Ваши данные знают вас лучше всех, пусть они найдут дом вашей мечты.

Индустрия недвижимости использует тонны данных, которые не используются каждый год. В этой статье мы обсудим, как передовые технологии помогают инвесторам в недвижимость, брокерам и компаниям использовать огромное количество информации в отрасли, чтобы помочь людям найти дом своей мечты.

В 2017 году в Field Actions Science Reports появилась статья, посвященная влиянию ИИ, машинного обучения и прогнозной аналитики на сектор недвижимости:

«Практика городской аналитики на базе искусственного интеллекта набирает обороты в сфере недвижимости. Наука о данных и алгоритмическая логика находятся в авангарде новых практик городского развития. Как близко? вот в чем вопрос — эксперты прогнозируют, что цифровизация выйдет далеко за рамки интеллектуальных систем управления зданием. Новые аналитические инструменты с возможностями прогнозирования кардинально повлияют на будущее городского развития, изменяя при этом отрасль недвижимости».

Перенесемся в 2020 год: оставив позади ловушки для рекламы, мы признаем преобразующее влияние грамотности данных, стратегий цифровизации и технологических достижений. Прогнозная аналитика, машинное обучение и приложения на основе ИИ по-прежнему являются ведущими инновациями в различных отраслях, далеко за пределами сектора недвижимости. От самых скучных приложений машинного обучения до самых интересных усилий по автоматизации NLP и OCR — лидеры отрасли научились использовать эти мощные инструменты в своих интересах.

Сегодня мы рассмотрим 3 варианта использования недвижимости. Они предназначены для иллюстрации того, как современные программные стеки и интуитивно понятные интерфейсы взаимодействуют с машинным обучением и проектированием данных для создания уникальных продуктов и услуг.

Процессы покупки жилья

Современный рынок недвижимости ставит перед машинным обучением интересную задачу: существует ли формула, позволяющая подобрать нужным покупателям подходящую недвижимость по правильным ценам? Стремление к созданию точных сервисов сопоставления и обнаружения дома — это то, что держит исследователей и профессионалов отрасли в напряжении. С огромными объемами данных, доступными для них, и вдохновленные высокой точностью рекомендательных онлайн-систем (Netflix, кто-нибудь?), механизмы подбора домов постоянно развиваются, даже в не столь технически ориентированном секторе недвижимости.

Orchard — это брокер, который использует современные технические инструменты для улучшения услуг по поиску жилья. Используя алгоритмы машинного обучения, они нашли ответ на самый актуальный вопрос, который задают покупатели жилья: Как выглядит дом моей мечты?. Кроме того, алгоритмы могут помочь им ответить на дополнительный вопрос: На какие компромиссы я (не) готов пойти?.

Соучредитель и директор по продуктам и маркетингу Фил ДеГизи поясняет:

«Home Match — это первый в истории алгоритм поиска дома, который позволяет людям выбирать наиболее важные для них функции. Мы задаем покупателям ряд вопросов о том, что они ценят и считают обязательным и приятным в доме — например, кухонный остров, бассейн на заднем дворе и время в пути за считанные секунды. Orchard присваивает каждому дому в области поиска персональный счет соответствия. ”

Таким образом, покупатели сопоставляются с законными возможностями покупки дома, и весь процесс становится проще для всех вовлеченных сторон.

Пользователи систем подбора домов получают удовольствие от повышенной персонализации и удобства использования. Результаты поиска ранжируются в соответствии с их профилями, а простые в использовании интерактивные интерфейсы заменяют старые простые каталоги недвижимости.

«Компания Orchard также разработала еще одну первую в отрасли функцию Photo Switch, которая берет эти персонализированные результаты поиска и отображает их в более наглядном и персонализированном виде. Для этого Орчард создал модель машинного обучения, которая сканирует фотографии каждого дома на рынке и определяет, какие комнаты изображены на каждой фотографии. Эта функция является первой в своем роде и позволяет пользователям легко сравнивать свои «обязательные» товары одновременно. Будь то кухня шеф-повара, огороженный задний двор или уютная гостиная, покупатели жилья теперь могут просматривать каждую комнату рядом друг с другом в одном браузере одним нажатием кнопки".

Такая функциональность возможна только благодаря бесшовному взаимодействию современных технических инструментов. Веб-платформы, SDK виртуальной реальности, алгоритмы обработки изображений, а также системы машинного обучения — все это способствует созданию уникального опыта работы с недвижимостью.

Оценка коммерческой недвижимости

Еще одним важным этапом в коммерческой недвижимости является оценка имущества. Автоматизированные модели оценки так же стары, как и сама индустрия, учитывая задачу оценки свойств и установления схем ценообразования. Традиционно эти модели в основном основывались на исторических данных о продажах. Однако модели, основанные только на прошлом поведении, упускают из виду множество других источников данных.

Предиктивная аналитика и современные инфраструктуры сбора данных построены таким образом, чтобы интегрировать внешние источники данных и обучать алгоритмы на основе разнородных типов данных. Вместо того, чтобы использовать один тип данных, который предлагает ограниченный взгляд на недвижимость, унифицированные архитектуры данных предлагают 360-градусный обзор и интегрируют внешние источники данных: рыночный спрос, макроэкономические данные, стоимость аренды, рынки капитала, рабочие места, трафик и т. д. Поскольку нет жестких ограничений на данные, которые могут использоваться в модели оценки недвижимости, прогнозная аналитика — это мощный инструмент, доступный агентствам недвижимости.

Smart Capital предлагает такое современное решение по оценке недвижимости. Они используют прогнозную аналитику для оценки недвижимости и обещают предоставить полный отчет в течение одного рабочего дня. Их генеральный директор Лаура Крашакова предлагает некоторые идеи о том, как они достигают этого.

