Od czasu sukcesu narzędzi takich jak Chat GPT, Bard, czy Midjourney jak grzyby po deszczu zaczęły powstawać kolejne firmy zajmujące się uczeniem maszynowym oraz wykorzystywaniem dużych zbiorów danych. O ile w rozwoju AI mamy do czynienia ze sporym skokiem, tak termin big data zyskał zainteresowanie badaczy rynku nieruchomości już sporo wcześniej.
Sam termin “big data” pojawił się po raz pierwszy w opublikowanej w 1997 roku pracy Michaela Coxa i Davida Ellswortha pod oryginalnym tytułem: “Managing Big Data for Scientific Visualization”. O ogromnych masach danych mówiło się jednak już od roku 1980. Badacze rozumieli pod tym pojęciem obszerne zbiory danych, o dużej złożoności i różnorodności, które trudno w tradycyjny sposób analizować, wizualizować, czy nawet przechowywać.
W jaki sposób można wykorzystać big data na rynku nieruchomości? Najczęstsze propozycje można zgrupować w następujący sposób: zrozumienie zachowań uczestników rynku (w tym zachowań nie tylko zakupowaych, ale i dotyczących chociażby wyboru drogi do pracy), monitorowanie cen na rynku nieruchomości, wycena nieruchomości.
Wycena nieruchomości to jeden z tych obszarów, który jest mocno uregulowany o ile mamy na myśli wycenę dokonywaną przez rzeczoznawców majątkowych. Zmiana w tej materii i dopuszczenie innych metod prowadzenia badań wymagałaby daleko idących zmian w regulacjach prawnych. Nie jest to przeszkodą dla podmiotów, które chcą wykorzystywać big data dla własnych celów. Czy na cenę nieruchomości może mieć wpływ odległość od linii metra? Czy zła jakość powietrza odstrasza kupujących? Czy okolice lotnisk są mniej chętnie wybieraną lokalizacją do zamieszkania? Na te właśnie pytania może odpowiedzieć analiza dużych zbiorów danych. Wyniki te mogą być bardzo wartościowe dla agend rządowych, samorządów, mieszkańców.
Praca na danych pozwala również na uproszczenie komunikacji w miastach. O tym zdaje się zapominać Warszawa remontując jednocześnie zarówno szlaki kolejowe jak i główne arterie łączące dzielnice wschodnie z zachodnimi. W sieci można odnaleźć historie podróżnych, którzy po rozpoczęciu inwestycji drogowych przesiedli się na kolei, potem na Warszawską Kolej Dojazdową, a na koniec znów byli zmuszeniu do powrotu do aut. Tych problemów można było oczywiście uniknąć wykorzystując potęgę danych.
Moim prywatnym faworytem w drodze do większej wiedzy o nieruchomościach jest badanie zatytułowane “Prognozy oparte na nastrojach punktów zwrotnych na rynku mieszkaniowym z Google Trends” autorstwa Mariana Alexandra Dietzela. Jednym z głównych celów badania jest znalezienie modelu opartego na zainteresowaniu wyszukiwaniem w internecie, który generuje wiarygodne prognozy w czasie rzeczywistym.
Wyniki badania pokazują, że model przewiduje kierunek miesięcznych zmian cen poprawnie. Choć model Google nie zawsze jest precyzyjny pod względem czasu, sygnały są zawsze poprawne, jeśli chodzi o przewidywanie nadchodzącego punktu zwrotnego. W związku z tym, że sygnały są generowane nawet do sześciu miesięcy wcześniej, funkcjonuje on jako satysfakcjonujący i aktualny wskaźnik przyszłych zmian cen.
Badanie jest pierwszym, które stosuje dane z zapytań w Google jako wskaźnik nastrojów w modelach prognozowania, aby prawidłowo przewidzieć punkty zwrotne na rynku mieszkaniowym. Intuicja podpowiada mi, że jeszcze większą skuteczność mógłby mieć model oparty o sentyment użytkowników internetu, w tym sieci społecznościowych. Badanie sentymentu w wypowiedziach internautów jest możliwe chociażby przy zastosowaniu narzędzia Brand24.
Czy już za kilka chwil to wirtualny asystent będzie za nas wybierał nowe mieszkanie? Na pewno dając mu dostęp do naszych prywatnych danych i historii przeglądania podjąłby decyzję wyjątkowo trafną. Niestety na drugim końcu względem takiej sielanki są obawy o to, że asystent zaproponuje zakup mieszkania wiedząc, że spadek popytu mógłby doprowadzić do załamania na rynku. To czarna wizja, ale w tych różowych nadal widzę wykres cen nieruchomości, który zmienia się dynamicznie jak ceny akcji na giełdzie. To by było coś!
