Топ 5 Data Science примеров в недвижимости

  •  46 /
Spread the love

Отрасль недвижимости испытывает огромное давление, чтобы раскрыть потенциал больших данных и включить машинное обучение и научно-обоснованные подходы в свои рабочие процессы. В исследовании KPMG Global PropTech Survey 2018 49% участников считали, что искусственный интеллект, большие данные и анализ данных — это технологии, которые, вероятно, окажут наибольшее влияние на отрасль недвижимости в долгосрочной перспективе.
Следовательно, некоторые дальновидные топ-менеджеры учреждений недвижимости с длительным опытом работы подталкивают свои фирмы к раскрытию потенциала своих десятилетий записей транзакций, оценки, управления активами, листинга и других данных. Одновременно с этим пространство для предоставления данных созревает (возможно, даже переполняется), когда успешные стартапы, такие как HouseCanary и Reonomy, присоединяются к таким авторитетным игрокам, как CoStar и Real Capital Analytics, что позволяет любой компании, заинтересованной в недвижимости, быстро получать большие объемы соответствующих данных.
Однако, как отмечалось в недавней статье NAIOP, профессионалы в сфере недвижимости сталкиваются с проблемами, пытаясь выяснить, как на самом деле использовать данные. Исследование KPMG Global PropTech за 2019 год подтверждает, что 80% компаний по-прежнему не принимают «большую часть или все» решения на основе данных. Тот же отчет также намекает на «пробел в навыках» — только 5% фирм по недвижимости предпринимают усилия по преобразованию, возглавляемые кем-то со знаниями в области анализа данных.
Итак, как именно мы можем применить науку о данных к недвижимости? Какие ощутимые преимущества? И где мы можем изучить навыки и методы, которые позволят нам использовать потенциал больших данных в сфере недвижимости?

Индексы цен на недвижимость

Индексы цен на недвижимость

Индексы цен на недвижимость — это статистические методы, позволяющие разобраться в миллионах строк зашумленных данных о транзакциях и получить детальное представление об исторических показателях субрынка.

Как сообщается в новостных статьях и комментариях экспертов, на сегодняшний день на компьютерные модели, управляемые данными, приходится до 80% инвестиций в области инвестирования. Однако, в отличие от публичных акций, каждая зарегистрированная сделка с недвижимостью представляет собой обмен уникальным активом — и никакие два свойства никогда не могут быть идентичными. Даже когда заключаются сделки с двумя объектами в одном здании, они могут сильно отличаться, а цены могут значительно отличаться.
Это представляет собой особую проблему для недвижимости — как нам использовать большие наборы данных, чтобы понять эффективность отдельных субрынков? Простое усреднение исторических транзакций может быть необъективным, если типы собственности, с которой совершались сделки в каждый период, различаются, и существует субъективность в определении того, какие свойства включать или исключать в среднем, до такой степени, что разные исследователи могут получить разные картины исторической спектакль.
Методы науки о данных предлагают несколько решений проблемы. Методы гедонической регрессии (используемые в таких странах, как Сингапур) основаны на принципе, что индивидуальные характеристики каждой собственности могут быть оценены отдельно, чтобы контролировать различия между активами.
В качестве альтернативы, анализ можно ограничить простым сравнением изменений цен на недвижимость, проданную более одного раза. Это известно как метод повторных продаж, то есть отслеживание изменения цены на один и тот же актив с течением времени. Индексы Кейса-Шиллера в США — хорошо известный пример этого метода.
По сути, эти методы позволяют пользователям превзойти человеческий потенциал, работая с большим количеством данных, чем любой человек может вручную понять, чтобы получить точные сигналы о работе рынка недвижимости. Миллионы строк зашумленных данных о транзакциях можно объединить с информацией о местности, характеристиках собственности, демографии и многом другом для получения детализированных индексов субрынка. Например, индексы могут точно определять доходность собственности в определенных почтовых округах, например, индекс WC1 или индекс E1 в Лондоне, или для определенных типов собственности, например, индекс кондоминиума с 2 спальнями по сравнению с индексом кондоминиума с 3 спальнями, принимая во внимание последствия всех транзакций в полном наборе данных. Индексация помогает определить исторические тенденции и, в свою очередь, полезна для оценки текущих цен и будущей прибыли.

Автоматизированные модели оценки

Автоматизированные модели оценки помогают нам понять рынок недвижимости в настоящее время, используя большие наборы данных для оценки справедливых текущих цен сделок.

