La science des données offre à la CRE la capacité d’agir en phase avec des marchés en évolution rapide
![placeholder](/_next/image/?url=https%3A%2F%2Fimages.ctfassets.net%2F8jgyidtgyr4v%2F6vGEYY2A18oq4LBN2I0KNN%2F123f2629ca9cebeab15813f843068ee8%2FInsight_69_-_The_Importance_Of_Data_Science_In_CRE_Industry.jpg&w=3840&q=75)
Points saillants
La science des données offre des opportunités enrichissantes pour répondre à des questions et préparer des hypothèses presque en temps réel
La science des données intègre des ensembles de données alternatifs, des technologies d'apprentissage automatique et des analyses prédictives pour extraire de nouvelles connaissances des données et amplifier la capacité de prévision et de prévision immédiate, ce qui permet aux dirigeants de l'immobilier d'entreprise d'agir rapidement et astucieusement à mesure que les marchés évoluent.
Étant donné que les investissements immobiliers sont évalués sur la base des flux de trésorerie actuels et futurs, l'utilisation de données alternatives pour produire des prévisions immédiates et des prévisions garantit que les décisions sont basées sur des hypothèses actuelles plutôt que sur des indicateurs retardés.
L’application d’analyses avancées – analyse statistique, analyse, exploration de données, notation et apprentissage automatique – à ces ensembles de données offre une perspective plus précise de ce qui se passe aujourd’hui (prévision immédiate) et de ce qui est susceptible de se produire dans le futur (prévision).
Dans un environnement de changement rapide provoqué par la pandémie, les investisseurs, propriétaires et gestionnaires immobiliers continuent de faire face à de nouveaux défis et à des contraintes de temps pour déterminer les bonnes mesures à prendre ensuite.
Heureusement, la science des données offre des opportunités enrichissantes pour répondre à des questions et préparer des hypothèses presque en temps réel, ce qui pouvait auparavant prendre des semaines ou des mois.
La science des données intègre des ensembles de données alternatifs, des technologies d'apprentissage automatique et des analyses prédictives pour extraire de nouvelles connaissances des données et amplifier la capacité de prévision et de prévision immédiate. En résumé : cela offre aux dirigeants de la CRE la capacité d’agir rapidement et astucieusement à mesure que les marchés évoluent.
Les prévisions immédiates, par exemple, sont des prédictions basées sur des données à haute fréquence, comme les transactions mobiles ou de détail. Ceux-ci nous permettent de comprendre ce qui s’est passé très récemment, ce qui se passe actuellement et ce qui se passera dans un avenir proche.
Supposons, par exemple, qu'un fonds immobilier souhaite élargir un portefeuille d'immeubles multifamiliaux. Une prévision immédiate peut fournir des informations claires et contemporaines sur le marché en utilisant l'apprentissage automatique au sein d'une collection massive de données au niveau du quartier, en temps quasi réel ou en temps réel. Les algorithmes d’apprentissage automatique peuvent rapidement combiner des prévisions macro et hyperlocales pour donner la priorité aux villes et aux quartiers où la demande de logements multifamiliaux est la plus élevée. Cela permettrait au fonds d'identifier des bâtiments situés dans des zones actuellement sous-évaluées mais dont la demande est en hausse.
Étant donné que les investissements immobiliers sont évalués sur la base des flux de trésorerie actuels et futurs, l’utilisation de données alternatives pour produire des prévisions immédiates et des prévisions garantit que les décisions sont basées sur des hypothèses actuelles plutôt que sur des indicateurs retardés.
Cela offre aux investisseurs immobiliers et aux organisations des avantages stratégiques importants. La combinaison de données démographiques et migratoires conventionnelles avec des données alternatives en temps quasi réel dans des modèles de données avancés permet de discerner des tendances significatives bien avant les mesures statistiques traditionnelles. Ils peuvent identifier les marchés ayant le plus grand potentiel, évaluer la croissance ou la demande pour des classes ou sous-classes d'actifs spécifiques sur des marchés particuliers et calculer avec précision la valeur future des acquisitions potentielles.
Et l’application d’analyses avancées – analyse statistique, modélisation, exploration de données, notation et apprentissage automatique – à ces ensembles de données offre une perspective plus précise de ce qui se passe aujourd’hui (prévision immédiate) et de ce qui est susceptible de se produire dans le futur (prévision).
L’utilisation de cette approche peut optimiser les stratégies d’investissement et d’acquisition immobilières, en découvrant les opportunités et les risques cachés.
Science des données utilise des processus scientifiques, des algorithmes et des modèles pour extraire des informations exploitables à partir de données brutes.
