Machine-getrainde waardebepaling in onroerend goed
Context en doelstellingen
Een toonaangevend bedrijf in vastgoeddiensten liep kansen met hoge marges mis bij zijn commerciële inspanningen. Het vertrouwde nog steeds voornamelijk op menselijke "buikgevoelens" voor het taxeren van te koop en te huur staande eigendommen.
De bestaande tool registreerde de transactiewaarden, maar bood weinig aanbevelingen of waarderingen. Bovendien was de kwaliteit van de gegevens een hardnekkig probleem.
Daarom hebben we een op maat gemaakt waarderingssysteem ontworpen.
Benadering
Het opschonen en homogeniseren van de vastgoed- en dealdatabases vormde de basis voor het project.
Vanaf dat moment integreerden we zakelijke kennis in de tool door middel van feature engineering en namen we de prijsstellingscriteria van vastgoedexperts op in de tool.
Vervolgens vergeleken we twee oplossingen om de technische haalbaarheid/efficiëntie van de taxatie van onroerend goed in te schatten
De eerste gebruikte een eenvoudig regressiemodel, waardoor de klant de berekeningen van de uitkomst volledig kon begrijpen.
In de tweede evalueerde een machine-learning component de eigenschappen van het huis in combinatie met door experts gedefinieerde criteria. Hoewel dit complexer was en dus minder "verklaarbaar" voor het ongetrainde oog, leverde het nauwkeurigere schattingen op.
Onze klant koos uiteindelijk voor de tweede oplossing.
Resultaten
In minder dan vier weken voorzagen we onze klant van een geautomatiseerd hulpmiddel dat klaar was voor gebruik en waarvan de nauwkeurigheid van de taxatie van onroerend goed goed goed genoeg was om een aanzienlijk concurrentievoordeel op te leveren ten opzichte van de concurrentie op het gebied van:
Gegevensgestuurde beoordelingskwaliteit
Snelheid van eerste beoordeling
