يعد العقار أكبر فئة أصول في العالم، بقيمة 277 تريليون دولار، أي ما يعادل ثلاثة أضعاف القيمة الإجمالية لجميع الشركات المدرجة في البورصة، وقد واكبت تطبيقات التعلم الآلي نمو هذا القطاع.
ويعد التعلم الآلي الاتجاه التكنولوجي الرئيسي الذي يحدث ثورة في سوق العقارات اليوم، وقد توصلت دراسة “الاتجاهات الناشئة في العقارات 2021” الصادرة عن شركة PwC إلى نتيجة مماثلة: الذكاء الاصطناعي من بين أبرز العوامل المحدثة للثورة في هذا المجال.
ومن هنا، سنستعرض كيف يُسخر التعلم الآلي في منصة MLS في قوة البيانات لمعالجة هذه التساؤلات المتعلقة بالتسعير في قطاع العقارات، سنستكشف أيضاً قيود هذا النهج وكيف يمكن للجمع بين مصادر بيانات متعددة أن يُساعد في التغلب عليها.
ستكتشف كيف يُدمج التعلم الآلي البيانات غير التقليدية للتنبؤ بأفضل استراتيجية تسعير، هل يمكن للخوارزمية أن تأخذ في الاعتبار مظهر العقار، والبيئة المادية والاجتماعية المحيطة به، وغيرها؟
ما هي طرق التقييم التقليدية؟
تشترك جميع طرق التقييم التقليدية في شيء واحد، وهو اعتمادها على شكل من أشكال المقارنة، دعونا نستعرض بعضاً منها.
مقارنة العقارات المتشابهة
تتمثل الطريقة الأساسية في اختيار عقارات متشابهة (من حيث السمات والموقع) واستنتاج القيمة المستهدفة من العقارات المتشابهة، غالباً ما تُسمى المنازل المتشابهة “بالمقارنات”.
تكمن مشكلة هذه الطريقة في عدم وجود عقارين متشابهين، مما يتطلب إجراء تعديلات، بالإضافة إلى ذلك تفترض هذه الطريقة توفر العقارات المتشابهة دائماً، وقد لا يكون هذا هو الحال.
نهج التكلفة
تعرف طريقة تقييم تقليدية أخرى باسم “طريقة التكلفة”، تحدد القيمة السوقية للعقار من خلال تحديد تكلفة استبداله.
تحدد التكلفة من خلال جمع قيم مثل قيمة الأرض الخام (باستخدام المقارنة أيضاً)، وتكلفة إعادة بناء مبنى جديد قادر على أداء وظيفة العقار الحالي، ثم إجراء التعديلات اللازمة (مثل إهلاك المبنى الحالي).
طريقة الأرباح
يقدر أسلوب الدخل (ويسمى أيضاً “أسلوب الأرباح”) قيمة العقار بناءً على الدخل الذي يدره، وترتبط القيمة بالأعمال المدارة داخله، على سبيل المثال تعتمد القيمة السوقية لفندق على التدفق النقدي المحتمل الناتج عن الملكية.
يمكن استخدام العديد من الأساليب الأخرى الأكثر تطوراً لتحديد قيمة تقييم العقار، على سبيل المثال “طريقة البيع المتكرر” حيث يقتصر التحليل على مقارنة تغيرات أسعار العقارات المباعة أكثر من مرة، تتطلب جميع أساليب التقييم التقليدية هذه معرفة ومعلوماتٍ متخصصة، والتي قد يصعب الحصول عليها.
الأساليب المتقدمة
تحلل أساليب التقييم الأكثر تطوراً السوق من خلال مُحاكاة عمليات تفكير المستثمرين في اتخاذ القرارات، وقد وفرت تقنيات التعلم الآلي أسلوب تقييم أكثر تطوراً يعتمد على البيانات التقليدية.
تعمل هذه الطريقة على النحو التالي: تراعي خوارزمية الانحدار خصائص العقار مثل المساحة، وعدد الغرف، وعمر العقار، وخصائص جودة المنزل (أسطح الجرانيت، وتكييف الهواء، وحمام السباحة، وما إلى ذلك)، والموقع يعرف أسلوب التسعير اللذي بافتراض أن سلعة، كالمنزل، يمكن اعتبارها مجموعة من المكونات الفردية أو السمات الهيكلية، ويحصل على تقدير السعر من خلال جمع القيمة المساهمة لكل سمة.
يمكن التنبؤ بأسعار مختلفة باستخدام التعلم الآلي في منصة MLS في كلاً من:
سعر البيع: والتي تستخدم خوارزمياتهما الخاصة لتقدير أسعار العقارات.
سعر الإيجار: طورت منصة MLSأداة لهذا الغرض.
سعر الإيجار المؤقت: تستخدم نصائح التسعير من MLS نموذجاً رياضياً يقيس احتمالية حجز النزيل لعقار معين، في تواريخ محددة، وبمجموعة من الأسعار المُختلفة.
تعني أتمتة عملية التسعير تقليل الوقت، وتقليل الأخطاء البشرية، والقدرة على مراعاة بيانات أكثر.
تعرضت نماذج التعلم الآلي في منصة MLS لانتقادات لتجاهلها خصائص رئيسية، على سبيل المثال قد لا تكون جودة البناء ذات صلة بالخوارزمية، لكنها بالتأكيد ذات صلة بالإنسان. تتجاهل نماذج المتعة التي تأخذ في الاعتبار السمات الهيكلية معلومات مهمة مثل المظهر المادي للمنزل، والبيئة المادية والاجتماعية المحيطة، وأنماط التنقل البشري الديناميكية.
