Introduction au machine learning dans l'immobilier commercial Partie 1 : Caractéristiques, avantages concurrentiels et gamme d'utilisations
Points saillants
L'apprentissage automatique (ML) devient essentiel dans la prise de décision des CRE, fournissant des informations plus rapides et plus approfondies sur les investissements et créant un écart croissant entre les premiers utilisateurs et ceux qui sont en retard dans la mise en œuvre des stratégies de ML.
ML aide les entreprises CRE à clarifier les performances, à identifier les tendances, à évaluer les investissements, à estimer la valeur et les risques et à améliorer la gestion immobilière.
Malgré les avantages, les entreprises de CRE ont mis du temps à adopter l’apprentissage automatique en raison de défis tels que le manque de données de qualité, l’adhésion de l’organisation et la difficulté à recruter du personnel qualifié.
Les changements à multiples facettes sur le marché accélèrent le besoin d’amélioration de l’analyse des investissements
Le secteur de l’immobilier commercial (CRE) est à l’épicentre du changement et du stress.
Une mondialisation accélérée
Changements démographiques et géopolitiques
Coût du capital en hausse
Risques croissants
Pénurie de talents
Transformation numérique
Une demande d’espace en évolution
Hyper-concurrence pour les deals
Pression croissante sur les retours
Alors que ces dynamiques entraînent des changements dans le secteur, les propriétaires de CRE, les investisseurs, les analystes et les gestionnaires doivent prendre des décisions agiles et judicieuses. Le vaste volume de données accessibles pour l’analyse des investissements souligne la nécessité de procédures de recherche automatisées. Ces processus réduisent les efforts consacrés au tri des données, laissant ainsi plus de temps pour la prise de décisions cruciales concernant l'allocation d'actifs, les acquisitions, les cessions et la performance globale des actifs.
De quelle manière ce marché évolue-t-il ? Devons-nous vendre ce bâtiment ? Quand? Ou le résultat opérationnel net augmentera-t-il l’année prochaine ? Qu’est-ce qui influence la moindre performance de ces propriétés ? Devons-nous abandonner la classe bureautique et nous tourner vers le multifamilial ? Quel serait le moment optimal pour la disposition ?
Vous voulez être sûr que votre stratégie d’investissement répond aux besoins et aux défis actuels du marché et qu’elle s’appuie sur les meilleures données disponibles. Alors, face à une évolution et une pression constantes, comment les entreprises immobilières peuvent-elles rapidement découvrir des schémas cachés et les exploiter pour prendre des décisions en vue d’un investissement rentable ?
L’apprentissage automatique est l’un des outils clés. L’apprentissage automatique passe au crible de grandes quantités de données complexes pour découvrir des modèles, des corrélations et d’autres informations qui facilitent des évaluations et des prédictions immédiates et précises – un avantage essentiel dans un environnement CRE volatile. Cela peut accélérer la recherche et l’analyse, réduire les risques et améliorer l’efficacité de l’évaluation, de la gestion et des investissements immobiliers.
Termes et définitions de l'apprentissage automatique
Intelligence artificielle est un ensemble de technologies qui permettent à une machine ou à un système d'apprendre, de raisonner et de résoudre des problèmes.
Apprentissage automatique est un composant de l'intelligence artificielle qui permet à une machine ou à un système d'apprendre et de s'améliorer automatiquement à partir de l'expérience, plutôt que d'être programmé par des personnes.
L'apprentissage automatique est aussi parfois appelé analyses prédictives ou modélisation prédictive.
Utilisations de l'apprentissage automatique algorithmes (instructions pour résoudre les problèmes) pour analyser de grandes quantités de données, en tirer des leçons, puis prendre des décisions éclairées. À mesure qu’ils sont exposés à davantage de données (entraînés), grâce à un processus d’essais et d’erreurs, les algorithmes améliorent les performances et produisent des résultats de plus en plus précis.
