Vitenskapen om eiendom: Matching og kjøp

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

I 2017 ble det i en Field Actions Science Reports artikkel diskutert hvordan AI, maskinlæring og prediktiv analyse påvirker eiendomssektoren:

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

Et sprang frem til 2020: og etterlater hype-feller bak, erkjenner vi de transformativeffektene av datakompetanse, digitaliseringsstrategier og teknologiske fremgang. Prediktiv analyse, maskinlæring og AI-drevne applikasjoner er fremdeles ledende innovasjoner i en rekke bransjer, langt utenfor eiendomssektoren. Fra de mest kjedelige ML-applikasjoner til de mest interessante NLP & OCR-automatiseringsinnsats, har bransjeledere lært å utnytte disse kraftfulle verktøyene til sin fordel.

I dag møter vi 3 eiendomsbrukssaker. De er ment å illustrere hvordan moderne programvarestacker og intuitive grensesnitt samspiller med maskinlæring og dataingeniørarbeid for å skape unike produkter og tjenester.

Vitenskapen om eiendom: Dine data kjenner deg best, la dem finne deg det perfekte hjemmet.

Huskjøpsprosesser

Dagens eiendomsmarked stiller en interessant maskinlæringutfordring: Er det en formel for å matche riktige huskjøpere med riktige eiendommer til riktige priser? Å bygge nøyaktige husmatchings- og oppdagelseservice er hva holder forskere og bransjepersoner på tåhelet. Med enorme datamengder tilgjengelig for dem, og inspirert av høy nøyaktighet av online anbefalingsystemer (Netflix, noen?), ser husmatchingsmotorer konstant utvikling, selv i den ikke-så-teknisk-inclinerte eiendomssektoren.

Orchard er en megler som utnytter moderne teknisk verktøy for å forbedre husoppdagelseservice. Ved å bruke maskinlæringsalgoritmer, kommer de opp med et svar på det mest presserende spørsmålet hjemkjøperne stiller: “Hva ser drømmehuset mitt ut som?”

Medgrunnlegger og Chief Product & Marketing Officer, Phil DeGisi forklarer:

“Home Match er den første hjemmesøkealgoritmen som lar folk velge de egenskapene som betyr mest for dem. Vi spør kjøperne en rekke spørsmål om hva de verdsetter og betrakter “må-haves” og “hyggelige å-haves” i et hjem – som en kjøkkenøy, basseng i bakgården og reisetid innen sekunder. Orchard tildeler en personlig matchscore til hver eiendom i søkeområdet.”

Brukere av husmatchingsystemer får å nyte en opplevelse karakterisert av økt personliggjøring og brukervennlighet. Søkeresultater er rangert etter deres profiler og enkle, brukervennlige grensesnitt erstatter gamle eiendomskataloger.

“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 hver eiendom 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, hjemkjøpere kan nå vise hver rom side om side i en nettleser, med et enkelt knappetrykk.”

Slike funksjoner er bare mulig takket være den samspillende moderne teknisk verktøy. Webplattformer, virtuell virkelighet-SDK-er, bildebehandlingsalgoritmer samt maskinlæringsrammeverk bidrar alle til å skape en unik eiendomserfaring.

Kommersiell eiendomsvurdering

En annen kritisk skritt i kommersiell eiendom er eiendomsvurdering. Automatiserte vurderingsmodeller er like gamle som bransjen selv, gitt oppgaven med å vurdere eiendommer og etablere prissystemer. Tradisjonelt var disse modellene hovedsakelig basert på historiske salgsdata. Men modeller som bare avhenger av tidligere atferd, mangler mye annen datakilder.

Prediktiv analyse og moderne datainnsamling infrastruktur 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 enhetlige dataarkitekturer en 360-graders visning og integrerer eksterne datakilder: markedsetterspørsel, makroøkonomiske data, leieverdier, kapitalmarkeder, jobber, trafikk osv. Siden det ikke er noen harde grenser for data som kan brukes av en eiendomsvurderingsmodell, er prediktiv analyse et kraftfullt verktøy tilgjengelig for eiendomsselskaper.

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 dataprosesser 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 scores for lett sammenligning.”

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

Igjen er det samspillet mellom moderne teknologier som gjør det mulig å tilby en sømløs opplevelse basert på sanntidsinnsikt. Samtidig blir variasjonen av eksterne datakilder en garanti for økt vurderingsnøyaktighet. Dette sparer tid, penger og hodepine for alle parter involvert.

Strømlinjeformede låneprosesser

En annen kommersiell eiendomprosess som stiller en interessant utfordring er låneprosessen. En utfordring ikke bare for forvirrede hjemkjøpere, men også for maskinlæringsmodeller. Kreditgodkjenningmodeller 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 låneprosessen til en flaskehals for eiendomstransaksjoner.

Hvis bare noen automatisert løsning eksisterte for å ta noen av smerten bort…

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

Hvordan er det mulig, lur du på?

Deres tjeneste er bare mulig ved å integrere en mobil-først-erfaring, intelligente prosesseringskapasiteter, samt statisk avansert brukergrensesnitt. Deres låneveileder leveres via en chat-grensesnitt, som gir brukerne en enkel måte å finne svar på sine spørsmål. NLP-algoritmer støtter disse interaksjonene og hjelper med å skape en personlig opplevelse.

Samtidig skjer automatiske vurderingsalgoritmer i bakgrunnen, mens kjøperen fyller ut skjema. Dette viser hvordan automatisering er nøkkel til suksessen deres tjeneste. Og det samspillende teknisk verktøy er hva gjør denne automatiseringen mulig på førsteplass.

Hva kommer neste?

En kraftfull blanding av tekniske trender er i forkant av eiendomsinnovasjon: økt data tilgjengelighet, fremgang i dataprosesseringskapasiteter og ubiktighet av maskinlæringsalgoritmer. De gjør det mulig å takle de mest utfordrende applikasjonene, på en intelligent, automatisert og feilfri måte.

I tillegg gjør skydatadelingsmuligheter 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 holde en konkurransefordel.

Bildekilder: Canva