Une perspective nord-américaine sur la science des données en CRE

Altus m'a demandé de consulter son récent rapport de recherche sur la science des données dans l'immobilier commercial et de donner mon point de vue sur les résultats. Je travaille à l'intersection de l'immobilier et de la technologie depuis environ six ans et mon expérience correspond à peu près aux résultats des enquêtes contenues dans le rapport, à savoir beaucoup de confusion et d'incertitude sur ce qui se passe et ce qui se passe. faire ensuite.

Bien que le rapport couvre un certain nombre de domaines concernant ce que pensent les entreprises de la façon dont elles mettent actuellement en œuvre la technologie et quels sont leurs projets pour l'avenir, je souhaite aborder quelques-uns que je vois quotidiennement et qui, à mon avis, constituent des obstacles majeurs à toute véritable transformation du secteur immobilier grâce à l’utilisation des données et de la technologie, notamment :

1. Des attentes irréalistes quant à ce que la technologie peut faire et ce qu’il faut pour la développer efficacement

2. Grandes idées fausses sur la situation des entreprises dans le processus de développement et d’adoption de technologies

3. Déception face à l’état actuel de l’utilisation de la technologie dans l’immobilier

4. Manque de clarté sur quoi investir

J'aborderai chacun de ces éléments plus en détail ci-dessous, mais je pense qu'il y a deux raisons principales qui expliquent pourquoi les sociétés immobilières traversent une période si difficile avec le développement et l'intégration de la technologie. Le premier est le manque de connaissances techniques concernant les données, la science des données et les méthodologies d’analyse des données au sein des sociétés immobilières et du secteur en général. La seconde est que l’immobilier implique un type de complexité très différent de celui des autres secteurs qui ont réussi à utiliser la technologie. Cela signifie que l’utilisation d’approches qui ont fait leurs preuves dans d’autres secteurs ne se transfèrent pas toujours bien à l’immobilier.

Et comme une grande partie du secteur immobilier ne sait pas comment travailler avec les données dans le contexte d'applications de science des données, comment créer des pipelines propices à des analyses efficaces et comment créer des algorithmes d'apprentissage pouvant être convertis en modèles fonctionnels pour l'immobilier, Les entreprises comprennent souvent mal l'approche technique nécessaire pour résoudre des problèmes immobiliers complexes grâce à l'application de la science des données dans l'industrie. Gardez cela à l’esprit lorsque nous discutons de chacun des éléments ci-dessus.

Des attentes irréalistes conduisent à une déception constante

Les sociétés immobilières doivent être très claires sur le problème qu'elles tentent de résoudre, sur les données ou fonctionnalités nécessaires pour résoudre ce problème et sur les fournisseurs de données/services qui proposent les outils nécessaires pour résoudre le problème efficacement. Développer une compréhension des données nécessaires pour résoudre le problème nécessite une compréhension à la fois du problème immobilier et de l’approche technique, ce que les sociétés immobilières, encore une fois, ne disposent généralement pas en interne. Certaines fonctions peuvent être résolues avec le bon fournisseur de données/services, mais tous les fournisseurs de données/services ne conviennent pas à tous les problèmes.

L’autre idée fausse concerne le temps, les compétences et les ressources nécessaires pour développer de solides capacités analytiques. Construire de bonnes capacités techniques nécessite des années d'affinement d'un pipeline composé de structuration des problèmes, de collecte de données, de nettoyage des données, d'optimisation du stockage des données, d'ajustement et d'itération des algorithmes d'apprentissage jusqu'à ce qu'ils soient acceptables, puis de conversion de ces algorithmes d'apprentissage et de ces données en modèles capables. être utilisé dans le monde réel. Ce processus n'est pas facultatif. Il est nécessaire de développer des capacités d’analyse fonctionnelles et ce n’est ni facile, ni bon marché, ni rapide, mais il n’existe pas de raccourci.

Une section du rapport résume les défis rencontrés par les répondants lorsqu'ils tentaient de développer des capacités de science des données en interne.

