Πραγματοποίηση προβλέψεων στην αγορά ακινήτων

Οι ηλεκτρονικοί υπολογιστές ξεκίνησαν να βοηθούν τους ανθρώπους με υπολογισμούς, στη συνέχεια με την κατηγοριοποίηση δεδομένων και πλέον με την πραγματοποίηση προβλέψεων. Η Google απαντά στα ερωτήματά μας, το Facebook μας ενημερώνει σχετικά με το ποιος θα μπορούσε να είναι φίλος μας και το Amazon μας συμβουλεύει για το τι πρέπει να αγοράσουμε. Ουσιαστικά, κάπου εκεί προσεγγίζουμε τα όρια που υπάρχουν σήμερα.

Οι υπολογιστές είναι πολύ ισχυροί όσον αφορά την πραγματοποίηση προβλέψεων, όμως δεν διαθέτουν την ικανότητα των ανθρώπων, οι οποίοι μέσω νοητικών διεργασιών φτάσουν σε συντομεύσεις. Ωστόσο, με τους ταχύτατους υπολογισμούς που πραγματοποιούν και με την τεράστια δύναμη που έχουν να αναλύουν δεδομένα, επιτυγχάνουν γρήγορα το στόχο τους, καθώς ουσιαστικά για αυτόν τον λόγο κατασκευάστηκαν. Από την άλλη πλευρά, οι ηλεκτρονικοί υπολογιστές αντιμετωπίζουν ένα πρόβλημα, το οποίο σχετίζεται με την ερμηνεία νέων δεδομένων, τα οποία προσαρμόζουν κατάλληλα προκειμένου να τα συσχετίσουν. Οι μηχανές μπορούν να αντιληφθούν τη σημασία ενός πράγματος, αποκλειστικά και μόνο βλέποντας τον αντίκτυπο που αυτό έχει σε ένα μεγάλο αριθμό περιπτώσεων και μέσω της συχνότητας των εξαιρέσεων που προκύπτουν, μπορούν να διορθώσουν τη λειτουργία τους.

Η αγορά ακινήτων

Ίσως περισσότερο από άλλους τομείς επιχειρηματικότητας, ο τομέας των ακινήτων βασίζεται περισσότερο στις προβλέψεις για την υπηρεσία την οποία παρέχει, τόσο στο παρόν, όσο και στο μέλλον. Ποια είναι η τρέχουσα αξία ενός διαμερίσματος;  Ποια γειτονιά πρόκειται να αναπτυχθεί; Θα υπάρξουν υπερβάσεις κόστους; Τι ποσοστό των ακινήτων θα είναι αδιάθετο σε 3 χρόνια από σήμερα;
Οι επαγγελματίες στον τομέα των «υπηρεσιών εμπορικών προβλέψεων» μπορούν να είναι πιστοποιημένοι εκτιμητές, διαχειριστές κεφαλαίων και επενδύσεων ή κτηματομεσίτες. Η συνήθης επιχειρηματική πρακτική περιλαμβάνει τη συλλογή προηγούμενων δεδομένων (πχ.  συγκρίσιμα μεγέθη της αγορά), τα οποία προσαρμόζονται στη συνέχεια, βάσει εμπειρίας ή μέσω εμφανών ενδείξεις στην αγορά (πχ. το άνοιγμα εστιατορίων) και χωρίς την εξέταση άλλων παραγόντων, αλλά και με τη χρήση ενός ή οι δύο μόλις προηγούμενων περιστατικών και την πρόβλεψη παρόμοιων αποτελεσμάτων. Το ερώτημα που δημιουργείται αυτόματα είναι «πώς μπορεί να γνωρίζει κανείς εάν όλα αυτά είναι τελικά σωστά;» Μήπως επειδή έγινε η τελικά η πώληση;  Αυτό θα μπορούσε να γίνει ακόμα και με εσφαλμένη εκτίμηση της κατάστασης, δηλαδή με υποεκτίμηση της τιμής πώλησης.
Αυτή τη στιγμή παρατηρούμε πως αυτοματοποιημένα μοντέλα αποτίμησης αρχίζουν να χρησιμοποιούνται στον χώρο τον επαγγελματικών υπηρεσιών. Η λειτουργία τους είναι η πρόβλεψη τιμών και ενδείξεων με βάση προηγούμενα δεδομένα. Σε αντίθεση με την αβεβαιότητα που χαρακτηρίζει την προηγούμενη προσέγγιση, η συγκεκριμένη μέθοδος μπορεί να δοκιμαστεί στην πράξη με πραγματικά ποσοτικά και μετρήσιμα αποτελέσματα, που δείχνουν ουσιαστικά ποια μοντέλα λειτουργούν και πόσο καλά το κάνουν αυτό. Παρόλα αυτά, εξακολουθούν να υπάρχουν ακόμη πολλοί περιορισμοί, έως ότου φτάσουμε στο σημείο η συγκεκριμένη διαδικασία να αρχίσει να χρησιμοποιείται ευρέως.