Données alternatives is des données provenant de sources non traditionnelles, telles que les données de mobilité et de localisation, les dépenses de vente au détail, les annonces et ventes immobilières et l'activité Web.
Analyse prédictive iIl s'agit d'un processus de science des données qui identifie la probabilité de résultats futurs sur la base de données historiques.
Exemple concret: Identifies les opportunités d’investissement multifamilial en examinant les tendances migratoires
Voici un bon exemple de la manière dont un fonds immobilier a utilisé la prévision immédiate pour acquérir des informations qui n'étaient jamais disponibles auparavant.
Pour éclairer la stratégie du portefeuille et également démontrer aux investisseurs qu'il avait une bonne compréhension de ses marchés, opportunités et risques, ce fonds avait besoin d'une prévision immédiate des tendances migratoires pour un marché clé dans lequel il avait une exposition significative : Las Vegas.
Il est intéressant de noter que pendant la pandémie, les loyers des immeubles multifamiliaux sur le marché de Las Vegas étaient stables ou en hausse, alors que la situation de l’emploi était parmi les pires du pays. Les gestionnaires de fonds ont émis l'hypothèse qu'il y avait un afflux de personnes s'installant à Las Vegas, mais n'avaient aucune preuve pour étayer cette hypothèse. Les estimations basées sur des sources de données traditionnelles telles que le US Census Bureau étaient trop obsolètes pour être utiles.
Pour répondre à ce besoin, nous avons intégré les données GPS des téléphones mobiles avec les données caractéristiques des ménages au niveau du quartier, sur une plate-forme d'apprentissage automatique pour prévoir immédiatement les schémas de déplacement des ménages et la santé globale du marché au niveau du quartier.
Cela nous a permis d’identifier plusieurs facteurs clés en jeu. Premièrement, un nombre important de nouveaux habitants de Las Vegas arrivaient du sud de la Californie – Anaheim, Los Angeles et Riverside en particulier. Deuxièmement, les nouveaux résidents avaient, en moyenne, des revenus familiaux supérieurs de 20 000 $ à ceux des résidents actuels de Las Vegas. Pour ces nouveaux arrivants, les tarifs de location à Las Vegas étaient très abordables. En conséquence, les taux d’occupation et de location pendant la pandémie sont restés plus sains à Las Vegas par rapport aux autres marchés.
Exemple concret: Recherchez les marchés où le retour au bureau est le plus avancé
Pour un autre projet, l’objectif de notre client était d’évaluer les modèles de reprise de la circulation piétonnière dans les principaux quartiers de bureaux des États-Unis en comparant les différences entre 2019 et le trimestre en cours (T3 2021). En combinant les estimations de emploi de bureau, et le trafic piétonnier basé sur les téléphones mobiles au sein d'une plate-forme d'apprentissage automatique, nous avons pu comparer le volume de trafic actuel avec celui de 2019.
Cette analyse a montré, à titre d'exemple, qu'Atlanta connaît l'une des plus fortes reprises de fréquentation piétonnière dans ses quartiers de bureaux. San Francisco, en comparaison, est encore environ 50 % en dessous des niveaux de 2019. Sans surprise, en 2021, Atlanta possède également l’un des marchés de bureaux les plus performants, tandis que San Francisco est à la traîne du pays.
De nombreuses utilisations de la science des données avancée dans l'immobilier
Ces cas démontrent comment la science avancée des données peut prévoir et anticiper avec précision l’évolution de la demande immobilière, permettant aux investisseurs et aux organisations CRE de mieux comprendre les facteurs ayant un impact sur les performances. Voici d’autres exemples.
Utiliser l'emplacement, les changements de demande et les attributs physiques pour identifier pourquoi certains actifs affichent des performances NOI plus élevées que d'autres
Ciblez les opportunités d’acquisition au potentiel exceptionnel en tirant parti de l’apprentissage automatique pour prévoir les performances attendues de certaines propriétés.
Utiliser des données de marché alternatives et des prédictions de modèles d'apprentissage automatique pour identifier les actifs susceptibles de sous-performer
Lorsqu’il s’agit aujourd’hui de prendre des décisions dans le secteur immobilier, la pandémie a démontré à quelle vitesse les marchés peuvent changer. Science des données donne aux investisseurs CRE l'avantage d'informations en temps réel pour calibrer rapidement leur stratégie et prendre des décisions en toute confiance et rapidité.
Exemple concret : identifiez les opportunités d'investissement multifamilial en examinant les tendances migratoires
Voici un bon exemple de la façon dont un fonds immobilier a utilisé la prévision immédiate pour acquérir des informations qui n'étaient jamais disponibles auparavant.
