Un report di Zillow, società di database immobiliare online americana, ormai datato 2015 attirò l’attenzione degli addetti del mercato Real Estate per l’importanza dei dati e delle conclusioni che conteneva.
Ad esempio, si calcolava che a Boston, il prezzo delle case entro mezzo chilometro da un negozio Starbucks era aumentato di oltre il 171% tra il 1997 e il 2014, 45 punti percentuali in più rispetto a tutte le case della città. A Seattle, invece, nel giro di un decennio, appartamenti entro un chilometro e mezzo da negozi di alimentari specializzati come Whole Foods e Trader Joe’s si erano apprezzati in termini di valore più velocemente di altri.
Ovviamente si trattava di trend che gli operatori conoscevano già, ma il report spostò l’attenzione su una questione più ampia: il potere dei dati non tradizionali.
Investire in Real Estate: come i big data stanno cambiando il mercato
Sebbene l’impatto della vicinanza a negozi e attività commerciali possa essere intuitivo, i prezzi delle case non sono ovviamente determinati solo da questo. Piuttosto, sono influenzati dall’accesso alla giusta quantità, combinazione e qualità di attività e servizi utili alla comunità. In più, tanto non è sempre meglio: ad esempio, sebbene avere due negozi di specialità alimentari entro mezzo chilometro sia correlato a un aumento dei prezzi degli immobili, averne più di quattro entro la stessa distanza è correlato a una riduzione.
Queste relazioni non lineari si osservano dappertutto. E l’intersezione tra densità e vicinanza ai servizi varia tra le città e persino tra i quartieri, oscurata da una massa crescente di dati che è sempre più difficile da recuperare e analizzare.
Gli operatori del settore hanno da sempre cercato di capire dove acquisire proprietà e i portafogli di investimento devono ottimizzare le loro partecipazioni e valutare regolarmente le condizioni che li portano a perdere o acquisire valore. Essere lenti nell’identificare le tendenze significa perdere potenziali guadagni. Al contrario, essere il primo ad approfittare di un’opportunità vincente si traduce in un vantaggio significativo.
Ma in che modo gli investitori immobiliari possono tenere traccia di così tanti dati e trovare rapidamente modelli più o meno nascosti e sfruttarli per effettuare investimenti redditizi?
Quali dati prendere in considerazione?
Utilizzando i metodi analitici convenzionali, gli analisti devono vagliare decine di milioni di dati per individuare schemi chiari, con pochi strumenti di supporto per raccogliere informazioni da quel materiale. Ora che un investitore è riuscito a raccogliere ed elaborare i dati necessari per effettuare l’investimento, le migliori opportunità sono sparite.
Allo stesso tempo, le fonti di dati nuove e non convenzionali stanno diventando sempre più rilevanti. I sondaggi ai residenti, i pattern dei segnali dei telefoni cellulari e le recensioni sui ristoranti locali possono aiutare a identificare modelli “iperlocali”, tendenze utili a livello di isolato, non a livello di città. Anche gli indicatori macroeconomici e demografici, come il tasso di criminalità di un’area o l’età media, influenzano le previsioni di mercato a lungo termine.
Migliaia di variabili non tradizionali possono essere collegate a risultati divergenti e localizzati. Alcuni esempi:
- numero di autorizzazioni rilasciate per la realizzazione di piscine
- variazione del numero di bar nel raggio di 1,5 km
- consumi energetici relativi ad altre strutture nello stesso CAP
- tono delle recensioni per le attività nelle vicinanze
Queste informazioni non sono tradizionalmente considerate dati immobiliari, ma unendo i puntini è possibile prevedere in modo più accurato le aree iperlocali con un potenziale considerevole di crescita dei prezzi.
I dati utili per investire in Real Estate sono troppi: come sfruttarli?
Un modo per unire i dati tramite analisi avanzate è utilizzare algoritmi di machine learning, che rendono notevolmente più facile aggregare e interpretare queste diverse fonti di dati. Dopo tutto, non sono i dati grezzi che creano valore, ma la capacità di individuare modelli e previsioni e utilizzare tali previsioni per progettare nuove strategie di ingresso nel mercato.
Supponiamo di essere un investitore che desidera identificare zone poco sviluppate ma con un alto potenziale. Le fonti di dati su transazioni precedenti esistono e sono ampiamente utilizzate come fonte di informazioni sugli asset immobiliari sia residenziali che commerciali. Tuttavia, questi database hanno poca utilità per anticipare i trend futuri, non essendo stati progettati a tale scopo. L’analisi avanzata dei Big Data può identificare rapidamente le aree di interesse, quindi valutare il potenziale di un determinato lotto con una lente predittiva. Un investitore può quindi accedere rapidamente ai dati della comunità locale, associati ai dati sull’uso del suolo e alle previsioni di mercato, e selezionare i quartieri e il tipo di edifici più rilevanti per lo sviluppo. Inoltre, può differenziare le finalità delle proprietà e la segmentazione dei prezzi per massimizzare il valore del suo investimento.
In alternativa, per un asset manager che desidera espandere e ottimizzare un portafoglio di investimento composto da edifici multifamiliari, gli algoritmi di machine learning possono combinare rapidamente previsioni macro e iperlocali per dare la priorità a città e quartieri con la più alta domanda di alloggi multifamiliari. Ciò consente al gestore patrimoniale di identificare edifici in aree sottovalutate ma in aumento di popolarità.
L’analisi avanzata non funziona come una sfera di cristallo. Nella maggior parte dei casi, deve essere utilizzata a supporto delle ipotesi di investimento, non generarle. Ma quando si tratta di questi classici enigmi immobiliari, l’analisi avanzata può rapidamente fornire un potente input che ispira nuove ipotesi, sfida l’intuizione convenzionale e setaccia i dati per identificare le informazioni più utili.
Fonti:
https://www.investopedia.com/articles/mortgages-real-estate/11/make-money-in-real-estate.asp
