Преобразование управления недвижимостью с помощью расширенной аналитики и машинного обучения
«Это осязаемо, это твердо, это красиво. С моей точки зрения, это артистично, и я просто люблю недвижимость ». - Дональд Трамп
Обычно я не согласен с президентом Трампом. На самом деле, как раз наоборот. Хотя - что касается недвижимости - похоже, у нас общая страсть.
Собственность была синонимом богатства на протяжении тысяч лет, помогла накопить огромные состояния и, вероятно, будет продолжать это делать в грядущих поколениях. Одним из ключевых факторов создания стоимости за счет инвестиций в недвижимость является рациональное управление недвижимостью.
Хотя для управления собственностью были разработаны проверенные временем методы, многие из этих методов были разработаны в аналоговом мире. Сейчас мы живем во время, когда устройства становятся умнее, все взаимосвязано, а алгоритмы берут на себя нашу работу. Мы перешли от аналогового к цифровому. Управляющий недвижимостью по-прежнему играет важную роль в этом новом цифровом веке, но теперь мы все в большей степени можем сделать его более эффективным и позволить ему тратить время на задачи, которые имеют большее влияние на бизнес.
Есть несколько способов, которыми компании, занимающиеся недвижимостью, могут использовать науку о данных для улучшения управления недвижимостью - от интеграции технологий интеллектуальных зданий до внедрения моделей машинного обучения для управления арендаторами. В этой статье будут рассмотрены некоторые способы подготовки к использованию этих технологий и представлены конкретные варианты использования расширенной аналитики и моделей машинного обучения в рамках управления недвижимостью.
Прогуляйтесь, прежде чем бегать
Использование алгоритмов машинного обучения для увеличения прибыли звучит круто - и это может быть большим фактором повышения стоимости, но прежде чем эти технологии можно будет использовать в полной мере, необходимо понимание бизнес-процессов, структуры и управления.
Процесс
Во-первых, необходимо четко понимать и определять бизнес-процессы. Управление бизнес-процессами, или BPM, как его называют специалисты-практики, могло выйти из моды, но все же можно получить ценные сведения, составив карту ваших процессов и проанализировав их. BPM может дать четкое представление о текущих процессах и упростить понимание того, какие части процессов можно улучшить с помощью новых технологий, а какие следует оставить как есть. Используйте модульный подход к своим процессам и анализируйте входы и выходы, необходимые на каждом этапе. Всегда рассматривайте способы упрощения и стандартизации, поскольку это значительно упростит оцифровку и автоматизацию.
От электронных таблиц к базам данных
Такие программы для работы с электронными таблицами, как Microsoft Excel, имели большой успех. Их используют миллионы компаний по всему миру, и они отлично справляются со многими специальными задачами. Но когда дело доходит до отчетов и более сложных задач, электронные таблицы могут быть громоздкими и подверженными ошибкам, а также неспособностью предоставить нужные данные, необходимые для ваших моделей. Конечно, вы можете сделать свои таблицы умными, интегрируя код Visual Basic и создавая отличные макросы, но это может оказаться трудным для поддержки потенциального кошмара.
Электронная таблица по самой своей природе, ее легко манипулировать и изменять, поэтому она не является идеальным решением для составления отчетов и других рутинных задач. Это почти наверняка приведет к увеличению количества ошибок и двусмысленности. Переход от электронных таблиц к миру, более похожему на базы данных, позволяет гораздо более эффективно применять алгоритмы машинного обучения к проблемам. Задачи можно анализировать и автоматизировать в гораздо большей степени в более структурированной системе. Это критически важно для компаний, которые хотят сделать шаг в науке о данных.
Управление данными
Как вы обрабатываете свои данные, как они защищаются и хранятся, кому разрешено вставлять, обновлять или удалять записи - ключевые вопросы в управлении данными. Предприятия получают выгоду от управления данными, поскольку оно помогает обеспечить согласованность и надежность данных, а также соответствие нормативным ограничениям.
С точки зрения науки о данных качество и согласованность данных имеют первостепенное значение. Старая поговорка «мусор на входе, мусор на выходе» особенно актуален при обучении и использовании моделей машинного обучения. Без доступа к достоверным данным модели будут слабее, а их результаты и прогнозы - менее надежными. Поэтому настоятельно рекомендуется внедрить эффективный процесс управления данными перед внедрением передовых проектов машинного обучения.
Использование науки о данных
При наличии правильных процессов, управления данными и архитектуры для их поддержки пришло время предпринять дальнейшие шаги по цифровому пути. Наука о данных - применение передовых моделей аналитики и машинного обучения для решения отраслевых задач - следующий естественный шаг. Ниже приведены несколько примеров того, как эту технологию можно использовать для улучшения управления недвижимостью.
