Sept questions à poser lors du développement de capacités de science des données pour les investissements CRE

L'utilisation d'analyses avancées et de la science des données peut améliorer la prise de décision, améliorer les performances du portefeuille, créer des efficacités opérationnelles et offrir un avantage concurrentiel aux sociétés immobilières commerciales.

Pourtant, tirer parti de ces avantages peut s’accompagner de défis de développement, notamment liés à :

• Assurer l'adhésion interne aux initiatives de science des données,

• Pénurie de données de qualité,

• Embaucher ou conserver du personnel qualifié,

• Incertitude quant au retour sur investissement potentiel, ou

• « Faux départs » ou échecs où les projets n'ont pas donné les résultats escomptés

Discutant de ces défis et des solutions potentielles, une équipe de nos experts internes en science des données propose un ensemble de questions et de suggestions clés pour vous aider à opérationnaliser avec succès la science des données dans votre entreprise. Ceux-ci peuvent aider à faire progresser les objectifs commerciaux et à générer un retour sur investissement gratifiant.

1. Que voulons-nous que les données et la science des données fassent pour nous ?

2. Où allons-nous commencer?

3. Comment développer la bonne stratégie et les bons objectifs en matière de données ?

4. Comment pouvons-nous obtenir l’adhésion et maintenir les progrès ?

5. Comment construire une structure organisationnelle solidaire ?

6. Devons-nous chercher à renforcer nos capacités en interne ou nous appuyer sur des prestataires externes ?

7. Comment créer une culture axée sur la science des données ?

1. Que voulons-nous que les données et la science des données fassent pour nous ?

Dessinez une image claire de la manière dont les données peuvent soutenir les objectifs commerciaux

« Là où les programmes de science des données échouent généralement, c'est une mauvaise définition des cibles », déclare Michael Clawar, vice-président, responsable des données et de l'analyse chez Groupe Altus.

"Trop souvent, les objectifs de la science des données sont trop généraux, tels que "nous allons utiliser la science des données pour générer de meilleurs résultats d'investissement". Vous avez besoin d'une image claire de ce que vous essayez de résoudre - un résultat commercial réel que vous je veux atteindre. »

« La clé est de réfléchir au-delà de ce que les données font actuellement pour votre entreprise et à ce qu'elles peuvent potentiellement faire pour atteindre vos objectifs stratégiques. Déterminez les moteurs d’activité que les données peuvent prendre en charge. « Pouvons-nous offrir des rendements améliorés pour notre stratégie d’investissement ? » Ou « pouvons-nous renforcer le processus de sélection des marchés et des actifs ? »

Consulter les responsables des départements et des unités sur leurs défis et leurs besoins liés aux informations et aux idées permet de mieux comprendre les priorités – et d’obtenir également l’adhésion de ceux dont le soutien est essentiel à la réussite d’un projet de science des données.

Une fois que vous avez bien compris où les données peuvent le mieux contribuer à votre avantage concurrentiel durable, vous pouvez déterminer quelles données sont nécessaires pour y parvenir.

2. Par où commencer ?

Comprendre vos actifs de données

Sally Johnstone, responsable de programme chez Groupe Altus, partage que « faire un inventaire des données est essentiel pour une compréhension claire de vos actifs de données ».

Les entreprises CRE collectent et utilisent de grandes quantités et variétés de données provenant d’une gamme de sources externes et internes. Tirer efficacement parti de cet atout nécessite de réaliser un inventaire des données. Cela implique de cartographier les actifs de données de votre organisation et d’enregistrer :

• Le type de données que vous collectez

• Les sources

• Où il se tient

• Comment il est partagé et utilisé

Cet enregistrement complet des ressources d'information vous aide à comprendre quels actifs de données vous détenez, ainsi qu'à identifier les lacunes et les risques. Par exemple, un inventaire peut révéler les données que vous ne pourrez peut-être pas capturer dans le cadre de votre processus d'investissement actuel. Et lié aux risques, disposer d'un inventaire permet de comprendre si vous avez le droit d'utiliser certaines données et/ou si les données comprennent des informations personnelles pouvant être soumises à une conformité réglementaire.

La cartographie révèle également quelles données vous sont exclusives, quelles informations spécifiques vous pouvez détenir et auxquelles personne d'autre n'a accès – et contribue à mieux comprendre comment vous pouvez en tirer parti.

Relier les résultats de la science des données aux résultats commerciaux

Une fois que vous comprenez les données dont vous disposez, vous pouvez prioriser leur utilisation en fonction de vos buts et objectifs commerciaux. Il est important de sélectionner les projets qui rapporteront le plus de valeur.