Données d'entraînement est un ensemble initial d'échantillons de données utilisés pour entraîner des algorithmes d'apprentissage automatique par exemple. À l’aide de ces données, les modèles d’apprentissage automatique développent et affinent les règles.
Données de test est un sous-ensemble indépendant de l'ensemble de données de formation qui est utilisé comme évaluation objective pour vérifier l'exactitude du modèle final.
Modèles d'apprentissage automatique sont le résultat – ce que le programme apprend en exécutant un algorithme sur les données d'entraînement. Des données de haute qualité provenant d’un échantillon de taille suffisante sont essentielles à la création de modèles précis et utiles.
Apprentissage automatique supervisé utilise des ensembles de données étiquetés (étiquettes descriptives ajoutées aux données brutes pour le contexte) pour entraîner des algorithmes afin de classer les données ou de prédire les résultats. Avec des entrées et des sorties étiquetées, le modèle peut calculer la précision et apprendre au fil du temps. C’est le type d’apprentissage le plus couramment utilisé en apprentissage automatique.
Apprentissage automatique non supervisé analyse des ensembles de données non étiquetés (des éléments de données brutes qui ne sont pas étiquetés avec des caractéristiques d'identification), en les organisant en fonction des similitudes et des différences.
Le variable cible est la caractéristique d'un ensemble de données que vous souhaitez comprendre : la variable que le modèle tente de prédire.
Compte tenu des avantages potentiels de l’apprentissage automatique pour la CRE, son adoption devrait être plus élevée
Bien qu’il s’agisse de la plus grande classe d’actifs d’investissement au monde, l’immobilier est à la traîne de la plupart des secteurs en termes de déploiement de données et d’analyses avancées pour soutenir la prise de décision stratégique.
Pendant ce temps, les sources et les utilisations des données dans le monde immobilier fleurissent. Outre les données traditionnelles sur les ménages, la démographie et l'économie, de nouvelles sources de données sont de plus en plus disponibles pour identifier les informations granulaires qui ont un impact sur les propriétés, jusqu'au niveau d'un pâté de maisons. Cela inclut les données liées à l'utilisation du téléphone portable, au trafic piétonnier, à l'accessibilité aux points d'intérêt, à la consommation électrique, aux abonnements haut débit, aux volumes de métro et de train, voire aux transactions par carte de crédit.
« L’apprentissage automatique se nourrit de grandes quantités de données. Plus les données sont de haute qualité, plus les résultats sont précis."
David Cockey
Directeur général des opérations, Responsable du conseil
L’apprentissage automatique permet également l’analyse de nouvelles formes de données. Par exemple, jusqu’à récemment, les formats d’informations tels que les images ne pouvaient pas être utilisés comme entrées de données. Mais désormais, les algorithmes d’apprentissage automatique peuvent identifier des éléments dans les images, tels que le nombre de véhicules dans un parking. Jusqu’à récemment, les données non structurées ne pouvaient pas être utilisées comme entrées de données. Mais désormais, la reconnaissance optique de caractères (OCR) peut être utilisée pour extraire du texte à partir de données non structurées, telles que des factures fiscales ou des registres de propriété.
De plus, les modèles d’apprentissage automatique peuvent prévoir des facteurs clés, tels que la valeur nette des ménages, avec une précision beaucoup plus grande – jusqu’à 20 fois – que les modèles traditionnels.
Dans les montagnes toujours croissantes de données déconnectées provenant de sources disparates, il est difficile de donner un sens à ce qui est pertinent et non pertinent – sans l’aide de l’apprentissage automatique. Pour discerner des tendances claires et glaner des informations, il faut passer au crible des dizaines de millions de points de données. Au moment où de nombreuses entreprises CRE collectent, compilent et traitent les données nécessaires à cette fin, les meilleures opportunités ont disparu.
Le rapport d'Altus sur l'innovation CRE 2021 révèle que 25 % des cadres supérieurs de CRE dans le monde utilisent l'apprentissage automatique de manière significative, 22 % l'essaient et 37 % envisagent de commencer à l'utiliser d'ici 18 mois.