Автоматизированные модели оценки помогают нам понять рынок недвижимости в настоящее время, используя большие наборы данных для оценки справедливых текущих цен сделок.

Статистические подходы к оценке набирают обороты во всем мире, например, Zillow Zestimate в США, UrbanZoom в Сингапуре и SkenarioLabs в Финляндии. Цель любой автоматизированной модели оценки состоит в том, чтобы использовать данные для оценки рыночной стоимости собственности, при которой между желающим покупателем и продавцом будет совершаться сделка на расстоянии вытянутой руки и без принуждения.
Используются подходы, аналогичные тем, которые используются при индексации, с потенциально более совершенными методами обработки данных, которые используются для использования преимуществ онлайн-обучения и ансамблевых методов. Однако окончательный результат отличается. Вместо индекса цель — это точечная (или диапазонная) оценка стоимости актива. Прямая выгода — это более точное определение справедливой рыночной стоимости недвижимости, произведенное мгновенно и с низкими затратами. Эти оценки полезны не только для определения цены на недвижимость, но также для оценки ипотечных кредитов и портфелей кредитов, обеспечивающих эти активы.
Интересное применение этой технологии наблюдается в таких компаниях, как Opendoor и Properly, которые автоматически делают ставки на дома, обеспечивая владельцам готовую ликвидность для своих активов.
Автоматизированные модели оценки помогают нам понять рынок недвижимости в настоящее время, помогая оценить справедливую цену сделки для сегодняшней сделки.

Прогнозирование временных рядов

Методы временных рядов помогают нам понять, куда рынки недвижимости движутся завтра

Методы временных рядов помогают нам понять, куда рынки недвижимости движутся завтра

Методы временных рядов помогают нам понять, в каком направлении движутся рынки недвижимости завтра. Есть очевидные преимущества более точных прогнозов — лучшие инвестиции и заключение сделок в области развития, а также более высокая финансовая отдача.
Если у нас есть только один набор данных, например, индекс цен на недвижимость на одном рынке, мы можем использовать модели авторегрессионного интегрированного скользящего среднего (ARIMA), чтобы делать краткосрочные прогнозы. Этот тип модели может оценивать сезонные колебания и определять тенденции и закономерности в данных для оценки будущих результатов.
Чаще у нас будет набор данных, таких как индексы цен на недвижимость для нескольких разных (но связанных) рынков, макроэкономические ряды, такие как ВВП, безработица, инфляция и т.д., Финансовые показатели, такие как процентные ставки и ставки по ипотеке, фондовый рынок индексы, курсы валют и многое другое. Все эти переменные оказывают причинное влияние друг на друга, и в этом случае прогнозы могут быть построены с использованием векторной авторегрессии (VAR) и векторных моделей коррекции ошибок (VECM). Делая это, мы принимаем во внимание эволюцию широкого спектра факторов при прогнозировании будущего цен на недвижимость.
Ряд поставщиков аналитических услуг, например HouseCanary и Real Estate Foresight, используют методы науки о данных для прогнозирования будущих показателей в сфере недвижимости. В сфере макроэкономических данных Capital Economics и Oxford Economics, среди прочего, используют некоторые из этих статистических методов для прогнозирования динамики ВВП, инфляции, процентных ставок и т.д. — все они являются критически важными исходными данными в процессе оценки сделок с недвижимостью. .

Кластерный анализ

Кластерный анализ определяет группы свойств, которые, вероятно, будут работать более одинаково

Кластерный анализ определяет группы свойств, которые, вероятно, будут работать одинаково

Показатели недвижимости могут сильно отличаться в зависимости от местоположения. Различные страны могут отличаться из-за различных макроэкономических ситуаций. Города в пределах одной страны могут отличаться в зависимости от местных факторов, таких как экономическая активность или предложение. В городе некоторые кварталы или подсекторы (например, роскошные кондоминиумы и дома массового потребления) также могут работать по-разному.
Кластерный анализ строго определяет закономерности в данных, помогая определить, какие группы свойств, вероятно, будут работать более одинаково, а какие с большей вероятностью будут расходиться.
Еще одно применение кластерного анализа — определение периодов времени, в которые показатели рынка недвижимости могут быть более или менее одинаковыми. Государственное вмешательство сильно влияет на многие рынки недвижимости. В законодательстве может быть много значительных изменений, из-за которых цены и инвестиционное поведение будут меняться с течением времени. Кластерный анализ может помочь определить периоды времени, в которые показатели ценообразования, вероятно, будут более похожими.
Кластерный анализ помогает нам строить целевые модели для каждой группы (или периода времени), повышая точность. Его также можно использовать для определения бизнес-стратегии: определяя, на какие сегменты рынка должны ориентироваться различные команды или в каком инвестиционном режиме рынок, вероятно, будет находиться, лидеры могут принимать более прибыльные решения, подкрепленные данными.