Pour éclairer sa stratégie de portefeuille et démontrer aux investisseurs qu'ils avaient une bonne compréhension de ses marchés, opportunités et risques, ce fonds avait besoin d'une prévision immédiate des tendances migratoires pour un marché clé dans lequel il avait une exposition significative : Las Vegas.
Il est intéressant de noter que pendant la pandémie, les loyers des immeubles multifamiliaux sur le marché de Las Vegas étaient stables ou en hausse, alors que la situation de l’emploi était parmi les pires du pays. Les gestionnaires de fonds ont émis l'hypothèse qu'il y avait un afflux de personnes s'installant à Las Vegas, mais n'avaient aucune preuve pour étayer cette hypothèse. Les estimations basées sur des sources de données traditionnelles comme le US Census Bureau étaient trop obsolètes pour être utiles.
Pour répondre à ce besoin, nous avons intégré les données GPS des téléphones mobiles avec les données caractéristiques des ménages au niveau du quartier sur une plateforme d'apprentissage automatique, ce qui nous a permis de prévoir immédiatement les schémas de déplacement des ménages et la santé globale du marché au niveau du quartier.
Cela nous a permis d’identifier plusieurs facteurs clés en jeu. Premièrement, un nombre important de nouveaux habitants de Las Vegas arrivaient du sud de la Californie – Anaheim, Los Angeles et Riverside en particulier. Deuxièmement, les nouveaux résidents avaient, en moyenne, des revenus familiaux supérieurs de 20 000 $ à ceux des résidents actuels de Las Vegas. Pour ces nouveaux arrivants, les tarifs de location à Las Vegas étaient très abordables. En conséquence, les taux d’occupation et de location pendant la pandémie sont restés plus sains à Las Vegas par rapport aux autres marchés.
Exemple concret : trouvez les marchés où le retour au bureau est le plus avancé
Pour un autre projet, l’objectif de notre client était d’évaluer les modèles de reprise de la circulation piétonnière dans les principaux quartiers de bureaux des États-Unis en comparant les différences entre 2019 et le trimestre en cours (T3 2021). En combinant les estimations de l'emploi dans les bureaux et du trafic piétonnier sur téléphone portable au sein d'une plate-forme d'apprentissage automatique, nous avons pu comparer le volume de trafic actuel avec celui de 2019.
Cette analyse a montré, à titre d'exemple, qu'Atlanta a connu l'une des plus fortes reprises de fréquentation piétonnière dans ses quartiers de bureaux. San Francisco, en comparaison, était encore environ 50 % en dessous des niveaux de 2019. Sans surprise, en 2021, Atlanta avait également l'un des marchés de bureaux les plus performants, tandis que San Francisco était à la traîne du pays.
De nombreuses utilisations de la science des données avancée dans l'immobilier
Ces cas démontrent comment la science avancée des données peut prévoir et anticiper avec précision l’évolution de la demande immobilière, permettant aux investisseurs et aux organisations CRE de mieux comprendre les facteurs ayant un impact sur les performances. Voici d'autres exemples.
Utiliser l'emplacement, les changements de demande et les attributs physiques pour identifier pourquoi certains actifs connaissent un impact opérationnel net (NOI) plus élevé que d'autres
Ciblez les opportunités d'acquisition au potentiel exceptionnel en tirant parti de l'apprentissage automatique pour prévoir les performances attendues de certaines propriétés
Utilisez des données de marché alternatives et des prédictions de modèles d'apprentissage automatique pour identifier les actifs susceptibles de sous-performer
Lorsqu’il s’agit aujourd’hui de prise de décision dans le secteur immobilier, la pandémie a démontré à quelle vitesse les marchés peuvent changer. La science des données offre aux investisseurs CRE l’avantage d’informations en temps réel pour calibrer rapidement leur stratégie et prendre des décisions en toute confiance et rapidité.
Auteur
![undefined's Profile](/_next/image/?url=https%3A%2F%2Fimages.ctfassets.net%2F8jgyidtgyr4v%2F6IneUNcntX8W3ng262nK9b%2Fb60b8689106a9c4b2acd1ee2f9c1b487%2FMichael_Clawar.png&w=3840&q=75)
Michael Clawar
Vice-président, responsable des données et des analyses
Auteur
![undefined's Profile](/_next/image/?url=https%3A%2F%2Fimages.ctfassets.net%2F8jgyidtgyr4v%2F6IneUNcntX8W3ng262nK9b%2Fb60b8689106a9c4b2acd1ee2f9c1b487%2FMichael_Clawar.png&w=3840&q=75)
Michael Clawar
Vice-président, responsable des données et des analyses