Compte tenu des avantages potentiels de l’apprentissage automatique, ces chiffres devraient être plus élevés. Une certaine hésitation peut être due à la nécessité de mieux comprendre les cas d'utilisation de cette technologie, ce qui démontre comment elle peut ouvrir de nouvelles opportunités génératrices de valeur et d'avantages concurrentiels significatifs.
Pour parvenir à cette clarté, voici des exemples de la manière dont l’apprentissage automatique peut prendre en charge une gestion rapide et intelligente des investissements immobiliers.
Analyses prédictives et informations sur le marché
Altus Market Insights intègre des informations de marché et des analyses prédictives dans vos flux de travail quotidiens et votre prise de décision clé.
Comment les entreprises d’immobilier d’entreprise peuvent utiliser l’apprentissage automatique pour renforcer leur avantage concurrentiel dans le climat économique actuel
En analysant des volumes variés et massifs de données disparates, l’apprentissage automatique peut exécuter une gamme de processus de prévision et de modélisation financière pour soutenir les acquisitions et cessions d’investissements et optimiser les opérations.
Identifiez les actifs surperformants/sous-performants : L'apprentissage automatique fournit des informations sur les facteurs cachés du marché qui influencent la performance du portefeuille et des actifs. Par exemple, en examinant des critères tels que les revenus locatifs, les taux d'occupation, le résultat opérationnel net et les coûts d'entretien, ML peut projeter les rendements immobiliers et identifier les actifs dont les performances sont supérieures ou inférieures à la moyenne, permettant ainsi de prendre en temps opportun des décisions de détention, de vente ou d'amélioration des propriétés. Alors que traditionnellement ces types de modèles financiers étaient génériques, nous pouvons désormais utiliser des modèles d'apprentissage automatique pour des projets ou des bâtiments individuels. Cela donne une image précise des récompenses et des risques associés. Une modélisation financière aussi détaillée peut même contribuer à garantir un financement optimal du projet.
Identifiez les tendances du marché et évaluez le potentiel : L'apprentissage automatique peut prédire la dynamique et les tendances du marché telles que les changements de la demande, la valeur des propriétés, les fluctuations des prix des loyers et l'activité de location, dans le but d'identifier le moment optimal pour acheter ou vendre des propriétés. Il peut comparer les marchés et les quartiers en fonction des scores de croissance et de risque et des prévisions de performances. Il peut également être utilisé pour prévoir les ralentissements du marché, l’appréciation ou la dévaluation des propriétés, voire les défauts de paiement des locataires.
Déterminez les classes d’actifs optimales pour les investissements : En utilisant les tendances du marché, des données démographiques et autres pour identifier des modèles, l'apprentissage automatique peut évaluer la croissance ou la demande pour des classes ou sous-classes d'actifs spécifiques sur des marchés particuliers. Cela peut être inestimable pour prédire la demande pour des types de propriétés spécifiques et pour le calendrier des acquisitions, des cessions ou de la réaffectation des actifs.
Propriétés des prospects : Les algorithmes d'apprentissage automatique peuvent traiter une gamme de données économiques, démographiques et immobilières en temps quasi réel ou en temps réel à des niveaux géographiques granulaires afin d'identifier les emplacements où la demande pour des types d'actifs spécifiques est la plus élevée. Et cela peut améliorer la recherche de transactions en analysant des ensembles de données sur de nombreux marchés. L’apprentissage automatique peut également faciliter une diligence raisonnable rigoureuse en comparant les performances actuelles et potentielles des propriétés en fonction d’un large éventail de facteurs. Dans le cas des logements multifamiliaux, par exemple, cela pourrait donner une idée du nombre spécifique de personnes qui emménagent actuellement dans une ville ou une région particulière, du type de logement dans lequel elles emménagent, d'où elles viennent, de leur âge médian, le revenu du ménage, la valeur nette, la valeur de la maison, le secteur d'emploi et même leur niveau d'éducation – et vous permettent d'identifier les bâtiments dans des zones actuellement sous-évaluées mais en demande croissante.
