Quelle est la véritable histoire de la science des données pour l’immobilier commercial en Asie-Pacifique ?

En matière d’analyse et de science des données immobilières commerciales, 34 % des sociétés immobilières commerciales mondiales se considèrent comme des « innovateurs et preneurs de risques ».

Mais l’enquête du Groupe Altus – qui a recueilli les opinions de plus de 400 sociétés d’investissement immobilier commercial dans 14 pays, dont 25 % en Asie-Pacifique – ne trouve aucune corrélation entre la perception et la réalité.

En fait, de nombreux répondants qui considéraient leur entreprise comme innovatrice ou pionnière en matière de science et d’analyse des données étaient moins susceptibles que leurs pairs d’avoir développé des capacités avancées en matière de science des données.

Figure 1 – Approche et attitude de l’organisation à l’égard des outils et technologies de science des données/d’analyse pour les investissements immobiliers

Figure 2 - Pourcentage d'entreprises à chaque niveau de sophistication perçu utilisant uniquement des capacités d'analyse par rapport à de véritables capacités de science des données

Cela ne surprend pas Joanna Marsh, directrice générale de l’innovation et de l’analyse avancée d’Investa. Elle a passé les deux dernières décennies dans l'immobilier, les trois dernières années à développer des analyses sophistiquées de données immobilières commerciales et des modèles d'apprentissage automatique pour faciliter la recherche, l'allocation de capital, l'acquisition d'actifs et la location. Joanna pense que l’immobilier est à la place du secteur financier dans les années 1960.

« Il n'existe pas de Bloomberg pour l'immobilier », note Joanna. L’immobilier est « non fongible et idiosyncrasique » et la plupart des actifs sont détenus par des intérêts privés. Les données ne sont souvent pas accessibles au public ou faciles à regrouper, même sur des marchés transparents, ce qui signifie que la prise de décision immobilière reste « fortement dépendante des informations humaines et des bribes d’informations ».

Mais toutes les classes d'actifs sont transformées par la science des données, et Joanna cite les équipes sportives professionnelles qui explorez maintenant avec l'apprentissage automatique appliqué à titre d'exemple instructif. « Il n’y a rien de plus non fongible qu’un humain. Si vous pouvez utiliser la science des données pour un joueur de football humain, vous le pouvez pour l’immobilier.

Construire les meilleures bases de données sur l'immobilier commercial

L’enquête du Groupe Altus montre que la moitié de toutes les sociétés d’investissement immobilier commercial ont mis en place une certaine forme de capacité interne de science des données ou d’analyse. 21 % prévoient d'investir dans le développement de ces capacités au cours des deux prochaines années. Parmi les 50 % disposant de ressources internes établies, les capacités internes les plus courantes impliquaient le développement de mesures, de tableaux de bord, de nouveaux outils et de nouvelles technologies.

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

Mais de nombreuses entreprises confondent science des données et analyse des données. « Même les entreprises disposant d'équipes de science des données importantes consacrent souvent la plupart de leur temps à l'ingénierie des données – elles se laissent entraîner dans le reporting – plutôt qu'à la science des données », note Joanna. Se lancer dans la science des données n’est pas la même chose que résoudre les « principes fondamentaux », note Joanna. Poser les bases de la science des données peut prendre des années de collecte et de nettoyage des données, d'optimisation du stockage des données, de tests et d'ajustements des algorithmes, et bien plus encore.

Sans ces fondements, de nombreuses entreprises se posent les mauvaises questions et, dans certains cas, « obtiennent de très mauvaises réponses ». Le marché immobilier en ligne Zillow, par exemple, déprécié 304 millions de dollars fin 2021 et a quitté le secteur de la vente de maisons après avoir involontairement acheté des maisons à des prix gonflés, sur la base d'algorithmes d'apprentissage automatique.

« Vous pouvez rédiger un modèle qui vous donnera des indicateurs et une aide à la décision. Mais vous ne pouvez pas écrire un modèle qui vous dira « ce bâtiment vaut X », car sa valeur sera différente selon les investisseurs.

Prendre des « décisions plus mécaniques » plus intelligentes est plus facile pendant la phase opérationnelle, observe Joanna. 60 Martin Place d'Investa à Sydney, par exemple, regorge de plus de 22 000 capteurs qui soutiennent les opérations des bâtiments et la maintenance préventive. Mais « jusqu’à 70 % du rendement total de l’investissement est réalisé au début du cycle immobilier – lors de la sélection du marché et de l’allocation du capital. « Les données opérationnelles des capteurs et des bâtiments sont importantes. Ils constituent un élément clé d’une bonne stratégie d’intelligence des données qui vous permet de répondre aux clients et d’itérer votre conception. Mais vous ne pouvez pas récupérer de la valeur avec les données des capteurs.

