Специалисты по коммерческой недвижимости все чаще ищут новые способы получения конкурентных преимуществ по мере того, как инструменты и подходы адаптируются с ростом цифровых технологий. Одной из самых больших проблем, с которыми сталкиваются фирмы, является огромное количество информации, которой они располагают. Нет недостатка в поставщиках данных, листинговых сайтах и нетерпеливых брокерах, готовых поделиться данными о недвижимости, но, как большинство из них испытало, информация из этих источников часто может быть неверной.
Имея это в виду, я хочу предоставить краткий обзор того, как Enodo собирает всю информацию, доступную в открытом доступе, очищает неверные данные и предоставляет информацию, улучшающую процесс анализа. Я специально постараюсь ответить на три основных вопроса, которые мы обычно получаем от профессионалов в сфере недвижимости:
- Откуда берутся ваши данные?
- Как вы определяете «рынок»?
- Откуда вы знаете, что арендная плата поступает от этого конкретного объекта?
1. Конвейер данных
Чтобы получить представление о каждом рынке по всей территории США, Enodo собирает подробные данные о характеристиках и удобствах недвижимости, рыночной арендной плате и наличии квартир из 3 различных интеграций программного обеспечения для управления недвижимостью, 10 различных сайтов с объявлениями об аренде и более 5000 веб-сайтов отдельных объектов недвижимости.
Хотя данные об удобствах, площади квартир и т. д. меняются нечасто, наш конвейер данных еженедельно извлекает обновленные данные об аренде и наличии квартир примерно для 2 миллионов многоквартирных домов, охватывающих все рынки по всей стране.
Но данные, которые мы получаем с листинговых сайтов, не всегда идеальны — они могут быть устаревшими, иметь случайное нажатие клавиши или ошибку ввода данных «жирным пальцем», или они могут представлять собой краткосрочную аренду (которая часто стоит намного дороже) от дохода. программное обеспечение для управления.
Чтобы решить эту проблему, мы создали серию алгоритмов для удаления выбросов и неверных данных, а затем объединили оставшиеся достоверные данные для обучения наших алгоритмов прогнозирования надбавок за удобства и цен.
Например, если наши алгоритмы очистки обнаруживают, что цена на 2,5 стандартных отклонения выше или ниже средней для того же типа квартир в том же здании, мы отбрасываем эти данные. Кроме того, мы подробно анализируем, является ли арендная плата за кусок и квадратный фут для каждого объявления разумной, исходя из характеристик объекта и средней рыночной арендной платы, и мы автоматически сравниваем новые данные с историческими данными для того же объекта, чтобы определить, была ли непреднамеренно указана цена в арендном листе. неправильно.
После того, как данные листинга тщательно очищены и выбросы удалены, мы используем наши алгоритмы анализа, чтобы выбрать такие характеристики, как удобства здания и квартиры, время нахождения на рынке, этаж, залог и т. д. Это дает нам подробные данные о предложении единиц квартир, доступных на каждом рынке, которые мы затем можем агрегировать на уровне недвижимости и анализировать.
2. Динамическая кластеризация рынка
Подробные данные о предложении, которые мы собрали из конвейера данных, затем географически объединяются в нашей базе данных с данными о спросе (демографическими) из Исследовательского института экологических систем (ESRI) на уровне переписных участков. В первую очередь мы используем данные Сегментации гобеленов от ESRI, которые объединяют характеристики потребителей с характеристиками жилых помещений для определения рынков и классификации районов США.
После объединения этих наборов данных алгоритм кластеризации Enodo использует данные как о спросе, так и о предложении для разумного определения рыночных областей. Этот процесс фактически происходит вживую на платформе. Начиная с переписного участка, в котором находится объект собственности, мы вычисляем показатель статистического сходства для каждого соседнего переписного участка на основе свойств и рыночных характеристик этих участков и выбираем наиболее сопоставимые соседние участки, из которых формируется кластер.
Затем алгоритм обращается к следующему слою соседних участков и продолжает последовательно добавлять переписные участки до тех пор, пока не будет накоплено достаточно данных для расчета арендной платы и дополнительных значений удобств. Данные переписных участков объединяются для формирования рынков на основе сходства их характеристик спроса и предложения.
3. Обучение модели прогнозирования
В рамках этих рыночных кластеров Enodo обучает модель машинного обучения прогнозировать рыночную арендную плату и надбавки за удобства на основе демографических характеристик рынка и экономических характеристик предложения многоквартирного жилья в этой вновь определенной рыночной зоне. Часто для обучения моделей используются десятки тысяч единиц.
Путем интеллектуальной подвыборки свойств в каждом кластере алгоритм Enodo может определить возрастающее влияние года постройки, количества спален, количества ванных комнат и каждого отдельного удобства, сохраняя все остальное, касающееся собственности и рынка, постоянными.
Лучший способ описать, как работает этот процесс, — представить, что мы делим рыночную стоимость конкретной единицы на стоимость района, собственности и самой единицы, а затем вычисляем долю каждой из них.
Переменные района включают демографические данные и данные об удобстве местоположения. Существует определенная ценность, связанная с наличием юнита в определенной области, независимо от удобств или характеристик на уровне здания и юнита. Enodo вычисляет ценность просто присутствия на рынке и распределяет ценность между каждой рыночной переменной.
Переменные собственности включают такие вещи, как год постройки, тип собственности, количество квартир и удобства в здании. Существует определенная ценность, связанная с тем, что вы просто находитесь в определенной собственности, независимо от того, находитесь ли вы в худшей или лучшей единице в этом свойстве. На здание отводится часть рыночной стоимости, не определяемая рынком.
Переменные блока включают размер блока, количество спальных мест/ванных и удобства в блоке. Последняя часть стоимости исходит из относительной конкурентоспособности каждой конкретной единицы по сравнению с другими единицами в том же здании.
При учете всех трех уровней создается полная картина стоимости. Это ядро платформы Enodo.
Не верьте нам на слово — запланируйте демонстрацию, чтобы увидеть Enodo в действии.
