Videnskaben om ejendomme: Matchning og køb

Dine data kender dig bedst, lad dem finde din drømmeejendom. Ejendomsbranchen sidder på tonsvis af data, der ikke bliver brugt hvert år. I denne artikel diskuterer vi, hvordan avancerede teknologier hjælper ejendomsinvestorer, mæglere og virksomheder med at udnytte den enorme mængde informationer inden for branchen til at hjælpe mennesker med at finde deres drømmeejendomme.

I 2017 udgav en Field Actions Science Reports artikel, der beskæftiger sig med impacten af AI, machine learning og predictive analytics på ejendomssektoren:

“Praksis med AI-drevne Urban Analytics er på vej inden for ejendomsbranchen. Datavidenskab og algoritmisk logik er tæt på at være i forkant af nye byudviklingspraksisser. Hvor tæt? er spørgsmålet — eksperter forudser, at digitalisering vil gå langt ud over intelligente bygningsstyringssystemer. Nye analytiske værktøjer med predictive muligheder vil dramatisk påvirke fremtiden for byudvikling, og omforme ejendomsbranchen i processen.”

Frem til 2020, efterladende hype-fælder bag os, erkender vi de transformative effekter af data-læsekyndighed, digitaliseringsstrategier og teknologiske fremskridt. Predictive analytics, machine learning og AI-drevne applikationer er stadig i forkant af innovation inden for en række brancher, langt ud over ejendomssektoren. Fra de mest kedelige ML-applikationer til de mest interessante NLP & OCR automatiseringsbestræbelser, har branchens ledere lært at udnytte disse kraftfulde værktøjer til deres fordel. I dag følger vi op på 3 ejendomsbrugstilfælde. De er ment til at illustrere, hvordan moderne software-stacks og intuitive interfaces samspiller med Machine Learning og dataingeniørarbejde til at skabe unikke produkter og tjenester.

Videnskaben om ejendomme: Din data kender dig bedst, lad den finde dig den perfekte ejendom.

Ejendomskøbsprocesser

I dagens ejendomsmarked stiller maskinlæring en interessant udfordring: Er der en formel for at matche de rette ejendomskøbere med de rette ejendomme til de rette priser? At bygge præcise ejendomsmatchning- og opdagelsesservices er, hvad der holder forskere og branchefolk på deres tæer. Med enorme datamængder til rådighed og inspireret af den høje nøjagtighed af online-recommendersystemer (Netflix (NFLX ), nogen?), er ejendomsmatchning-motorer under konstant udvikling, selv i den ikke-så-teknisk-inclinede ejendomssektor.

Orchard er en mægler, der udnytter moderne teknologiværktøjer til at forbedre ejendomssøgetjenester. Ved at bruge maskinlæring-algoritmer kommer de med et svar på det mest presserende spørgsmål, ejendomskøbere stiller: “Hvad ser min drømmeejendom ud som?” Dessutom kan algoritmerne hjælpe med at besvare et følgespørgsmål: “Hvilke kompromiser er jeg (ikke) villig til at gå med til?”

Co-Founder og Chief Product & Marketing Officer, Phil DeGisi forklarer:

“Home Match er den første nogensinde hjemmesøgealgoritme, der lader mennesker vælge de funktioner, der betyder mest for dem. Vi stiller køberne en række spørgsmål om, hvad de værdsætter og betragter som “må-vælger” og “nice-to-haves” i en ejendom – såsom en køkkenø, pool i baghaven og pendlingstid inden for sekunder. Orchard tildeler en personlig match-score til hver ejendom i søgeområdet.”

På den måde bliver køberne matchet med legitime ejendomskøbsmuligheder, og hele processen bliver lettere for alle parter involveret.

Brugere af ejendomsmatchningssystemer kan nyde en oplevelse, der er karakteriseret ved øget personliggørelse og brugervenlighed. Søgeresultaterne er rangeret efter deres profiler, og brugervenlige, interaktive interfaces erstatter gamle ejendomskataloger.

“Orchard har også udviklet en anden branche-først, Photo Switch, der tager disse personlige søgeresultater og viser dem på en mere visuelt nyttig og personlig måde. For at gøre dette har Orchard skabt en maskinlæring-model til at scanne billeder af hver ejendom på markedet og bestemme, hvilke rum der er i hvert billede. Denne funktion er den første af sin art og lader brugere sammenligne deres “må-vælger” på én gang. Enten det er et køkken, en indhegnet baghave eller en hyggelig stue, kan ejendomskøbere nu se hver rum side om side i én browser, med et enkelt klik på en knap.”

En sådan funktionalitet er kun mulig takket være den ubrudte samspil af moderne teknologiværktøjer. Webplatforme, virtuelle realitets-SDK’er, billedbehandlingsalgoritmer samt maskinlæring-rammer bidrager alle til at skabe en unik ejendomsoplevelse.

Kommercielle ejendomsvurderinger

En anden afgørende skridt i kommerciel ejendom er ejendomsvurdering. Automatiserede vurderingsmodeller er lige så gamle som branchen selv, med opgaven at evaluere ejendomme og fastlægge prissystemer. Traditionelt var disse modeller mest baseret på historiske salgsdata. Men modeller, der kun afhænger af tidligere adfærd, mangler mange andre datakilder.