Figure 1 – Défis et points faibles liés aux capacités internes

L’ironie de cette partie du rapport est que les personnes interrogées ont cité la plupart des raisons pour lesquelles il est si difficile de développer des capacités analytiques. Premièrement, l’immobilier manque de données de qualité (mentionné par 44 % des personnes interrogées). Deuxièmement, la plupart des entreprises n’allouent pas le niveau de ressources nécessaire pour mener à bien leurs projets d’analyse. Construire des capacités d'analyse efficaces nécessite du temps, de l'argent et un groupe de personnes possédant les compétences appropriées. Un stagiaire en science des données pour l'été ne fonctionnera pas. Le manque d’adhésion et de soutien organisationnel a été mentionné par 41 % des personnes interrogées.

L’une des raisons de l’inadéquation entre les attentes et les ressources est liée à la « transformation » et à la « perturbation » promises par le monde de la « proptech ». Cependant, selon de nombreux acteurs du secteur, la proptech n’a pas encore apporté quelque chose qui se rapproche de ce que l’on pourrait appeler des capacités de transformation. Certains processus sont devenus plus efficaces et des améliorations ont été constatées, mais celles-ci restent mineures par rapport aux affirmations et aux attentes concernant les avantages que la technologie apporterait à l’industrie. Ces affirmations et attentes irréalistes ne sont pas anodines. Parce qu’ils sont irréalistes, les entreprises ont tendance à croire que les investissements en termes de personnel, d’argent et de ressources nécessaires pour mener à bien leurs projets d’analyse de données sont nettement inférieurs à ce qui est réellement nécessaire. Ce sous-investissement dans les ressources conduit souvent à des initiatives de développement technologique infructueuses, qui entraînent ensuite des déceptions au sein des entreprises.

Ainsi, même si l’on reconnaît les défis associés au développement de capacités internes en matière de données et de technologies, il semble que la plupart des entreprises n’allouent toujours pas les ressources nécessaires pour y parvenir avec succès.

Confusion sur les capacités actuelles

Selon l’enquête, 73 % des sociétés immobilières pensent avoir une longueur d’avance dans l’utilisation de la science des données. Je pense que ces réponses sont compréhensibles si elles sont basées sur une vision relative par rapport à d’autres sociétés immobilières, mais certainement inexactes si l’on considère la situation des entreprises par rapport à l’endroit où elles doivent être pour favoriser, développer et intégrer une technologie efficace.

Figure 2 - Approche et attitude de l'organisation à l'égard des outils de science des données/d'analyse pour les investissements immobiliers

Ce qui est plus intéressant, c'est que même si 73 % pensent avoir une longueur d'avance dans l'application de la science des données, seulement 55 % des personnes interrogées ont sélectionné l'une des options qu'Altus considère comme une « capacité de science des données ». Ainsi, si 45 % des personnes interrogées n’utilisent pas les capacités de la science des données, mais que 73 % ont une longueur d’avance, à quoi font référence ces entreprises lorsqu’elles prétendent être plus avancées que leurs pairs ? Je pense cependant qu’il y a une explication simple à cela. Parce que la plupart des sociétés immobilières manquent d’expertise technique approfondie, comme je l’ai mentionné ci-dessus, elles ne réalisent pas que les processus qu’elles ont actuellement en place sont encore radicalement insuffisants pour des capacités d’analyse robustes.

Figure 3 - Capacités de science des données et d'analyse que les organisations utilisent actuellement pour soutenir la prise de décision immobilière

Ce que les foncières doivent faire pour mieux se préparer à la transformation numérique

Au cours des dix dernières années de mouvement technologique dans l’immobilier, la plupart des entreprises se sont majoritairement tournées vers des fournisseurs de données et de services externes comme source de leur « devenir numérique ». Et la plupart des entreprises ont exprimé une immense frustration face à l’impact qu’une grande partie de cette technologie externe a eu sur leur entreprise et sur l’industrie, et je pense que cela est dû à trois raisons.