Όχι άνθρωπος εναντίον μηχανής, αλλά άνθρωπος μαζί με μηχανή

Ένα από τα βασικά επιχειρήματα ανθρώπων της συγκεκριμένης βιομηχανίας είναι το γεγονός πως υπάρχουν πολλές εξαιρέσεις και οποιοδήποτε μοντέλο κάποιας μηχανής μπορεί να λειτουργήσει μόνο με βάση δομημένα και εναρμονισμένα δεδομένα. Προς το παρόν φαίνεται να έχουν δίκιο. Εάν το φάσμα του μοντέλου είναι ευρύ, ακόμα και το σφάλμα εκείνο πού τοποθετείται κοντά στο μέσο όρο, μπορεί να δημιουργεί πολλές εξαιρέσεις, έτσι ώστε το αποτέλεσμα της πρόβλεψης να απέχει τελικά πολύ από την πραγματικότητα. Μία από τις λύσεις είναι η εξεύρεση περισσότερων δεδομένων, που θα έχει σαν αποτέλεσμα ακόμη περισσότερες περιπτώσεις εξαιρέσεων, μέχρι τελικά το μοντέλο να δημιουργήσει κάποιον σχετικό κανόνα. Ωστόσο δεν είναι πάντα ανεκτές όλες αυτές οι εξαιρέσεις, ακόμη και την πρώτη μέρα. Δείτε τα αυτοκίνητα δίχως οδηγούς, τα οποία θα φτάσουν σίγουρα γρήγορα σε ένα σχεδόν άριστο επίπεδο ακρίβειας, εφόσον η κοινωνία όμως πρώτα αποδεχτεί κάποιες «παρεκκλίσεις», που στη συγκεκριμένη περίπτωση μεταφράζονται σε ατυχήματα και ανθρώπινες ζωές.
Όπως συμβαίνει με τα αυτοκίνητα χωρίς οδηγούς, οι προβλέψεις στον τομέα των ακινήτων δεν μπορούν να περιλαμβάνουν μεγάλα σφάλματα, επειδή μεταφράζονται σε χιλιάδες και σε εκατομμύρια δολάρια. Προκειμένου να καλυφθεί αυτό το κενό γνώσης ανάμεσα σε ανθρώπους και σε μηχανές χρησιμοποιήθηκε σε πολλές περιπτώσεις μία υβριδική προσέγγιση, η οποία είχε άριστα αποτελέσματα.

Ο Peter Theil εξήγησε γιατί στο PayPal δημιούργησαν το καλύτερο σύστημα αντιμετώπισης περιπτώσεων απάτης, επιτρέποντας σε μιας μηχανή να πραγματοποιήσει τον πρώτο έλεγχο και να επιλέξει την πιο πιθανή περίπτωση απάτης σε κάποια συναλλαγή (πχ. καλή ικανότητα πρόβλεψης του μέσου όρου),  ωστόσο υπήρχε και ένας ειδικός για την πραγματοποίηση της τελικής επιλογής, με σκοπό να αποφευχθούν εύκολα αναγνωρίσιμα σφάλματα (πχ. παρεκκλίσεις). Στη συνέχεια το ίδιο άτομο ακολούθησε την προσέγγιση αυτή και στην επόμενη επιχείρηση του, αξίας δισεκατομμυρίων δολαρίων, την Palantir,  με την οποία πραγματοποιούσε προβλέψεις για λογαριασμό του FBI. Μια ακόμη καταγεγραμμένη περίπτωση της συγκεκριμένης προσέγγισης είναι η κατάθεση ενός μεγάλου επαγγελματία σκακιστή. Πιο συγκεκριμένα, ο Κασπάροφ στο βιβλίο του τονίζει πως σε μια παρτίδα σκάκι κερδίζει πάντα συνδυαστικά η καλύτερη μηχανή μαζί με τον καλύτερο άνθρωπο και όχι μόνη της η καλύτερη μηχανή ή ο καλύτερος άνθρωπος.
Αυτή η υβριδική μέθοδος εφαρμόζεται με καλά αποτελέσματα και αποτελεί τη λύση σε πολλούς τομείς, ενώ αν ρωτάτε τη γνώμη μου, θεωρώ πως μπορεί να χρησιμοποιηθεί και στον τομέα των ακινήτων.