Predictive analytics og moderne dataindsamling infrastrukturer er designet til at integrere eksterne datakilder og træne algoritmer baseret på heterogene datatyper. I stedet for at bruge en enkelt datatype, der giver en begrænset perspektiv på en ejendom, tilbyder unified data-arkitekturer en 360-graders perspektiv og integrerer eksterne datakilder: markedsefterspørgsel, makroøkonomiske data, lejepriser, kapitalmarkeder, job, trafik osv. Da der ikke er nogen faste grænser for de data, der kan bruges af en ejendomsvurderingsmodel, er predictive analytics et kraftfuldt værktøj til ejendomsbranchen.

Smart Capital tilbyder en sådan moderne løsning til ejendomsvurdering. De bruger predictive analytics til vurdering af ejendomme og lover at levere en fuld rapport inden for en forretningsdag. Deres CEO, Laura Krashakova, tilbyder nogle indsigt i, hvordan de opnår dette.

“Teknologien muliggør dataforarbejdning og ejendomsvurdering i realtid og giver individer adgang til data, der tidligere kun var tilgængelige for lokale mæglere. Lokale indsigt som populariteten af beliggenheden, bekvemmeligheder i området, kvaliteten af offentlig transport, nærhed til større motorveje og fodgængertrafik er nu let tilgængelige og vurderes for let sammenligning.”

Der er to aspekter, der gør en sådan service mulig: let adgang og muligheden for at levere realtidsindsigt. Mobile- og webplatforme gør det let for kunder at få adgang til, uploade og visualisere deres data, uanset deres beliggenhed. Alt, der kræves, er en internetforbindelse. Samtidig behandler predictive analytics-rammer data i realtid, med en hastighed af millisekunder. Når nye datahændelser indtræffer, indsamles og inkluderes de i den seneste analyse-rapport. Ingen behov for at vente på tidskrævende, intensive beregninger, da alt dette kan ske næsten øjeblikkeligt, i skyen. Igen er det samspillet mellem moderne teknologier, der muliggør en ubrudt oplevelse baseret på realtidsindsigt. Samtidig bliver variationen af eksterne datakilder en garanti for øget vurderingsnøjagtighed. Dette sparer tid, penge og hovedpine for alle parter involveret.

Strømlinede låneansøgningsprocesser

En anden kommerciel ejendomsproces, der stiller en interessant udfordring, er låneansøgningen. En udfordring ikke kun for de forvirrede ejendomskøbere, men også for maskinlæring-modeller. Kreditgodkendelsesmodeller har brug for adgang til alle slags data, fra personlige oplysninger til kredit historik, historiske transaktioner og ansættelseshistorik. Manuelt at identificere og integrere alle disse datakilder kan hurtigt blive en kedelig, tidskrævende og irriterende opgave. Desuden medfører manuel behandling en høj risiko for fejlbehæftede indtastninger under ansøgningsprocessen. Disse aspekter har gjort den manuelle låneansøgningsproces til en flaskehals for ejendomstransaktioner.

Hvis blot en automatiseret løsning fandtes til at fjerne noget af smerten…

Beeline er en virksomhed, der fokuserer på at strømline låneansøgningsprocessen. Deres intuitive mobile interface guider købere gennem låneansøgninger på få minutter. Hele processen tager kun 15 minutter og påstår at spare ejendomskøbere for mange hovedpiner. Måden, de gør dette på, er utrolig simpel: Deres service forbinder til en række personlige datakilder (såsom bank, løn og skatteinformation), bruger natur-sprog-behandling (NLP) til at læse og indsamle information, integrerer og analyserer alle data i realtid. På den måde kan kedelige og tidskrævende processer omgås, og ejendomskøbere kan nyde strømlinede låneansøgningsprocesser.

Hvordan er det muligt, spørger du?

Deres service er kun mulig ved at integrere en mobile-first oplevelse, intelligent proceskapacitet samt state-of-the-art brugerdesign. Deres lånevejledning leveres via en chat-interface, der giver brugerne en let måde at finde svar på deres spørgsmål på. NLP-algoritmer støtter disse interaktioner og hjælper med at skabe en personlig oplevelse. Samtidig sker automatiserede vurderingsalgoritmer i baggrunden, mens køberen udfylder ansøgningsskemaer. Dette viser, hvordan automation er nøglen til succes for deres service. Og det ubrudte samspil af teknologiværktøjer er, hvad der gør denne automation mulig.

Hvad kommer herefter?

En kraftfuld blanding af teknologiske trends er i forkant af ejendomsinnovation: øget data tilgængelighed, fremskridt i dataforarbejdningsevner og det almindelige af maskinlæring-algoritmer. De muliggør, at man kan tackle de mest udfordrende applikationer på en intelligent, automatiseret og fejl-fri måde.

Derudover muliggør sky-computing-kapaciteter og moderne lagringsarkitekturer, at man kan udtrække indsigt fra data i realtid, bygge komplekse predictive modeller og integrere en række datakilder. Alt dette muliggør, at man kan forudse fremtiden, innovere og fastholde en konkurrencemæssig fordel.

image sources: Canva