«Эта технология позволяет обрабатывать данные и оценивать недвижимость в режиме реального времени и предоставляет физическим лицам доступ к данным, которые ранее были доступны только местным брокерам. Местные данные, такие как популярность местоположения, удобства в этом районе, качество общественного транспорта, близость к основным автомагистралям и пешеходному трафику, теперь легко доступны и оцениваются для простоты сравнения.».

Есть два аспекта, которые делают такую ​​услугу возможной в первую очередь: простота доступа и возможность предоставлять информацию в режиме реального времени. Мобильные и веб-платформы упрощают клиентам доступ, загрузку и визуализацию своих данных независимо от их местоположения. Все, что необходимо, это подключение к Интернету. В то же время системы предиктивной аналитики обрабатывают данные в режиме реального времени со скоростью миллисекунд. Как только происходят новые события данных, они собираются и включаются в последний аналитический отчет. Нет необходимости ждать трудоемких, интенсивных вычислений, поскольку теперь все эти вычисления могут выполняться практически мгновенно в облаке.

Еще раз повторюсь, взаимодействие современных технологий позволяет предлагать беспроблемный опыт, основанный на информации в реальном времени. В то же время разнообразие внешних источников данных становится гарантией повышения точности оценки. Это экономит время, деньги и головную боль для всех вовлеченных сторон.

Упрощенные процессы подачи заявки на кредит

Еще один процесс коммерческой недвижимости, который представляет собой интересную проблему, — это заявка на получение кредита. Задача не только для сбитых с толку покупателей жилья, но и для моделей машинного обучения. Модели одобрения кредита нуждаются в доступе ко всем видам данных, от личной информации до кредитной истории, исторических транзакций и истории занятости. Ручная идентификация и интеграция всех этих источников данных может быстро превратиться в утомительную, трудоемкую и раздражающую задачу. Кроме того, ручная обработка сопряжена с высоким риском ошибочных записей во всем приложении. Эти аспекты превратили ручной процесс подачи заявки на кредит в узкое место для сделок с недвижимостью.

Если бы только существовало какое-то автоматизированное решение, которое избавило бы от боли…

Билайн — компания, ориентированная на оптимизацию процесса оформления кредита. Их интуитивно понятный мобильный интерфейс поможет покупателям заполнить кредитную заявку за считанные минуты. Весь процесс занимает всего 15 минут и, как утверждается, избавляет покупателей жилья от головной боли. То, как они это делают, невероятно просто: их сервис подключается к различным источникам персональных данных (таким как информация о банке, платежах и налогах), использует обработку естественного языка (NLP) для чтения и сбора информации, интегрирует и анализирует все данные. в реальном времени. Таким образом, утомительные и трудоемкие процессы обходят стороной, и покупатели жилья могут наслаждаться оптимизированными процессами подачи заявок на кредит.

Как это возможно, спросите вы?

Их обслуживание возможно только при интеграции мобильного интерфейса, интеллектуальных возможностей обработки, а также современного пользовательского дизайна. Их руководство по кредитам предоставляется через интерфейс чата, что дает пользователям простой способ найти ответы на свои вопросы. Алгоритмы НЛП поддерживают эти взаимодействия и помогают создать персонализированный опыт.

В то же время автоматические алгоритмы оценки работают в фоновом режиме, когда покупатель заполняет формы. Это показывает, как автоматизация является ключом к успеху их обслуживания. И бесшовное взаимодействие технических инструментов — это то, что в первую очередь делает возможной эту автоматизацию.

Что дальше?

Мощное сочетание технологических тенденций лежит в основе инноваций в сфере недвижимости: повышение доступности данных, усовершенствование возможностей обработки данных и повсеместное распространение алгоритмов машинного обучения. Все они позволяют работать с самыми сложными приложениями интеллектуальным, автоматизированным и безошибочным образом.

Кроме того, возможности облачных вычислений и современные архитектуры хранения позволяют извлекать ценную информацию из данных в режиме реального времени, создавать сложные прогностические модели и интегрировать различные источники данных. Все это позволяет предвидеть будущее, внедрять инновации и сохранять конкурентное преимущество.

Подробнее об искусственном интеллекте и технологических тенденциях см. Джош Мирамант, генеральный директор Blue Orange Digital, занимающийся решениями на основе данных для цепочки поставок, автоматизации документации в здравоохранении и многого другого.

Подпишитесь на меня в Twitter или LinkedIn. Посетите мой веб-сайт.

Джош Мирамант — генеральный директор и основатель Blue Orange Digital, агентства по обработке данных и машинному обучению с офисами в Нью-Йорке и Вашингтоне. Мирамант — популярный спикер, футурист и советник по стратегическим вопросам бизнеса и технологий для корпоративных компаний и стартапов. Он помогает организациям оптимизировать и автоматизировать свой бизнес, внедрять аналитические методы на основе данных и понимать значение новых технологий, таких как искусственный интеллект, большие данные и Интернет вещей.

Представлено в IBM ThinkLeaders, Dell Technologies и CUInsight. Clutch и YahooFinance признаны 10 лучшими агентствами Нью-Йорка по разработке искусственного интеллекта и разработке программного обеспечения на заказ за его вклад в НЛП, искусственный интеллект и машинное обучение. Специализируется на профилактическом обслуживании, унифицированных озерах данных, обнаружении аномалий, оптимизации цепочек поставок/сетей/маркетинга/продаж, системах рекомендаций и других решениях машинного обучения для множества отраслей.

Посетите BlueOrange.digital, чтобы получить дополнительную информацию и просмотреть Примеры внедрения.