi analitycznych, odniosą największe korzyści. Wzbogacenie własnych danych dodatkowymi informacjami geograficznymi uzasadni zastosowanie technik analitycznych, dających duże możliwości, takich jak deep learning. To z kolei znacząco poprawi jakość analizy nie całkiem zrozumiałych dotychczas informacji z rynków globalnych, lokalnych, poszczególnych lokalizacji oraz ich współzależności.

Digitalizacja: jak wypełnić lukę informacyjną dzięki „cyfrowym bliźniakom”

Połączenie różnych metod wykorzystania wirtualnych modeli symulacyjnych (tzw. bliźniaków wirtualnych) może mieć ogromną wartość dla firm z sektora nieruchomości. Podczas gdy wykorzystanie czujników (np. Internetu Rzeczy - IoT) daje możliwość analizy działania systemów wewnętrznych budynku, koncepcja budowy wirtualnego modelu symulacyjnego koncentruje się na warunkach panujących w budynku i wykorzystaniu informacji z różnych obszarów w celu poznania czynników i sił składających się na interesujące zjawiska rynkowe. Wiedzę tę można następnie zastosować w innych obszarach - podobnych, ale pozbawionych takiej ilości danych. Na podstawie odpowiednich danych i algorytmu uczenia maszynowego komputer zbuduje model. Następnie, po dodaniu pewnych podstawowych informacji, takich jak adres, rok budowy i stan obiektu, model wygeneruje odpowiedzi na istotne pytania. Precyzyjne prognozy aktualnej i przyszłej wartości dla najemców lub zalecenia dotyczące remontu, ukierunkowanego na maksymalizację dochodu, to tylko niektóre przykłady możliwości wykorzystania takiego narzędzia. Aby zapewnić sprawne i szybkie działanie procesów, modele te zostaną zintegrowane z wykorzystaniem API (często w formie sztucznej inteligencji jako usługi) z procesami generowanymi przez programy do zarządzania nieruchomościami, zasilą również modele wykorzystywane do planowania i zarządzania ryzykiem. Wzbogacą raporty i dostarczą przydatnych wizualizacji na potrzeby podejmowania decyzji przez wykorzystujących je ludzi. 

Sztuczna inteligencja: zrozumiałe znaczy wiarygodne

Nie znaczy to, że wypełnianie „białych plam” predykcjami z „czarnej skrzynki” sztucznej inteligencji to dobry pomysł. W grze o tak wysoką stawkę inwestorzy zawsze będą powątpiewać w predykcje maszynowe, zwłaszcza te zakupione z zewnątrz w formie usługi. Warto wykorzystać technologię - a konkretnie koncepcję „zrozumiałej sztucznej inteligencji”. Krótko mówiąc, chodzi o jej zastosowanie w taki sposób, by otrzymane wyniki były zrozumiałe, by nie pochodziły z „czarnej skrzynki”, której działanie trudno wyjaśnić nawet jej projektantowi. Zrozumiałość to znacznie więcej niż wymóg regulacyjny; to warunek zdobycia zaufania i uzyskania przydatnych analiz biznesowych na potrzeby firm i użytkowników końcowych, na przykład wyjaśnienia, dlaczego cena jednego obiektu jest o 15% wyższa od podobnego, położonego w pobliżu.

2021: rok dojrzałości

Rok 2021 - to początek ery dojrzałości i masowego wykorzystania lokalizacyjnych narzędzi analitycznych na bazie sztucznej inteligencji dla potrzeb sektora nieruchomości. Liczba ich użytkowników będzie na tyle duża, by znacząco oddziałać na rynek. Dzięki temu po raz pierwszy będzie można w pełni wykorzystać ich możliwości. Ci, którzy pierwsi zainwestowali, będą mogli z ulgą porzucić czasochłonne i kosztowne procedury zbierania i czyszczenia danych.