Географические информационные системы (ГИС)

ГИС может помочь визуализировать, понять и проанализировать пространственный и местный интеллект

ГИС может помочь визуализировать, понять и проанализировать пространственную и местную особенность

Последствия для индустрии

Применение науки о данных к недвижимости открывает широкий спектр коммерческих возможностей

Применение науки о данных к недвижимости открывает широкий спектр коммерческих возможностей

Цитата из британского REIT резюмирует это лучше всего: «Если вы не будете использовать данные эффективно и результативно, вы упустите огромную ценность для своего бизнеса / рынка. Другие не совершат этой ошибки, и вы станете все более неконкурентоспособными. В конечном итоге мир идет только в одну сторону». (Глобальное исследование KPMG PropTech, 2019 г.)
Эта революция произошла и в других отраслях. В сфере финансов Bridgewater и Renaissance Technologies были первыми участниками систематического инвестирования и десятилетиями добивались огромных успехов. Сегодня количественное инвестирование на публичных рынках на основе данных является скорее нормой, чем исключением. Даже спорт стал чрезвычайно статистически управляемым, и решения командных проектов часто основываются на сложном анализе и моделировании. Движение к большей зависимости от принятия решений на основе данных в сфере недвижимости до некоторой степени неизбежно.
Что касается недвижимости, следует отметить ряд коммерческих возможностей и тенденций.
Эта гипотеза о ценности самих данных очевидна и хорошо подтверждается успехами таких компаний, как Teranet или Compstak. Но даже сопоставление, очистка и систематизация данных — общедоступных или иных — является источником значительной ценности, о чем свидетельствует рост таких компаний, как Cherre и Realyse. Преобразование необработанных данных в полезную аналитику — еще один источник ценности, как это делают такие компании, как Walk Score или Local Logic.
Появление возможностей и проблем в оценке связано с ростом автоматизированной оценки. В некоторых секторах базовая оценка может начать сдвигаться в сторону большей зависимости от статистических моделей, которые дешевле и быстрее выполняются. Но в то же время появляются новые бизнес-модели, например, модель мгновенных покупателей недвижимости. Это, в свою очередь, может иметь последствия для тех, чьи средства к существованию зависят от посредничества на этих традиционно непрозрачных и неликвидных рынках.
Прогнозирование и анализ открывают новые возможности в инвестировании в недвижимость. Skyline.ai является ведущим, но только зарождающимся примером использования методов, основанных на данных, для инвестирования, но есть большие возможности для роста. В сфере финансов ⅓ из индустрии хедж-фондов на сумму 3 триллиона долларов США управляется с использованием количественных стратегий (Man Institute). Между тем, 100 крупнейших фондов недвижимости управляют более чем 3 триллионами долларов США, но на сегодняшний день, по сути, ни один из них не инвестируется количественно.

Заключение

Отрасль недвижимости, вероятно, находится только в начале значительного сдвига в сторону более широкого использования данных и принятия решений на основе данных. Существуют огромные возможности, которые сейчас начинают открываться различными стартапами и передовыми организациями. Существует ряд конкретных методов, как описано выше, для применения науки о данных к недвижимости, чтобы помочь перейти от миллионов строк данных к детальному пониманию прошлых, настоящих и будущих показателей субрынка недвижимости, а также для более эффективных инвестиций и ведения бизнеса. решения.
Тем не менее, требуемые навыки могут часто отсутствовать в значительной части отрасли. Теперь есть возможность изучить эти техники и методы — особенно в сфере недвижимости — и потратить время на обновление может принести пользу ряду участников. Исследователи в сфере недвижимости могут начать использовать данные и машинное обучение для получения принципиальной информации и раскрытия ценности больших наборов данных. Те, кто работает в индустрии Proptech (или даже инвестирует в Proptech), могли бы преуспеть, если бы лучше разобрались в этих методах и построили (или инвестировали) подрывные действия. Наконец, инвесторы в недвижимость, которые изучают эти методы, могут использовать подходы на основе данных, чтобы найти исключительные возможности и превзойти рынок.

5 Ways to Apply Data Science to Real Estate. Nelson Lau, PhD, CFA

Добавить комментарий