« Disons que vous souhaitez augmenter vos revenus, par exemple », explique Heidi Learner, responsable de l'innovation chez Groupe Altus. « Le loyer a tendance à être un facteur plus important que les niveaux d'occupation, la question pourrait donc être : « Comment pouvons-nous identifier les locataires qui risquent de connaître un chiffre d'affaires plus élevé ? Ou « quels baux devons-nous négocier plus fortement lors des renouvellements ? »

Michael Clawar ajoute : « Ou en regardant la rentabilité : « Comment pouvons-nous réduire les dépenses en optimisant l'obligation fiscale de notre portefeuille ? De quelles données disposons-nous au sein de notre organisation qui peuvent nous aider à comprendre notre obligation fiscale et ce qu'elle devrait être ? Et de quelles données avons-nous besoin pour nous aider à combler les lacunes liées à la compréhension de notre exposition fiscale par rapport aux autres acteurs du marché ?"

« Des problèmes très spécifiques peuvent être explicitement liés à un retour sur investissement défini. La question suivante devient alors : « De quels ensembles de données disposons-nous, ou pouvons-nous acquérir, qui peuvent nous aider à répondre à cette question ? »

3. Comment développer la bonne stratégie et les bons objectifs en matière de données ?

Déterminez les données dont vous avez besoin

Une fois que vous savez quels résultats commerciaux vous souhaitez atteindre, vous pouvez déterminer les données dont vous avez besoin pour soutenir ces résultats. Cela peut aller de la veille commerciale aux informations économiques et démographiques, en passant par les données en temps réel, les informations budgétaires et fiscales, les évaluations immobilières, les informations sur les opérations de construction, etc.

Il s’agit maintenant de déterminer si ces données sont disponibles et prêtes à être analysées, ou si vous devez les rechercher.

Établir comment les personnes, les technologies et les processus travailleront ensemble

Réfléchissez aux activités clés qui doivent être réalisées, qui en sera responsable, aux changements que l'entreprise devra apporter et au coût d'exécution. Les réponses constitueront la base de votre stratégie de données formelle, vous permettant d'identifier les projets qui généreront les rendements les plus élevés.

La conception d’un cadre de gouvernance des données fiable constitue également un élément essentiel de la stratégie. Cela comprend les principes et les processus qui établissent la manière dont les données, les personnes, les technologies et les processus travailleront ensemble pour atteindre les objectifs.

Atténuer les risques d’échec

L'évaluation des risques du projet est une composante essentielle de toute nouvelle entreprise de science des données. Par exemple, si vous tentez de développer un modèle ambitieux pour déterminer le montant à enchérir sur une propriété, mais que vous vous trompez, Michael Clawar prévient que cela pourrait coûter inutilement des dizaines de millions de dollars pour une acquisition importante, voire plus.

« Vous pouvez éviter un gros problème en commençant petit et en échouant rapidement », propose-t-il. « Un échec rapide est une victoire, à condition que vous en tiriez des leçons. Alors réfléchissez : « Supposons que cela se passe mal. Quel coût cela va-t-il coûter à notre entreprise si nous ne le faisons pas correctement ?’ Et utilisez cela dans le cadre de votre évaluation des risques.’ »

Examinez les caractéristiques du projet de science des données pour corréler la complexité, le coût et la probabilité de succès. Cette forme d'évaluation des risques du projet fournit un aperçu des risques potentiels et indique où des correctifs immédiats peuvent être exécutés pour les atténuer.

4. Comment pouvons-nous obtenir l’adhésion et maintenir les progrès ?

Visez des gains rapides

Michael Clawar estime qu'il est crucial d'obtenir l'adhésion des utilisateurs finaux ou d'un sponsor exécutif pour ce type de programmes. Il suggère que pour y parvenir, il faut « avoir une idée très claire de ce que vous essayez de résoudre, puis obtenir des gains rapides ». Les problèmes très spécifiques doivent être explicitement liés au retour sur investissement.

Lorsque vous lancez une initiative comme celle-ci, viser plusieurs petits gains à court terme peut aider à satisfaire l’appétit des parties prenantes jusqu’à ce que vous soyez en mesure d’aligner des objectifs plus larges avec le retour sur investissement.

Référence

L'analyse comparative d'une initiative de science des données fournit un contexte précieux lorsque des comparaisons significatives des performances sont adaptées aux priorités. Des critères de référence bien définis peuvent décrire clairement les impacts des décisions.

Il existe différentes manières d’aborder l’analyse comparative des performances d’un modèle ou d’une initiative de science des données. Les benchmarks peuvent mesurer votre état actuel et comparer les performances par rapport aux périodes précédentes ou par rapport à vos pairs.