Отток арендаторов
Моделирование оттока клиентов - одно из классических приложений науки о данных. Такие отрасли, как банковское дело, страхование и телекоммуникации, десятилетиями используют модели оттока клиентов для прогнозирования поведения клиентов, а также очевидные варианты использования для управления недвижимостью.
В своей простейшей форме модель оттока - это модель бинарной классификации, которая с учетом набора предикторов или входных переменных выводит классификацию. Например, если арендатор арендует квартиру, модель оттока может использоваться для прогнозирования вероятности того, что арендатор уйдет в течение заданного периода времени, например 1 года.
Вооружившись этими знаниями, управляющий недвижимостью сможет лучше понять, как со временем изменится состав арендаторов и какие квартиры, скорее всего, появятся в продаже в ближайшее время. Это позволит менеджерам заранее ориентироваться на кандидатов с высоким оттоком и побудит их продлить свой контракт. Кроме того, модель может выделить те единицы, которые, вероятно, необходимо будет заполнить в будущем, чтобы сократить период вакансий для единицы.
Модели оттока также можно эффективно использовать в качестве компонента более крупных моделей прогнозирования, где вероятность оттока учитывается в будущих потоках денежных потоков и агрегируется по широкому кругу арендаторов. Делая это, компания, занимающаяся недвижимостью, может делать более точные прогнозы своего денежного потока и, следовательно, увеличивать общий левередж без пропорционального увеличения риска. В конечном итоге ведет к более эффективному использованию капитала.
Примером компании по недвижимости, которая серьезно относится к управлению арендаторами, является Spire Property Management. Они используют MRI - специальное программное решение для недвижимости - среди прочего, чтобы помочь в предотвращении оттока. По словам Шона Пола и исполнительного директора Spire, они используют МРТ, чтобы «упростить управление взаимоотношениями с клиентами… организовать, автоматизировать и оценить их усилия по удержанию - отслеживая аренду и годовщину аренды, записи арендаторов, действия по техническому обслуживанию и заказы на выполнение работ». Эффективное создание беспроигрышных решений как для управляющих недвижимостью, так и для арендаторов.
Генерация лидов для новых арендаторов
Вы знаете, кто ваши лучшие арендаторы? Являются ли они теми, кто имеет наибольшую готовность и способность платить, или, возможно, те, кто всегда платит поздно, чтобы вы могли получить штрафы за просрочку платежа? Или, возможно, лучший арендатор - это арендатор с коротким оборотом от одного до двух лет, что дает вам возможность заключать новые контракты и повышать арендную плату. Ответ на этот вопрос нельзя дать с помощью модели машинного обучения, но его следует оценивать с точки зрения бизнеса в соответствии с общей стратегией компании.
Как только оптимальный арендатор будет четко определен и компания знает, кого она хочет в качестве арендаторов (имейте в виду, что это может варьироваться в зависимости от здания), можно использовать алгоритмы машинного обучения для определения характеристик, характерных для этих идеальных арендаторов. Затем этот набор функций можно просмотреть в различных списках потенциальных клиентов, чтобы определить, какие из них могут стать лучшими арендаторами. Когда набор функций богат и сложен, модели машинного обучения часто выполняют этот тип классификации на сверхчеловеческом уровне и масштабируются бесконечно лучше, чем люди.
В сфере коммерческой недвижимости также есть несколько поставщиков, которые помогают компаниям привлекать потенциальных клиентов и увеличивать продажи. Одним из примеров такой компании является Вайну. Основанная в 2013 году, они используют модели машинного обучения в сочетании с большими базами данных, чтобы помочь в процессе продаж. Тематическое исследование, проведенное компанией по недвижимости Technopolis, показало, что они смогли тратить в 3 раза меньше времени на поиски продаж, чем раньше. Этот тип решения может быть особенно актуален для управляющих недвижимостью, стремящихся увеличить количество потенциальных клиентов для своих коммерческих единиц.
Оптимизация местоположения для сотрудников
Рассмотрим следующий сценарий. Компания владеет двумя офисными зданиями с несколькими подразделениями и имеет сотрудников, которые используют оба здания. Из-за непредвиденных обстоятельств наблюдается дисбаланс в использовании офисных площадей, в результате чего одно здание перегружается, а другое используется недостаточно. Как можно улучшить эту неоптимальную ситуацию с помощью технологий?