Η επόμενη μέρα

Για να πραγματοποιηθεί η ανάλυση και πρόγνωση τα δεδομένα αποτελούν βασική και απαραίτητη προϋπόθεση. Το άτομο που τα δημιουργεί και αυτό που τα έχει στην κατοχή του μπορεί να είναι διαφορετικό, δεδομένου πως η αξία τους ενδέχεται να ποικίλλει.
Η πραγματική αξία των δεδομένων βρίσκεται όταν υπάρχουν μεν διαφορές μεταξύ τους, αλλά σχετίζονται δε με το τι αναζητά κανείς να κατανοήσει. Εύρος πηγών, βάθος δεδομένων. Με τόσο διαφορετικά είδη πηγών τα δεδομένα σας αρχίζουν να έχουν προστιθέμενη αξία, από τη στιγμή που δημιουργούν ένα δίκτυο δεδομένων. Ας ρίξουμε μία ματιά σε κάποιες πιθανές πηγές δεδομένων. Υπάρχουν δεδομένα τα οποία δημοσιεύονται στο διαδίκτυο και τα οποία είναι διαθέσιμα σε ένα τρέχον χρονικό διάστημα (πχ. τους τελευταίους 3 μήνες). Εάν κάποιος επιθυμεί να έχει στη διάθεσή του μεγαλύτερο όγκο δεδομένων, τότε θα πρέπει συστηματικά και υπομονετικά να φροντίσει να τα συλλέξει, επειδή στην περίπτωση αυτή τα δεδομένα τα οποία δεν θα καταφέρει τελικά να συγκεντρώσει θα χαθούν. Στη συνέχεια υπάρχουν τα δεδομένα που βρίσκονται εκτός διαδικτύου και τα οποία συνήθως είναι πιο σημαντικά, επειδή παράλληλα είναι και πιο σπάνια. Αυτή η διαφορά με το διαδίκτυο έγκειται στο γεγονός πως τις περισσότερες φορές τα δεδομένα βρίσκονται διάσπαρτα ανάμεσα σε πολλούς κατόχους. Ποια είναι η αξία του να γνωρίζω που βρίσκομαι ο ίδιος κάθε μέρα στις 12:00; Καμία. Κάθε άνθρωπος στην πόλη μου;  Σημαντική. Κάθε άνθρωπος στον πλανήτη;  Τεράστια. Από τη στιγμή που ο συνολικός όγκος είναι υψηλότερος σε σχέση με το άθροισμα των επιμέρους τμημάτων, οι εταιρείες προσπαθούν πάντα να συγκεντρώνουν δεδομένα (αγοράζοντας η ανταλλάσσοντας τα δεδομένα με δωρεάν υπηρεσίες) από πολλούς και διαφορετικούς κατόχους, προκειμένου να επωφεληθούν από το διαρθρωτικό αρμπιτράζ.

Τέλος υπάρχουν και τα δεδομένα που δημιουργούνται από τον ίδιο τον χρήστη. Δεδομένα που παίρνουμε από τρίτους επειδή διαθέτουμε ήδη μία ποιοτική προσφορά για ορισμένα δεδομένα. Θέλετε να δείτε ποια είναι τα καλύτερα εστιατόρια; Εντάξει, αλλά θα πρέπει να ψηφίσετε το αγαπημένο σας. Θέλετε να χρησιμοποιήσετε τους χάρτες της Google για να εκτιμήσετε την κίνηση στον δρόμο; Φυσικά, αλλά φροντίστε να ενημερώσετε τη Google για το πόσο χρόνο χρειάζεστε για να πάτε σπίτι. Το σημαντικό στη συγκεκριμένη περίπτωση είναι πως ένα άτομο μπορεί να ικανοποιήσει τις ανάγκες μιας αγοράς, χωρίς να είναι απαραίτητος ο ανταγωνισμός πάνω στην τιμή. Έτσι κατακτά ολόκληρη την αγορά. Λόγω των δύο τελευταίων φαινομένων, ο πρώτος που κάνει την κίνηση συνήθως κυριαρχεί στην αγορά. Στην περίπτωση της αγοράς ακινήτων, μιλάμε για την περιφερειακή αγορά, καθώς βασίζεται σε  μεγάλο βαθμό σε τοπικού επιπέδου δεδομένων. Η ποικιλομορφία είναι σημαντική και δεν είναι χρήσιμα όλα τα δεδομένα, αλλά κάποια από αυτά. Το πρόβλημα είναι πως πολλές φορές κανείς δεν μπορεί να γνωρίζει εκ των προτέρων ποια θα είναι χρήσιμα και ποια όχι. Ο νικητής θα κάνει την εμφάνισή του γρήγορα, θα έχει την ικανότητα και την τεχνογνωσία να γνωρίζει τι ακριβώς θέλει, αλλά παράλληλα θα είναι και αρκετά σοφός ώστε να έχει επίγνωση του γεγονότος πως είναι αδύνατο να γνωρίζει τι ακριβώς θα βρει μπροστά του. Συγκεντρώστε δεδομένα τώρα, συγκεντρώστε περισσότερα δεδομένα σε όγκο, κινηθείτε επιθετικά, ώστε στο μέλλον να μην μετανιώσετε που δεν το κάνατε.