Analyse comparative du secteur

« Le monde de l'immobilier est unique en termes de références sectorielles », note Heidi Learner. « Pour les fonds core par exemple, l'indice de référence n'est pas statique comme celui des autres indices actions. Il s'agit simplement de la performance globale de tous les fonds. Il s’agit donc presque d’une cible mouvante : vous ne connaissez la composition de votre référence sectorielle qu’après coup.

Il existe également une granularité croissante dans les références sectorielles pour les fonds à capital variable. À une époque, il n'y avait que quelques catégories : industriel, multifamilial, commerce de détail, bureau et hôtel. Mais avec la prolifération d’opportunités d’investissement plus importantes, il existe désormais une plus grande segmentation. Ainsi, par exemple, au sein des logements multifamiliaux, il existe des segments de logements étudiants et de résidences pour personnes âgées.

« Cela rend nécessaire une enquête plus approfondie sur ce que signifie « surperformer » », explique Heidi. « Même si votre objectif est de surpasser la référence de votre secteur, il y a des questions supplémentaires à poser, telles que : « Cherchons-nous à battre cette référence chaque trimestre ? Ou sur des périodes glissantes ? s’agit-il d’une mesure de surperformance ajustée au risque ? Quel est l’horizon temporel de surperformance ? »

Auto-évaluation

« Dans le même temps, il est difficile de comparer des résultats clairement définis tels que « nous voulons optimiser les renouvellements autour des locataires » ou « nous voulons améliorer la façon dont nous réfléchissons aux prix ou aux concessions que nous accordons à nos locataires » avec les références du secteur. », ajoute Michel. « Les données sont généralement propriétaires ou ne sont ni partagées ni publiées. » « Au lieu de cela, il peut être plus significatif d'établir vos propres critères de référence : « Comment nos résultats se comparent-ils à ceux du dernier trimestre ? La précision de nos modèles évolue-t-elle dans la bonne direction ? »

5. Comment pouvons-nous construire une structure organisationnelle de soutien ?

Encourager la collaboration avec le framework Hub and Spoke

Pour que les initiatives de science des données réussissent, recherche révèle que de nombreuses entreprises utilisent des « pods » multidisciplinaires dans un cadre « hub andspoke » pour permettre un soutien interfonctionnel efficace.

Le hub établit les responsabilités de chaque module, les paramètres opérationnels et les méthodes de travail au sein de l'organisation. Les « rayons » du marché ou fonctionnels comprennent les défis commerciaux et veillent à ce que les bonnes questions soient posées et répondues.

Combler le déficit d’explicabilité

Un cadre de travail approprié est particulièrement important dans les organisations immobilières commerciales, car peu de data scientists ont de l'expérience dans ces entreprises – et il peut y avoir un « écart d'explicabilité » entre les équipes de science des données et les équipes de gestion de portefeuille. La relation entre les modèles de science des données et les exigences commerciales peut être difficile à décrire.

C'est pourquoi il est utile d'inclure dans l'équipe de science des données quelqu'un qui possède des connaissances à la fois en science des données et en immobilier commercial – une personne capable d'articuler les exigences commerciales aux scientifiques des données.

La large implication des parties prenantes par le biais d’arrangements en étoile facilite également l’explication des données utilisées pour construire les modèles et l’extraction d’informations à partir de ces modèles. Ceci est particulièrement important dans le secteur immobilier où le cycle de vie depuis l’acquisition jusqu’à la cession, ainsi que les coûts impliqués, sont bien plus importants que pour les autres actions.

Assurer la faisabilité

De nombreux modèles qui pourraient fonctionner en théorie risquent de ne pas fonctionner en pratique. L’implication d’un éventail de parties prenantes interdisciplinaires au sein de l’organisation est cruciale pour garantir la mise en œuvre d’un modèle. Ce large soutien facilite une opérationnalisation rapide et un retour d’information complet et pragmatique. En quelques mois, les collaborateurs de l'entreprise peuvent identifier les données disponibles, obtenir l'approbation de la gouvernance pour les utiliser, définir le problème, commencer à explorer les données et obtenir des gains rapides.

Si vous essayez d'optimiser un modèle de location, par exemple, même si vous n'avez pas encore perfectionné ce modèle, dans un court laps de temps, vous serez probablement en mesure de fournir une valeur intermédiaire, comme une moyenne ou une visualisation de données, pendant que vous continuez à travailler sur la solution de science des données cible.