Используя аналитические и сенсорные системы, можно отслеживать местонахождение сотрудников, а также можно настроить автоматическую систему обмена сообщениями, чтобы информировать сотрудников о дисбалансе и направлять подмножество группы в менее занятые места. Этот тип оптимизации несложно реализовать, но он может обеспечить значительную экономию при частом возникновении дисбалансов и может привести к меньшему общему использованию офисных помещений.
Технологии умного строительства
Технологии интеллектуального строительства обещают принести большую пользу управляющим недвижимостью. Некоторые из нововведений являются довольно новыми, и их потенциал еще не полностью изучен, но есть несколько примеров использования, которые действительно выделяются.
Профилактическое обслуживание
Профилактическое обслуживание может помочь вам выявить проблемы со зданиями до того, как они возникнут, и тем самым принять меры для предотвращения поломки или сокращения времени простоя в результате ремонта. Это может сделать обслуживающий персонал более эффективным и, таким образом, снизить затраты, а также потенциально увеличить общий срок службы бытовой техники. Для арендаторов также будет выгодным сокращение времени простоя на ремонт критически важных объектов инфраструктуры.
Первым шагом в использовании методов профилактического обслуживания является добавление датчиков к оборудованию, которое необходимо контролировать. Затем данные с этих датчиков собираются в базе данных, и после некоторого времени работы накапливаются данные временных рядов о работе системы. Учитывая, что у нас достаточно наблюдений, временной ряд затем содержит данные, необходимые для построения моделей машинного обучения, которые предсказывают следующий сбой системы.
Эти модели машинного обучения обычно являются либо моделями классификации, либо моделями регрессии. В случае классификационной модели мы попытаемся предсказать, какой будет вероятность отказа в течение следующих n временных шагов. С помощью регрессионной модели мы прогнозируем, сколько времени осталось до следующего сбоя, и это часто называют «оставшимся полезным сроком службы». Какая бы модель ни была выбрана, это будет зависеть от типа системы и доступных данных для моделирования.
Информационное моделирование зданий
Информационное моделирование зданий, или сокращенно BIM, - еще одна захватывающая технологическая разработка в области интеллектуальных зданий. Основная идея заключается в том, что у здания есть идентичный цифровой двойник со схемами и 3D-моделями. Хотя многие строительные компании используют BIM для помощи в процессе строительства, они также могут обеспечить значительные преимущества в течение всего срока службы собственности и тем самым помочь управляющему недвижимостью.
Типичный пример полезности BIM для управления недвижимостью - отказ системы в здании. Поскольку здание имеет полную 3D-модель самого себя, инженеры по техническому обслуживанию могут использовать дополненную реальность при перемещении по зданию и получать важную информацию о здании во время ремонта. Данные, которые могут быть предоставлены инженерам, включают историю обслуживания, технические характеристики системы и информацию о контракте, что упрощает и ускоряет процесс ремонта и, как и в случае профилактического обслуживания, также сокращает время простоя критически важной инфраструктуры.
Помимо управления недвижимостью
Важно отметить, что в первую очередь мы обсудили, как оцифровку и науку о данных можно использовать для улучшения управления недвижимостью. Это, конечно, лишь часть отрасли недвижимости, и существует множество других возможных областей применения науки о данных для отрасли в целом. Модели машинного обучения теперь используются для прогнозирования всего, от цен и доходов от аренды до демографических тенденций. По мере того, как мы продолжаем использовать все больше устройств IoT, и алгоритмы становятся лучше, мы обязательно увидим, как будет развиваться еще больше вариантов использования.
Есть много способов улучшить управление недвижимостью за счет использования новых цифровых технологий. Но чтобы в полной мере воспользоваться последними достижениями в области аналитики и машинного обучения, организации требуется определенная степень цифровой зрелости. Однако как только этот порог будет достигнут, науку о данных можно будет использовать по-разному. Экономия может быть получена за счет лучшего понимания арендаторов и их оттока или использования методов прогнозного обслуживания и моделей BIM, а продажи можно увеличить с помощью моделей лидогенерации.
Если вам понравилась эта статья и вы хотели бы видеть больше от меня, или хотели бы воспользоваться моими услугами, не стесняйтесь связаться со мной в LinkedIn по адресу https://www.linkedin.com/in/hans-christian-ekne -1760a259 / или посетите мою веб-страницу по адресу https://ekneconsulting.com/ , чтобы увидеть некоторые из предоставляемых мной услуг. С любыми другими вопросами или комментариями, пожалуйста, отправьте мне письмо по адресу [email protected].
Спасибо за прочтение!
Использованная литература:
