La révolution de la science des données : l’industrie CRE est-elle coincée dans le passé ?

L'apprentissage automatique et l'intelligence artificielle peuvent créer des outils pour expliquer l'état actuel du secteur et prédire l'avenir le plus probable.

La réunion de printemps de l'Urban Land Institute est un événement très attendu qui rassemble des experts de premier plan du secteur pour partager leurs points de vue sur les principales tendances qui dominent l'immobilier commercial (CRE) aujourd'hui, ainsi que sur celles qui devraient transformer le secteur de demain. Le forum de cette année a donné à des experts du monde entier l'occasion d'approfondir leurs connaissances sur la durabilité, les prévisions industrielles, la créativité industrielle, et l’application généralisée de la science des données et de l’intelligence artificielle (IA).

Sally Johnstone, experte du Groupe Altus , a dirigé la session « Science des données et IA pour répondre au besoin de vitesse en période d'incertitude » aux côtés des panélistes Josh Panknin, directeur de la recherche et de l'innovation en IA immobilière chez Université de Columbia en génie industriel et recherche opérationnelle (IEOR), et Drew Conway, directeur général et responsable de la science des données pourr L’activité d’investissement privé de Two Sigma. Pennsylvanienknin a consacré une grande partie de sa carrière à l'utilisation d'applications pratiques d'IA et d'apprentissage automatique (ML) pour remédier aux inefficacités et créer de nouvelles capacités dans le secteur immobilier. Il enseigne également le cours de formation des dirigeants sur l’intelligence artificielle dans l’immobilier à l’Université de Columbia. Conway dirige la recherche et le développement d'outils conçus pour soutenir directement le processus d'investissement dans toutes les activités d'investissement privé de Two Sigma, y ​​compris le capital-risque, le capital-investissement et l'immobilier.

Cette session a non seulement fourni des informations précieuses sur l'impact transformateur de l'IA et de la science des données sur l'industrie dans son ensemble, mais a également servi de plate-forme pour une participation incroyable du public à travers une session de questions-réponses animée.

L’IA est-elle utilisée efficacement ?

Selon le US Census Bureau l'automne dernier, seulement 3,8 % de toutes les entreprises déclarent utiliser l’IA ou la science des données dans leurs flux de travail. En comparaison, McKinsey et Recherche du Groupe Altus a révélé qu'environ 50 % des cadres interrogés ont déclaré utiliser l'IA à un moment donné dans leur flux de travail. Cependant, interrogés sur leur propre utilisation de l'IA, plus de 50 % de l'audience de l'ULI ont déclaré que moins de 10 % de leur travail intègre l'IA.

Selon Conway et Panknin, cette réponse n’est pas surprenante, car le secteur CRE a notoirement faible adoption de l’IA par rapport à d’autres secteurs. "Je ne me souviens pas de quelle période historique s'est produite avant l'âge de pierre, mais je pense que nous sommes carrément dans cette période", admet Conway.

« Pour être honnête, de nombreuses autres industries ont encore une faible adoption », ajoute Panknin. « Plutôt que de comparer notre secteur à d’autres industries et secteurs verticaux, j’aime considérer l’écart entre ce qui est fait et ce qui pourrait être fait si les outils et les ressources dont nous disposons actuellement étaient utilisés efficacement. Dans l’immobilier en particulier, il y a bien plus à faire que ce qui est actuellement envisagé.

Selon Conway, la question à poser n'est pas forcément comment derrière l'industrie CRE se trouve l'adoption de l'IA, mais plutôt pourquoi c'est derrière ? « La CRE est souvent une entreprise très personnelle, en personne et tactile, où les choses évoluent très rapidement sur le terrain », note-t-il. « En même temps, cependant, les gens de cette industrie ont eu beaucoup de succès en faisant les choses d'une certaine manière pendant très longtemps et, avec cela, peuvent s'accompagner d'une résistance au changement. Intégrer efficacement les données et l’apprentissage automatique dans votre processus d’investissement nécessite un changement fondamental dans la façon dont vous envisagez ce processus : ce n’est pas que vous faites quelque chose de différent en fin de compte, mais la manière d’y parvenir est très différente. Je pense que lorsque les gens réussissent à faire quelque chose depuis longtemps, ils ont besoin d’incitations pour apporter des changements significatifs à ce processus.