Soutenir financièrement l’initiative sur le long terme

Même si les gains à court terme sont essentiels, la science des données nécessite une vision et un soutien à long terme. Une fois les étapes clés franchies, l’amélioration des solutions d’analyse opérationnalisées – celles qui permettent le développement de modèles prédictifs et la réalisation de tâches analytiques – nécessitent un soutien continu.

Au fil du temps, les données changent et les modèles évoluent en fonction de nouveaux facteurs et d'autres influences. Ainsi, la maintenance et les améliorations nécessitent un personnel et une budgétisation appropriés pour garantir que le modèle de science des données fonctionne de manière optimale.

Michael Clawar souligne : « Comme cela peut prendre des années pour réaliser toute la valeur des initiatives de science des données, la patience est une condition préalable et une vision à long terme. »

6. Devrions-nous chercher à renforcer nos capacités en interne ou à nous appuyer sur des prestataires externes ?

Divers facteurs, notamment vos objectifs globaux en matière de science des données, votre structure organisationnelle et votre culture, influencent la façon dont vous constituez une équipe pour faire progresser vos capacités en science des données. Certaines organisations choisiront de constituer une équipe interne de science des données, d’autres l’externaliseront entièrement et certaines s’appuieront sur un arrangement hybride. Voici les principales considérations.

Conditions préalables au renforcement des capacités internes

• Tout d’abord, déterminez si vos capacités en science des données constitueront ou non une compétence de base faisant partie intégrante de votre avantage concurrentiel. « Si tel est le cas, il est peu probable que vous deviez sous-traiter cette tâche », propose Michael Clawar. « Mais si vos conclusions vont plutôt dans le sens : « Nous avons besoin d’un soutien en matière de gestion des données pour nous aider à accélérer ce projet », alors vous voudrez peut-être envisager l’externalisation. »

• Avez-vous des experts dans votre domaine au sein de votre organisation qui comprennent comment les données influencent les décisions qu'ils prennent et comment cela génère de la valeur commerciale ? Sont-ils disposés et capables de contribuer à définir le cadre d'un projet de science des données en collaborant avec des data scientists pour résoudre des problèmes ?

• Disposez-vous des talents technologiques adéquats ou pouvez-vous acquérir les talents adéquats pour organiser et gérer les données ? Gardez à l’esprit que les data scientists font partie des travailleurs les plus recherchés au monde.

• Avez-vous un soutien de gestion? Construire une équipe composée de professionnels possédant des compétences très demandées n’est pas sans coût.

• Étant donné que la moyenne le mandat d'un directeur des données est d'un peu plus de deux ans, il est également essentiel de déterminer si les nouvelles recrues en technologie/science des données peuvent réussir dans votre organisation. Avoir l’aide d’un tiers objectif pour valider les nouvelles recrues potentielles peut s’avérer inestimable à cet égard.

Dans les situations où la possibilité de développer de solides capacités internes en matière de science des données n’est pas évidente, travailler avec un fournisseur externe peut réduire les risques.

Considérations pour les partenaires externes

Les décisions immobilières reposent souvent sur la sécurisation des données provenant d’une grande variété de sources, mais pour de nombreuses entreprises CRE, les données ne sont pas disponibles en interne. Parallèlement, le nombre de sources de données augmente rapidement, tandis que rendre les données compatibles avec les systèmes internes peut nécessiter beaucoup de ressources.

C'est pourquoi les sociétés CRE s'associent de plus en plus avec des fournisseurs externes pour une gamme de supports de données, de l'approvisionnement à l'agrégation et au nettoyage, en passant par la gestion des sources de données, l'analyse et le maintien de la gouvernance des données. Si vous décidez d'envisager de travailler avec un fournisseur tiers, assurez-vous de prendre les précautions suivantes.

Assurance qualité

Pour garantir la qualité et l’utilité des données lors d’un partenariat pour l’approvisionnement et la gestion de données externes, utilisez un processus d’assurance qualité pour vérifier les données de tiers. « Il ne faut pas simplement supposer que les données sont bonnes », déclare Sally Johnstone. Michael Clawar ajoute : « De plus, certaines données comportent des questions ou des risques juridiques ou éthiques. » Dans le secteur immobilier américain, par exemple, les lois sur le logement équitable interdisent d'utiliser des variables considérées comme des classes protégées, telles que l'âge, le sexe, l'ascendance, le handicap, etc. De plus, les données contenant des informations personnelles identifiables doivent être soigneusement sécurisées. . Une utilisation inappropriée de ces données peut entraîner de graves risques financiers, réglementaires et de réputation.