Chasse dans les bois des données immobilières commerciales

Investa s'est associée à Oxford Properties pour construire ce que Joanna appelle des « machines de chasse ». Il s’agit essentiellement d’algorithmes sophistiqués qui peuvent être « orientés » vers n’importe quel marché immobilier et peuvent servir de « postes d’écoute » pour une thèse d’investissement particulière.

Les machines de chasse analysent des décennies de données sur l'immobilier commercial – des loyers, baux et évaluations aux informations démographiques, telles que les profils scolaires, les informations géographiques et l'historique des applications de développement – ​​et peuvent repérer les mouvements imperceptibles du marché pour donner à Investa et Oxford un avantage en matière d'investissement.

« À Sydney, il y a 50 000 actifs répartis dans les bureaux commerciaux, industriels et commerciaux et nous les écoutons tous », explique Joanna. Assumer cette tâche autrement impossible permet aux talents humains de faire ce qu’ils font le mieux : se connecter, collaborer, négocier et conclure des accords.

Le rapport du groupe Altus révèle que la principale raison d’investir dans la science et l’analyse des données était « d’obtenir des avantages concurrentiels et de se différencier de nos concurrents ». Mais l’avantage concurrentiel, suggère Joanna, ne réside pas dans les données elles-mêmes, mais dans l’analyse humaine.

Joanna a récemment été nommée PDG de Exomnie, une start-up d'analyse de données qu'elle a cofondée tout en continuant à exercer son rôle quotidien chez Investa à temps partiel. C’est un concept que Joanna appelle « avoir une carrière de portfolio ». Exomnia développe une approche modulaire de l'analyse des données et permet aux utilisateurs de créer, de personnaliser ou simplement de « brancher et jouer » avec une gamme de packages d'analyse personnalisés. « Les analystes humains n’auront alors plus besoin de passer des nuits blanches à saisir des données dans des feuilles de calcul Excel. Nous pouvons démocratiser les données et commencer à poser de très bonnes questions. Ceci est particulièrement important dans le contexte des valeurs environnementales, sociales et de gouvernance (ESG), note Joanna.

Relier la science des données de l’immobilier commercial à la stratégie

L’enquête du Groupe Altus suggère que les grandes entreprises – en particulier celles dont les actifs sous gestion s’élèvent à 1 milliard de dollars ou plus – sont celles qui donnent le ton en matière de capacités internes de science des données. Les grandes entreprises sont beaucoup plus susceptibles de disposer d’équipes internes de science des données, d’avoir nommé des responsables des données et d’avoir développé des modèles prédictifs internes exclusifs.

Figure 4 – Mesures issues de certaines questions d'enquête indiquant que les grandes entreprises sont susceptibles d'ouvrir la voie en matière de développement interne de la science des données

Figure 5 - Part des organisations disposant d'équipes internes dédiées à la science des données et de modèles prédictifs propriétaires par région

Mais Joanna propose un mot d’avertissement. « Ce n’est pas parce que vous disposez d’une capacité en science des données qu’elle est adoptée dans toute votre entreprise. Il y a souvent une déconnexion. Les équipes de transactions de capitaux et de location ont passé leur carrière immergées dans leurs marchés locaux et leurs classes d'actifs, et elles ont une compréhension approfondie des moteurs de valeur. Il est essentiel de faire en sorte que vos équipes parlent entre elles ; que les équipes techniques créent des technologies utiles et que les équipes commerciales les utilisent réellement.

« Les gens du secteur immobilier ont également été brûlés après avoir acheté une boîte noire d’IA à d’autres secteurs qui leur dit quelque chose qu’ils savent déjà – comme par exemple que les immeubles avec des halls plus grands obtiennent des loyers plus élevés. Et la seule façon pour vous de vous permettre de créer un grand lobby est que votre immeuble puisse supporter des loyers plus élevés, c’est donc une glace à lécher. Et si c’est tout ce qui ressort après deux ans et 2 millions de dollars, le PDG dit de « supprimer le programme ».

Il n’est donc pas surprenant que les recherches du groupe Altus révèlent que « des hypothèses ou des attentes irréalistes » constituent le principal obstacle au déploiement rapide de la science des données sur l’immobilier commercial, en particulier dans la région Asie-Pacifique.

La science des données est un investissement à long terme, observe Joanna, et il peut être difficile de démontrer le retour sur investissement. « La science des données coûte cher et il faut beaucoup de temps pour obtenir un résultat. Si vous échangez un actif de bureau tous les sept ans, il vous faudra sept ans avant d’obtenir le point de preuve.

Quelle est la solution ? «Commencez petit», dit Joanna. Recherchez les gains rapides, puis répétez. Investa dispose d'un cadre de priorisation afin que les projets de science des données résolvent des problèmes commerciaux évidents et soient alignés sur la stratégie d'entreprise. "C'est ainsi que vous obtenez du parrainage et du soutien."