Utiliser la science des données pour débloquer de meilleurs investissements CRE

L'IA et le ML sont deux choses distinctes ; L'IA se situe du côté de l'automatisation et de l'efficacité, tandis que ML analyse les données pour exploiter une compréhension plus approfondie des marchés et identifier les modèles. «Le Les améliorations des processus CRE actuels basées sur l'IA sont progressives et basées sur l'efficacité – elles nous permettent simplement de faire les choses un peu mieux qu'avant », explique Panknin. Souvent, les sociétés immobilières externalisent leurs besoins en matière de science des données, mais ce n’est pas toujours aussi simple que d’embaucher un data scientist et de lui fournir des données. Après tout, les ingénieurs et programmeurs ML n’ont souvent aucune expérience en CRE, et de nombreux problèmes de notre secteur ne sont pas nécessairement bien adaptés à l’IA. Dans cette optique, nous devons nous demander quels problèmes sont mieux résolus grâce à l’IA – car en fin de compte, l’IA n’est pas magique. Ce sont des mathématiques, et tout doit être quantifié.

« Les ingénieurs ML et les data scientists voient les choses d’une manière très structurelle, mais souvent ils ne les voient pas d’une manière qui représente les nuances, les particularités et l’hétérogénéité de l’immobilier », ajoute-t-il. « En fin de compte, il est de la responsabilité des professionnels de la CRE d'apprendre à structurer et à exploiter ces outils pour répondre à nos problèmes uniques, afin que les experts en science des données qui n'ont pas d'expérience en CRE puissent créer des modèles et des outils adaptés à ce que nous essayons de faire. »

Conway note qu’il a constaté la plus grande amélioration à l’intersection de certains phénomènes observables dans l’économie. «Lorsque vous voyez que les choses commencent à se répéter dans les données, vous pouvez alors commencer à vous forger une idée sur la manière d'approcher cette communauté, de découvrir des opportunités de croissance et de gérer les vents favorables», partage-t-il. « Cela ne se produit que grâce à une intégration profonde entre une équipe de science des données et d'ingénierie avec des professionnels de l'investissement."

Commencer avec une vision relativement étroite est également la clé du succès, note Conway. Vous devez aller en profondeur avant de pouvoir aller plus loin. « Vous avez besoin de la compréhension technique ainsi que de l'adhésion des personnes qui seront réellement sur le terrain pour effectuer des transactions et rechercher des contrats. Ce processus nécessite une grande confiance et une grande interaction », explique-t-il. « Nous avons constaté que lorsque nous développons tout type d’applications d’IA ou de ML, seulement 10 % environ du processus consiste réellement à créer des modèles. Entre 40 et 50 % de cette tâche consiste à comprendre le problème principal de l'entreprise, afin de comprendre de quelles données nous avons besoin, comment les obtenir et comment les mettre dans le bon format.

L’IA ne fonctionne pas toujours – et c’est une bonne chose

Que signifie l’échec de l’IA ? Selon Panknin, il est important de repenser la notion d’« échec » dans ce contexte pour en faire une opportunité d’apprendre et de créer de meilleurs modèles. Lorsque le monde de l’immobilier commercial et celui de l’IA se croisent, nous réalisons qu’un échec n’en est pas vraiment un. « Après un certain temps, on commence à voir quels problèmes sont bien adaptés à l’IA et quels problèmes ne le sont pas. Des dizaines, voire des centaines, d’entreprises ont été créées pour faire la même chose, et elles échouent encore et encore pour la même raison », explique-t-il. « La standardisation est quelque chose que la technologie fait très bien. Mais lorsque vous disposez d’informations différentes pour chaque observation, cela devient plus difficile. »

Par exemple, l’extraction d’informations à partir d’un document de location standardisé présente un niveau de précision élevé. En revanche, l’extraction d’informations à partir d’un document de location entièrement personnalisé présente un niveau de précision bien inférieur. « Si nous appliquons l’IA de manière sélective aux problèmes immobiliers commerciaux que la technologie est bien adaptée à résoudre, nous pouvons constater un gain significatif en termes d’efficacité, ainsi que d’analyse et d’informations que nous recueillons au cours du processus de prise de décision », explique Panknin.