Premièrement, les entreprises ne disposent pas d’infrastructures techniques internes solides adaptées à l’analyse des données, ce qui rend difficile et beaucoup plus coûteuse l’intégration réussie des nouvelles technologies (voir plus loin). Deuxièmement, il y a une tonne de bruit provenant de « startups » proposant des produits et des services que l’industrie n’a pas trouvé utiles. Les entreprises doivent sélectionner parmi les prestataires ceux qui proposent des produits et services pertinents plutôt que de choisir ceux qui racontent de bonnes histoires. Troisièmement, il y a l’écart mentionné ci-dessus entre les attentes et la réalité.

Même si de nombreuses sociétés interrogées ont déclaré qu'elles prévoyaient d'investir dans une combinaison de capacités d'analyse internes et externes à l'avenir, ces plans doivent être structurés avec beaucoup plus de clarté que ce que j'ai vu dans la plupart des sociétés immobilières. La raison en est que l’intégration de technologies développées en interne et en externe est extrêmement difficile pour les entreprises qui ne disposent pas de solides capacités technologiques internes. Qui va relier les fonctions dans les différentes parties de l’entreprise ? Qui va intégrer les nouveaux systèmes aux anciens systèmes ? Alors que la plupart des agences immobilières pensent que cela peut être fait facilement et rapidement par des prestataires de services externes, c'est rarement le cas.

À mon avis, les sociétés immobilières doivent d’abord développer de solides capacités technologiques internes. La première étape pour y parvenir consiste à favoriser une culture plus technique, ce qui signifie une formation pour les employés et les cadres. Les employés capables d’identifier des cas d’utilisation viables de la technologie peuvent grandement faciliter le développement et l’utilisation de nouvelles fonctionnalités. Les dirigeants capables de réfléchir de manière stratégique à la manière d'utiliser la technologie pour offrir de nouvelles opportunités à leur entreprise plutôt que de simplement remplacer les anciens systèmes par de nouveaux systèmes qui accomplissent la même chose seront en mesure de fournir des avantages concurrentiels à leur entreprise.

Conclusion

J’ai trouvé ce rapport très intéressant car il confirme quantitativement ce que j’ai personnellement vécu et ce que j’ai entendu de manière anecdotique de la part de nombreuses personnes dans de nombreux domaines des secteurs de l’immobilier et de la proptech. Une discussion approfondie sur ce que le mouvement proptech fait de bien et de ce qu’il fait de mal, ainsi que sur les moyens d’améliorer l’approche, pourrait prendre des centaines de pages. Ce dont j'ai discuté dans cet article sont ceux qui, selon moi, doivent le plus être abordés afin d'améliorer l'efficacité des activités de science des données au sein de l'industrie. Le rapport peut être trouvé ici et je recommande de le consulter pour plus de détails sur ce que les entreprises pensent de la science des données dans l'immobilier.

A propos de l'auteur

Josh est actuellement membre du Centre d'intelligence artificielle en analyse commerciale et technologie financière, où il est directeur de la recherche et de l'innovation en intelligence artificielle immobilière à la School of Engineering and Applied Science (« SEAS ») de l'Université de Columbia. Il a rejoint Columbia en 2016 et est l'ancien directeur des initiatives technologiques immobilières chez SEAS. Son objectif est d'utiliser des applications pratiques de l'intelligence artificielle et de l'apprentissage automatique pour remédier aux inefficacités et créer de nouvelles capacités dans le secteur immobilier.

Avant d'entrer dans le monde universitaire, Josh a passé 12 ans dans divers postes dans le domaine de l'immobilier. Il était responsable de la modélisation et de l'analyse du crédit au sein du pupitre de négociation secondaire CMBS de la Deutsche Bank, où il a contribué au développement et à la mise en œuvre de modèles automatisés pour l'évaluation des prêts et des obligations CMBS. Il a également travaillé au sein du groupe immobilier Ackman-Ziff et dans divers autres rôles en matière de recherche, d'acquisitions et de réaménagement. Josh est titulaire d'une maîtrise en finance de l'Université d'État de San Diego, d'une maîtrise en finance immobilière du Schack Institute of Real Estate de l'Université de New York, et poursuit actuellement des études en mathématiques appliquées et en science des données à l'Université de Columbia.