De Wetenschap van Vastgoed: Matchen en Kopen

Uw gegevens kennen u het beste, laat ze uw droomhuis vinden. De vastgoedindustrie zit op enorme hoeveelheden gegevens die elk jaar ongebruikt blijven. In dit artikel bespreken we hoe geavanceerde technologieën vastgoedbeleggers, makelaars en bedrijven helpen om de enorme hoeveelheid informatie binnen de industrie te gebruiken om mensen te helpen hun droomhuis te vinden.

In 2017 publiceerde een Field Actions Science Reports artikel over de impact van AI, machine learning en predictieve analytics op de vastgoedsector:

“De praktijk van AI-gepowered Urban Analytics is in opkomst binnen de vastgoedindustrie. Datawetenschap en algoritmische logica staan aan de vooravond van nieuwe stedelijke ontwikkelingspraktijken. Hoe dichtbij? is de vraag – experts voorspellen dat digitalisering verder zal gaan dan intelligente gebouwbeheersystemen. Nieuwe analytische tools met predictieve mogelijkheden zullen de toekomst van stedelijke ontwikkeling dramatisch beïnvloeden en de vastgoedindustrie opnieuw vormgeven.”

Vooruit naar 2020: achterlatend hype-traps, erkennen we de transformatieve effecten van dataliteratuur, digitaliseringsstrategieën en technologische vooruitgang. Predictieve analytics, machine learning en AI-gepowered applicaties leiden nog steeds innovatie in een verscheidenheid aan industrieën, ver voorbij de vastgoedsector. Van de meest saaiste ML-toepassingen tot de meest interessante NLP- en OCR-automatiseringsinspanningen, hebben industrieleiders geleerd om deze krachtige tools naar hun voordeel te gebruiken. Vandaag behandelen we 3 vastgoeduse-cases. Ze zijn bedoeld om te laten zien hoe moderne software-stacks en intuïtieve interfaces samenwerken met Machine Learning en data-engineering om unieke producten en diensten te creëren.

wetenschap van vastgoed: Uw gegevens kennen u het beste, laat ze u het perfecte huis vinden.

Huis kopen processen

De huidige vastgoedmarkt stelt een interessante machine learning-uitdaging: is er een formule voor het matchen van de juiste huiskopers met de juiste eigendommen tegen de juiste prijzen? Het zoeken naar nauwkeurige huis-matchings- en ontdekkingsdiensten is wat onderzoekers en industrie-professionals op hun tenen houdt. Met enorme hoeveelheden gegevens beschikbaar voor hen, en geïnspireerd door de hoge nauwkeurigheid van online recommender-systemen (Netflix (NFLX ), bijvoorbeeld?), zien huis-matchingsmotoren constante ontwikkeling, zelfs in de niet-technisch-georiënteerde vastgoedsector.

Orchard is een makelaar die moderne technische tools gebruikt om huis-ontdekkingsdiensten te verbeteren. Door het gebruik van machine learning-algoritmes komen ze met een antwoord op de meest dringende vraag die huiskopers stellen: “Wat ziet mijn droomhuis eruit?”. Bovendien kunnen algoritmes helpen om een vervolgvraag te beantwoorden: “Welke compromissen ben ik (niet) bereid te maken?”

Co-Founder en Chief Product & Marketing Officer, Phil DeGisi verklaart:

“Home Match is de eerste ooit huis-zoekalgoritme dat mensen laat kiezen voor de functies die het meest voor hen tellen. We vragen kopers een reeks vragen over wat ze waarderen en beschouwen als “must-haves” en “nice to haves” in een huis – zoals een keukeneiland, een zwembad in de achtertuin en een reistijd van binnen enkele seconden. Orchard wijst een persoonlijke match-score toe aan elk huis in het zoekgebied.”

Zo worden kopers gematcht met legitieme huis-koopkansen en wordt het hele proces gemakkelijker voor alle partijen die erbij betrokken zijn.

Gebruikers van huis-matchingsystemen kunnen genieten van een ervaring die wordt gekenmerkt door verhoogde personalisatie en gebruiksvriendelijkheid. Zoekresultaten worden gerangschikt volgens hun profielen en gemakkelijk te gebruiken, interactieve interfaces vervangen oude vastgoedcatalogi.

“Orchard heeft ook een andere industrie-first ontwikkeld, Photo Switch, die deze gepersonaliseerde zoekresultaten weergeeft op een meer visueel nuttige en gepersonaliseerde manier. Om dit te doen, heeft Orchard een machine learning-model gemaakt om foto’s van elk huis op de markt te scannen en te bepalen welke kamers in elke foto zitten. Deze functie is de eerste van zijn soort en laat gebruikers toe om elk van hun “must-haves” tegelijk te vergelijken. Of het nu een chef’s keuken, een omheind achtertuin of een gezellige woonkamer is, huis-kopers kunnen nu elke kamer naast elkaar bekijken in één browser, met één muisklik.”

Dergelijke functionaliteit is alleen mogelijk door de naadloze samenwerking van moderne technische tools. Webplatforms, virtuele realiteit-SDK’s, beeldverwerkingsalgoritmes en machine learning-frameworks dragen allemaal bij aan het creëren van een unieke vastgoedervaring.

Commercieel vastgoedwaarderingen

Een andere cruciale stap in commercieel vastgoed is de waardering van eigendommen. Geautomatiseerde waarderingsmodellen zijn zo oud als de industrie zelf, met de taak om eigendommen te waarderen en prijsschema’s vast te stellen. Traditioneel waren deze modellen meestal gebaseerd op historische verkoopgegevens. Maar modellen die alleen op historisch gedrag zijn gebaseerd, missen veel andere gegevensbronnen.

Predictieve analytics en moderne gegevensverzameling infrastructuur zijn ontworpen om externe gegevensbronnen te integreren en algoritmes te trainen op basis van heterogene gegevenstypen. In plaats van één gegevenstype te gebruiken dat een beperkt perspectief op een eigendom biedt, bieden geïntegreerde gegevensarchitecturen een 360-gradenbeeld en integreren externe gegevensbronnen: marktvraag, macro-economische gegevens, huurwaarden, kapitaalmarkten, banen, verkeer, enz. Aangezien er geen harde limieten zijn voor de gegevens die door een eigendomswaarderingsmodel kunnen worden gebruikt, is predictieve analytics een krachtig instrument voor vastgoedagentschappen.

Smart Capital biedt een dergelijke moderne oplossing voor eigendomswaardering. Ze gebruiken predictieve analytics voor de waardering van vastgoedeigendommen en beloven een volledig rapport binnen één werkdag te leveren. Hun CEO, Laura Krashakova, biedt enkele inzichten in hoe ze dit bereiken.

“De technologie maakt datagegevensverwerking en eigendomswaardering in real-time mogelijk en geeft individuen toegang tot gegevens die eerder alleen beschikbaar waren voor lokale makelaars. Lokale inzichten zoals de populariteit van de locatie, voorzieningen in het gebied, kwaliteit van het openbaar vervoer, nabijheid van grote wegen en voetgangersverkeer zijn nu gemakkelijk beschikbaar en worden gescoord voor gemakkelijke vergelijking.”

Er zijn twee aspecten die een dergelijke dienst mogelijk maken: de gemakkelijke toegang en de mogelijkheid om real-time inzichten te leveren. Mobiele en webplatforms maken het gemakkelijk voor klanten om toegang te krijgen, gegevens te uploaden en te visualiseren, ongeacht hun locatie. Alles wat nodig is, is een internetverbinding. Tegelijkertijd verwerken predictieve analytics-frameworks gegevens in real-time, op een snelheid van milliseconden. Zodra nieuwe gegevensgebeurtenissen optreden, worden ze verzameld en opgenomen in het laatste analyse-rapport. Geen noodzaak om te wachten op tijdrovende, intensieve berekeningen, aangezien al deze berekeningen nu bijna onmiddellijk kunnen gebeuren, in de cloud. Opnieuw maakt de naadloze samenwerking van moderne technologieën het mogelijk om een naadloze ervaring te bieden op basis van real-time inzichten. Tegelijkertijd wordt de variëteit aan externe gegevensbronnen een garantie voor verhoogde waarderingsnauwkeurigheid. Dit bespaart tijd, geld en hoofdpijn voor alle betrokken partijen.

Gestroomlijnde hypotheekaanvraagprocessen

Een andere commerciële vastgoedprocedure die een interessante uitdaging vormt, is de hypotheekaanvraag. Een uitdaging niet alleen voor de verwarde huiskopers, maar ook voor machine learning-modellen. Kredietgoedkeuringsmodellen hebben toegang nodig tot allerlei gegevens, van persoonlijke informatie tot kredietgeschiedenis, historische transacties en werkgeschiedenis. Handmatig identificeren en integreren van al deze gegevensbronnen kan snel een tijdrovende, saaie en vervelende taak worden. Bovendien komt handmatige verwerking met een hoog risico op foutieve invoer tijdens de aanvraag. Deze aspecten hebben het handmatige hypotheekaanvraagproces omgevormd tot een bottleneck voor vastgoedtransacties.

Als er maar een geautomatiseerde oplossing bestond om een deel van de pijn weg te nemen…

Beeline is een bedrijf dat zich richt op het vereenvoudigen van het hypotheekaanvraagproces. Hun intuïtieve mobiele interface leidt kopers door hypotheekaanvragen in enkele minuten. Het hele proces duurt slechts 15 minuten en claimt huiskopers veel hoofdpijn te besparen. De manier waarop ze dit doen is ongelooflijk eenvoudig: hun dienst verbindt met een verscheidenheid aan persoonlijke gegevensbronnen (zoals de bank, salaris- en belastinginformatie), gebruikt natuurlijke taalverwerking (NLP) om informatie te lezen en te verzamelen, integreert en analyseert alle gegevens in real-time. Zo worden tijdrovende en saaie processen omzeild en kunnen huiskopers genieten van gestroomlijnde hypotheekaanvraagprocessen.

Hoe is dat mogelijk, vraag je je af?

Hun dienst is alleen mogelijk door de integratie van een mobiel-ervaring, intelligente verwerkingsmogelijkheden, evenals state-of-the-art gebruikersontwerp. Hun hypotheekgids wordt geleverd via een chat-interface, die gebruikers een gemakkelijke manier biedt om antwoorden te vinden op hun vragen. NLP-algoritmes ondersteunen deze interacties en helpen een gepersonaliseerde ervaring te creëren. Tegelijkertijd vinden geautomatiseerde evaluatie-algoritmes plaats op de achtergrond, terwijl de koper het formulier invult. Dit toont aan dat automatisering de sleutel is tot het succes van hun dienst. En de naadloze samenwerking van technische tools maakt deze automatisering mogelijk in de eerste plaats.

Wat komt er daarna?

Een krachtige mix van technische trends staat aan de vooravond van vastgoedinnovatie: verhoogde gegevensbeschikbaarheid, vooruitgang in gegevensverwerkingsmogelijkheden en de alomtegenwoordigheid van machine learning-algoritmes. Ze maken het allemaal mogelijk om de meest uitdagende toepassingen aan te pakken op een intelligente, geautomatiseerde en foutloze manier.

Bovendien maken cloud computing-mogelijkheden en moderne opslagarchitecturen het mogelijk om inzichten uit gegevens te halen in real-time, complexe predictieve modellen te bouwen en een verscheidenheid aan gegevensbronnen te integreren. Alles wat mogelijk maakt om de toekomst te voorzien, te innoveren en een concurrentievoordeel te behouden.

image sources: Canva