Évaluation de la flexibilité

Si un gestionnaire d’investissement souhaite accéder à de nouvelles sources de données via un fournisseur externe, il est important que les « définitions » des données du fournisseur s’alignent sur celles du gestionnaire d’investissement. Heidi Learner souligne l'importance de la flexibilité de la plateforme. « Si je suis un gestionnaire d'investisseurs qui définit mes sous-marchés géographiques d'une manière ou d'une autre, le fournisseur tiers avec lequel je travaille a-t-il la possibilité d'ingérer mes fichiers de formes afin que nos définitions de sous-marchés correspondent ? elle demande.

7. Comment créer une culture axée sur la science des données ?

Comme la plupart des grands projets organisationnels, le succès des initiatives de données repose sur le soutien des personnes. Pour garantir que les employés adoptent la collaboration, il faut investir dans les données et les connaissances commerciales.

Les employés doivent maîtriser les données

La maîtrise des données signifie garantir que vos employés disposent du niveau de compétence approprié pour leur rôle et leurs responsabilités particuliers. « La maîtrise des données ne consiste pas à transformer tout le monde en data scientists », remarque Michael Clawar. « Il s'agit de savoir comment éduquer les autres personnes de l'entreprise sur ce que sont les données ? Comment puis-je l'utiliser ? Quelles sont les attentes raisonnables ? »

Comme première étape dans la création d’une culture favorable aux données, établissez un programme d’apprentissage et de développement. Cela devrait inclure l’identification des objectifs de maîtrise des données, l’évaluation des compétences actuelles des employés et l’attribution de parcours d’apprentissage appropriés.

Les data scientists doivent avoir des connaissances commerciales

Pour tirer une valeur optimale des stratégies de science des données, l’équipe chargée des données doit avoir des connaissances commerciales. Ils doivent comprendre le contexte commercial des données qu’ils collectent et analysent et quelle valeur cela apporte à l’organisation.

• Cela nécessite un programme de culture commerciale pour les nouvelles recrues en science des données, qui peut prendre diverses formes en fonction de la complexité de votre organisation et des rôles des nouvelles recrues. Les connaissances commerciales de base des professionnels des données doivent inclure une compréhension de ces éléments de base, une vue d’ensemble : la vision, les objectifs et les valeurs de votre organisation.

• les mesures clés du succès de l'organisation

• l’impact de leur travail sur les objectifs, la santé financière et les mesures clés de l’organisation – une ligne de mire allant de la performance individuelle à la performance de l’entreprise.

Certaines entreprises développent des programmes éducatifs d’intégration. D'autres offrent un développement professionnel continu. Et certains organisent des détachements au cours desquels des professionnels des données travaillent dans divers secteurs d’activité pour en savoir plus sur leurs défis.

Les efforts de maîtrise des données et de culture commerciale doivent faciliter les interactions et les relations entre les employés nouveaux et existants. Cela contribue à intégrer tous les travailleurs dans une culture évolutive basée sur les données.

Quel est l’inconvénient d’ignorer la science des données en tant que capacité stratégique ?

Quel est l’inconvénient de ne pas étendre les capacités de science des données de votre entreprise ?

Prendre du retard. Rapide.

Les données deviennent rapidement inestimables et la science des données constitue le fondement d’informations et d’informations fiables permettant de prendre des décisions éclairées.

En répondant à ces sept questions, votre organisation peut surmonter les principaux obstacles à une exploitation efficace de votre potentiel en science des données : alignement sur les objectifs commerciaux, adhésion des parties prenantes, qualité des données, maîtrise des données et des affaires, culture, risques et démarrage.

Fondamentalement, renforcer les capacités de votre entreprise en matière de science des données signifie faire mieux. De meilleures prévisions, de meilleurs investissements, de meilleures performances et de meilleurs rendements financiers.

Ressources pour améliorer votre compréhension de la science des données et de son potentiel pour votre organisation

• CREDA (Alliance de données sur l'immobilier commercial) est un consortium d'universitaires et de professionnels de l'industrie qui visent à améliorer l'accès et la compréhension des données disponibles dans l'immobilier commercial afin de favoriser une recherche et des interactions de meilleure qualité entre le monde universitaire et l'industrie, au profit de l'ensemble de la communauté CRE.

• ODSC (Conférence scientifique sur les données ouvertes) rassemble la communauté mondiale de la science des données pour encourager l'échange d'idées innovantes et la croissance des logiciels open source.

• Conférence sur l'économie technologique de la NABE (Association nationale des économistes d'entreprise) est un échange intellectuel d'éminents penseurs de l'économie et de la science des données sur l'impact des développements interdisciplinaires sur les approches, les cadres, les outils et les techniques d'aujourd'hui.