بدأت خوارزميات التعلم الآلي في استخدام البيانات غير التقليدية للتغلب على هذه القيود، دعونا نستكشف مصادر البيانات غير التقليدية المختلفة التي يمكن استخدامها عند بناء نموذج للتنبؤ بالأسعار.
إحداث ثورة في أساليب التقييم باستخدام البيانات غير التقليدية
ما هي البيانات غير التقليدية أصلاً؟ إنها بيانات تأتي من مصادر جديدة وغير تقليدية، وفي أغلب الأحيان، تتوافق هذه الخصائص مع ظواهر اجتماعية واقتصادية تقع خارج نطاق سيطرة الفرد، ومن الأمثلة على ذلك تقييم المدارس أو الشركات القريبة في المنطقة.
عند استخدام بيانات غير تقليدية، تشير النتائج إلى أن مشروعين سكنيين متطابقين وفقاً للمقاييس التقليدية قد يختلفان تماماً في السعر في نهاية المطاف، ويمكن أن يعكس أخذ البيانات غير التقليدية في الاعتبار هذه الاختلافات ويحسن التوقعات، كما يوضح الرسم البياني أدناه:
هذا ليس بالأمر الجديد، يأخذ المشترون بعين الاعتبار العديد من هذه العوامل عند اختيار المنزل الذي يرغبون بشرائه (أو استئجاره)، كما يُولي مقيمو العقارات أهمية كبيرة لهذه الميزات، ومع ذلك وكما نعلم جميعاً لا شيء يُضاهي الذكاء الاصطناعي في استغلال أنماط البيانات الأساسية.
يحدث الجمع بين البيانات التقليدية وغير التقليدية ثورةً حقيقية، ينتج هذا الجمع تقديراً أكثر دقة، مما يُؤدي في النهاية إلى تنبؤات أفضل وقرارات استثمارية أكثر ذكاءً، في أحد الأمثلة استخدمت البيانات التقليدية والبديلة للتنبؤ بإيجار القدم المربع لمدة ثلاث سنوات للمباني السكنية متعددة الوحدات في سياتل، وقد تنبأ نموذج التعلم الآلي بالإيجارات بدقة تجاوزت 90%.
دعونا نستعرض بعض الأمثلة على أنواع البيانات غير التقليدية التي يمكن استخدامها في التعلم الآلي للعقارات.
استغلال الموقع الجغرافي
ثلاثة أمور مهمة في مجال العقارات: الموقع، الموقع، الموقع، هذا المصطلح مألوف جدًا في هذا المجال، يمكن اعتبار الموقع بطرق مختلفة عند التنبؤ بسعر العقار، تأخذ الأساليب التقليدية الرمز البريدي أو الحي الذي يقع فيه العقار في الاعتبار.
وهناك نهج آخر يتمثل في استخدام نظام شبكي أكثر تعقيداً (ولكنه في الوقت نفسه أكثر دقة)، تتيح أنظمة الشبكات تحليل البيانات لتبسيط مجموعات البيانات واسعة النطاق، مما يُسهل إجراء الحسابات الرياضية، ومن الأمثلة الجيدة على ذلك مؤشر أوبر المكاني الهرمي السداسي يمكن تحليل المناطق الجغرافية وفقاً للخلايا (أو الأشكال السداسية في هذه الحالة) الموجودة فيها.
يمكن أن يكون للموقع أيضاً تأثير غير مباشر، ووفقاً لإنمان، فيما يتعلق بالموقع، هناك ثلاثة مؤشرات رئيسية:
جودة المدارس المحلية
فرص العمل
القرب من مراكز التسوق والترفيه
في الوقت الحاضر، أصبح من الممكن معرفة جودة المدارس المحلية أو قربها من الشركات باستخدام بيانات من خدمات مثل Google Places وYelp وSchoolDigger. يمكنك الحصول على معلومات مفصلة، مثل حالة الشركات، ومستوى الأسعار، والمدارس القريبة وتقييمها، وغيرها.
وجدت هذه الدراسة الاقتصادية التي أجراها خبير اقتصادي من جامعة هارفارد أن بيانات MLS يمكن أن تساعد في فهم كيفية تغير مزيج الشركات في المناطق التي تشهد تطوراً عمرانياً، وكيف يمكن للتغيرات في مشهد الأعمال أن تتنبأ بالأحياء التي تشهد تطوراً عمرانياً.
ميزة هذه الخدمات هي توافر البيانات آنياً (المعروف في الاقتصاد باسم “التنبؤ الآني”)، قبل وقت طويل من توفر الإحصاءات العامة المفصلة.
استخدام الصور
كما يقال، الصورة أبلغ من ألف سمة، أم أنها كلمات؟
عندما يرغب الناس في شراء أو استئجار منزل، يمكنهم عادةً زيارته والحصول على انطباع بصري، قد يصعب على نماذج التعلم الآلي استيعاب بعض الأمور التي قد يلاحظها المرء، مثل هيبة الحي أو مدى أمانه أو ازدحامه، عادةً ما يتم تجاهل هذه السمات لأن قياس الجاذبية البصرية مهمة غير تافهة، تتأثر بشدة بالتحيز البشري، علاوة على ذلك فإن جمع هذه البيانات يدوياً مكلف وغير موضوعي.
هنا يأتي دور نماذج التعلم العميق، حيث يمكن لهياكل مثل الشبكات العصبية التلافيفية استخراج السمات البصرية، وكشف المعلومات الأساسية الملتقطة في الصور.
