Vitenskapen om eiendomshandel: Matcher og kjøp

Dine data kjenner deg best, la dem finne drømmehuset ditt. Eiendomshandelsbransjen sitter på tonvis av data som ikke blir brukt hver år. I denne artikkelen diskuterer vi hvordan avanserte teknologier hjelper eiendomshandelsinvestorer, meglerne og selskapene å utnytte den store mengden informasjon innen bransjen for å hjelpe mennesker å finne drømmehuset sitt.

I 2017 ble det publisert en Field Actions Science Reports artikkel som omhandler effekten av AI, maskinlæring og prediktiv analyse på eiendomshandelssektoren:

“Praksisen med AI-drevne byanalyser tar av i eiendomshandelsbransjen. Datavitenskap og algoritmisk logikk er nær fremtredende nye byutviklingspraksiser. Hvor nær? er spørsmålet — eksperter forutser at digitalisering vil gå langt utover intelligente bygningssystemer. Nye analytiske verktøy med prediktive evner vil dramatisk påvirke fremtiden for byutvikling, og omforme eiendomshandelsbransjen i prosessen.”

I 2020, etter å ha forlatt hype-feller, erkjenner vi de transformativeffektene av datakompetanse, digitaliseringsstrategier og teknologiske fremskritt. Prediktiv analyse, maskinlæring og AI-drevne applikasjoner er fortsatt ledende innovasjoner i en rekke bransjer, langt utenfor eiendomshandelssektoren. Fra de mest kjedelige ML-applikasjoner til de mest interessante NLP- og OCR-automatiseringsforsøk, har bransjeledere lært å utnytte disse kraftfulle verktøyene til sin fordel.

I dag møter vi tre eiendomshandelsbrukssaker. De er ment å illustrere hvordan moderne programvarestacker og intuitive grensesnitt samspiller med maskinlæring og dataingeniører for å skape unike produkter og tjenester.

Vitenskap om eiendomshandel: Dine data kjenner deg best, la dem finne det perfekte hjemmet ditt.

Huskjøpsprosesser

Dagens eiendomshandelsmarked stiller en interessant maskinlæringutfordring: Er det en formel for å matche riktige huskjøpere med riktige eiendommer til riktige priser? Å bygge nøyaktige husmatchings- og oppdagelses­tjenester er det som holder forskerne og bransjepersoner på tåhelet. Med enorme datamengder tilgjengelig for dem, og inspirert av høy nøyaktighet i online anbefalings­systemer (Netflix (NFLX ), noen?), ser husmatchings­motorene konstant utvikling, selv i den ikke-så-teknisk-inclinerte eiendomshandelsbransjen.

Orchard er en megler som utnytter moderne tekniske verktøy for å forbedre husoppdagelses­tjenester. Ved å bruke maskinlæringsalgoritmer, kommer de opp med et svar på det mest presserende spørsmålet huskjøpere stiller: “Hva ser drømmehuset mitt ut som?”. I tillegg kan algoritmene hjelpe dem å svare på et følgespørsmål: “Hvilke kompromisser er jeg (ikke) villig til å gjøre?”

Medgrunnlegger og sjef for produkt og markedsføring, Phil DeGisi, forklarer:

“Husmatch er den første hjemmesøkealgoritmen som lar mennesker velge de egenskapene som betyr mest for dem. Vi spør kjøpere en rekke spørsmål om hva de verdsetter og hva de betrakter som “må-haves” og “flott å ha” i et hus – som en kjøkkenøy, basseng i bakgården og reisetid innen sekunder. Orchard tildeler en personlig matchscore til hvert hus i søkeområdet.”

På denne måten blir kjøperne matchet med legitime huskjøpsmuligheter, og hele prosessen blir enklere for alle parter involvert.

Brukere av husmatchings­systemer kan nyte en opplevelse kjennetegnet av økt personliggjøring og brukervennlighet. Søkeresultatene rangeres etter deres profiler, og enkle, brukervennlige grensesnitt erstatter vanlige eiendomshandelskataloger.

“Orchard har også utviklet en annen bransjefører, Photo Switch, som tar disse personlige søkeresultatene og viser dem på en mer visuelt nyttig og personlig måte. For å gjøre dette, har Orchard skapt en maskinlæringsmodell for å skanne bilder av hvert hus på markedet og bestemme hvilke rom som er i hvert bilde. Denne funksjonen er den første av sitt slag og lar brukerne enkelt sammenligne sine “må-haves” samtidig. Enten det er et kjøkken, en innhegnet bakgård eller et koselig viktig rom, kan huskjøpere nå se hvert rom side om side i en nettleser, med et enkelt knappetrykk.”

Slike funksjoner er bare mulig takket være det sømløse samspillet mellom moderne tekniske verktøy. Webplattformer, virtuelle virkelighets-SDK-er, bildebehandlingsalgoritmer samt maskinlæringsrammeverk bidrar alle til å skape en unik eiendomshandels­opplevelse.

Kommersielle eiendomsvurderinger

En annen kritisk steg i kommersiell eiendomshandel er eiendomsvurdering. Automatiske vurderingsmodeller er like gamle som bransjen selv, gitt oppgaven å vurdere eiendommer og etablere prissystemer. Tradisjonelt var disse modellene hovedsakelig basert på historiske salgsdata. Imidlertid går modeller som bare baserer seg på tidligere atferd glipp av mye annen data.

Prediktiv analyse og moderne datainnsamling infrastrukturer er bygget for å integrere eksterne datakilder og trene algoritmer basert på heterogene datatyper. I stedet for å bruke en enkelt datatyp som tilbyr en begrenset perspektiv på en eiendom, tilbyr samlede dataarkitekturer en 360-graders visning og integrerer eksterne datakilder: markedsetterspørsel, makroøkonomiske data, leieverdier, kapitalmarkeder, jobber, trafikk osv. Siden det ikke finnes noen harde grenser for data som kan brukes av en eiendomsvurderingsmodell, er prediktiv analyse et kraftfullt verktøy tilgjengelig for eiendomshandelsbyråer.

Smart Capital tilbyr en slik moderne løsning for eiendomsvurdering. De bruker prediktiv analyse for vurdering av eiendommer og lover å levere en fullstendig rapport innen én forretningsdag. Deres CEO, Laura Krashakova, tilbyr noen innsikt i hvordan de oppnår dette.

“Teknologien muliggjør dataforedling og eiendomsvurdering i sanntid og gir enkeltpersoner tilgang til data som tidligere bare var tilgjengelig for lokale meglerne. Lokale innsikter som populariteten til stedet, fasiliteter i området, kvaliteten på offentlig transport, nærheten til hovedveier og fotgjengertrafikk er nå lett tilgjengelig og blir scoret for enkel sammenligning.”

Det er to aspekter som gjør en slik tjeneste mulig på førsteplass: tilgangsletthet og muligheten til å levere sanntidsinnsikt. Mobile og webplattformer gjør det enkelt for kunder å få tilgang, laste opp og visualisere sine data, uavhengig av deres plassering. Alt som trengs er en internettforbindelse. Samtidig kjører prediktiv analyse-rammeverk data i sanntid, med en hastighet på millisekunder. Når nye datahendelser skjer, blir de samlet inn og inkludert i den siste analyse­rapporten. Ingen behov for å vente på tidskrevende, intensive beregninger, siden all beregning kan skje nesten umiddelbart, i skyen.

Strømlinjeformede lånsøknadsprosesser

En annen kommersiell eiendomshandelsprosess som stiller en interessant utfordring er lånsøknaden. En utfordring ikke bare for forvirrede huskjøpere, men også for maskinlæringsmodeller. Kredittgodkjenningsmodeller trenger tilgang til alle typer data, fra personlige opplysninger til kredithistorikk, historiske transaksjoner og ansettelseshistorikk. Manuelt å identifisere og integrere alle disse datakildene kan raskt bli en kjedelig, tidskrevende og irriterende oppgave. I tillegg kommer manuell prosessering med en høy risiko for feilaktige innføringer gjennom hele søknaden. Disse aspektene har gjort den manuelle lånsøknadsprosessen til en flaskehals for eiendomshandels­transaksjoner.

Hvis bare noen automatisert løsning eksisterte for å fjerne litt av smerten…

Beeline er et selskap som fokuserer på å strømlinjeforme lånsøknadsprosessen. Deres intuitive mobile grensesnitt guider kjøpere gjennom lånsøknader på minutter. Hele prosessen tar bare 15 minutter og hevder å spare huskjøpere mye hodepine. Måten de gjør dette på er usedvanlig enkel: deres tjeneste kobler til en rekke personlige datakilder (slik som bank, lønn og skatteinformasjon), bruker naturlig språkbehandling (NLP) for å lese og samle inn informasjon, integrerer og analyserer all data i sanntid. På denne måten blir kjedelige og tidskrevende prosesser unngått, og huskjøpere kan nyte strømlinjeformede lånsøknadsprosesser.

Hvordan er det mulig, spør du?

Deres tjeneste er bare mulig ved å integrere en mobil-først-erfaring, intelligente prosesserings­evner samt state-of-the-art-brukergrensesnitt. Deres långuide leveres via en chatsamtale, som gir brukerne en enkel måte å finne svar på deres spørsmål. NLP-algoritmer støtter disse interaksjonene og hjelper å skape en personlig opplevelse.

Hva kommer neste?

En kraftfull blanding av tekniske trender er i forkant av eiendomshandels­innovasjon: økt datatilgjengelighet, fremgang i dataforedlings­evner og ubenyttbarheten av maskinlærings­algoritmer. De gjør det mulig å takle de mest utfordrende applikasjonene på en intelligent, automatisert og feilfri måte.

I tillegg gjør skytjenester og moderne lagrings­arkitekturer det mulig å trekke ut innsikt fra data i sanntid, bygge komplekse prediktive modeller og integrere en rekke datakilder. Alt dette gjør det mulig å forutse fremtiden, innovere og beholde en konkurransefordel.

Bildekilder: Canva