Estimer la valeur et le risque de la propriété : En exploitant les données de ventes historiques et une série de critères ayant un impact sur le prix de l'immobilier, notamment les données démographiques, l'emplacement, la taille, les commodités, les indicateurs économiques, les informations de vente récentes et d'autres facteurs connexes, l'apprentissage automatique peut produire des évaluations immobilières précises et sans biais humain. L'apprentissage automatique peut également classer les résultats de recherche, catégoriser les propriétés et indiquer des propriétés comparables. Et il peut évaluer des indicateurs économiques pour identifier les risques associés à l’investissement dans un marché ou une propriété particulière.
Augmenter le volume des transactions : À l’aide de critères de recherche personnalisés, l’apprentissage automatique peut aider à identifier de vastes bassins de cibles d’investissement potentielles, puis à les présélectionner rapidement.
Déterminer les tarifs de location : Les algorithmes peuvent combiner des informations sur la location provenant de sources telles que les tendances du marché, les annonces immobilières, le type de propriété et les contrats de location pour estimer précisément les tarifs de location.
Améliorer les opérations de gestion immobilière : En exploitant les données liées à l'occupation, aux tarifs de location et au comportement des locataires, telles que l'activité de paiement des loyers, la durée du bail et les enquêtes de satisfaction, l'apprentissage automatique peut améliorer l'efficacité des opérations de gestion immobilière. Cela peut aller du renouvellement du bail et de la perception des loyers à la planification de la maintenance et aux rapports financiers.
Les modèles d'apprentissage automatique clarifient les performances et les projections de l'immobilier
Traditionnellement, les projections de croissance dans le secteur de l’immobilier commercial étaient basées sur une régression linéaire – la relation entre deux variables. Le prix de la propriété A, par exemple, a augmenté de 2 % par an au cours des cinq dernières années. Par conséquent, sur la base d'une régression linéaire, on peut s'attendre à ce qu'il augmente de 2 % l'année prochaine. Une seule variable d'entrée est utilisée pour prédire la variable de sortie.
Mais si vous souhaitez élargir un portefeuille d’immeubles multifamiliaux, il serait difficile de formuler des hypothèses claires et d’élaborer une analyse de rentabilisation solide avec des données et des méthodes analytiques aussi conventionnelles.
Désormais, l'apprentissage automatique prédit les résultats en fonction de plusieurs entrées et en reflétant des interactions plus complexes afin que vous puissiez évaluer l'influence de nombreux facteurs, de la croissance démographique aux caractéristiques de la propriété, en passant par les taux d'intérêt, ainsi que le degré de relation de chacun de ces facteurs avec les autres. et affecte la croissance globale. Cela produit une image nettement plus précise qu’une simple régression linéaire.
L'apprentissage automatique permet de prendre des décisions avantageuses
À mesure que la quantité et la qualité des données continuent de progresser et que l’environnement immobilier devient de plus en plus complexe et sous pression, l’apprentissage automatique jouera un rôle de plus en plus essentiel en permettant aux entreprises de CRE d’acquérir des informations plus rapides et plus approfondies sur les investissements. Cela élargira l’écart entre les premiers adeptes du ML et les retardataires.
Les défis créent des opportunités de changement et de croissance – de réfléchir à de nouvelles stratégies, de tester de nouvelles théories.
Dans l’environnement immobilier capricieux d’aujourd’hui, examiner le potentiel de l’apprentissage automatique pour permettre des décisions avantageuses qui ajoutent de la valeur à vos actifs immobiliers n’est pas simplement innovant, c’est astucieux.
Lire la partie 2 : Cinq composants pour tirer parti des avantages du machine learning
Auteur
Équipe de recherche Insights
Auteur