Toutes les sources de données sont-elles égales ?

Étant donné la nature idiosyncratique et non standardisée de données sur l'immobilier commercial, il est important d’identifier les sources de données qui sont meilleures que les autres. « Aucune source de données n’est sans équivoque la meilleure », admet Conway. « En comprenant le processus de génération de données utilisé par chaque source de données, nous sommes en mesure de déterminer comment tirer parti de ce type de variance et de l’utiliser dans notre propre prise de décision. »

Par exemple, les différents fournisseurs de données utiliseront un processus de génération de données différent pour fournir les estimations du loyer du marché pour un appartement d’une chambre dans votre ville préférée. Certains d’entre eux peuvent appeler les propriétaires et fournir une enquête, tandis que d’autres peuvent se connecter directement à un système de location ou glaner des estimations à partir de biens immobiliers cotés en bourse. « Il n’y a pas de solution miracle, mais lorsque vous rencontrez des données erronées, vous devez comprendre ce qui les rend précisément erronées », ajoute Conway.

Ne négligez pas la situation dans son ensemble

L’une des leçons que l’on peut tirer de la modélisation, souligne Panknin, c’est de ne pas regarder la même chose de manière répétée. Il faut plutôt examiner un grand nombre de choses différentes et voir comment l’une va se comporter par rapport à l’autre, dans des circonstances identiques ou différentes. « Par exemple, nous avons déjà étudié les indices des prix de l’immobilier pour 383 marchés différents aux États-Unis », explique-t-il. « Nous avons remarqué que les marchés se comportaient très différemment : Miami et San Diego étaient très volatiles, tandis que Dallas et Denver étaient assez stables. Dans ce cas, nous avons vu des marchés différents se comporter différemment dans les mêmes conditions macroéconomiques et les mêmes environnements politiques, nous savions donc qu’il y avait quelque chose que nous n’avions pas saisi. Dans ce cas, nous avons découvert qu’il s’agissait de contraintes géographiques. Miami et San Diego sont situées dans de petites zones, il est donc très difficile d’ajouter de nouvelles offres lorsque la demande évolue. Le processus d’approbation était également beaucoup plus long dans les endroits où la volatilité était plus élevée. »

De cette façon, la valeur du modèle est directement influencée par la valeur des données d'entrée et par l'analyse qui permet d'avoir une vue d'ensemble. Lorsque vous regardez au-delà de l'analyse initiale et des données d'entrée, que trouvez-vous ? C’est de là que vient la valeur.

L’IA ne remplace pas l’intervention humaine, c’est une amélioration

Alors que des outils comme ChatGPT continuent de conquérir le monde, la question « L’IA va-t-elle me voler mon travail ? » s'est répandu dans tous les secteurs.

« Cette technologie accélère considérablement les processus et facilite vraiment la recherche, à condition d’avoir une certaine connaissance du domaine », explique Johnstone. « Il y a tellement de possibilités d’exploiter ces outils de manière significative. Il suffit de savoir quelle est votre question, puis de créer un modèle qui répond à cette question. Et même si le modèle ne répond pas immédiatement à votre question, il vous donnera probablement une idée de la direction à prendre à partir de là. »

Tout comme une voiture de course à la pointe de la technologie ne peut pas gagner une course sans son pilote, la magie de l'IA est révélée par les humains, note Johnstone. Cette technologie existe déjà et ne cesse de s’améliorer. Plutôt que de résister à l’inévitable, les professionnels de l’immobilier commercial devraient donc se concentrer sur les compétences nécessaires pour combiner leurs talents avec la technologie disponible afin d’obtenir les meilleurs résultats. « En fin de compte, l’IA ne vous prendra pas votre travail, mais la personne qui l’utilise, et qui l’utilise bien, le fera », conclut Johnstone.