Dữ liệu lớn thay đổi ngành bất động sản như thế nào?

Định giá bất động sản là một môn khoa học thú vị dưới sự hỗ trợ của dữ liệu lớn (big data).

Những dữ liệu không liên quan đến bất động sản như mật độ quán cà phê Starbucks, số lượng khách sạn 5 sao trong phạm vi 1 dặm… đang dần trở nên quan trọng trong việc định giá chính xác bất động sản.

Trước đây, giá nhà được xác định dựa trên thông số về đặc tính nội tại của nó: tỷ lệ cung – cầu, tuổi nhà, tỷ lệ lấp đầy,… Tuy nhiên, việc định giá như vậy đang ngày càng lạc hậu và kém hiệu quả.

anh 1

 

Theo báo cáo mới ra của McKinsey (Công ty Tư vấn hàng đầu thế giới) về vai trò của dữ liệu lớn trong việc định giá bất động sản, giá nhà trong vòng 400m tính từ cửa hàng Starbucks đã tăng hơn 171% từ năm 1997 đến năm 2014. Trong thập kỷ qua, các tòa nhà chung cư tại Seattle (Mỹ) cách cửa hàng tạp hóa như Whole Foods và Trader Joe’s trong vòng 1,6km được định giá cao hơn so với những tòa nhà khác.

Đương nhiên chúng ta có thể nói: do vị trí “đẹp” thì Starbucks hay Whole Foods, Trader Joe’s mới chọn để đặt cửa hàng, do đó các ngôi nhà tại đây có mức giá cao hơn là điều dễ hiểu. Tuy nhiên, không thể phủ nhận việc thuận tiện trong tiếp cận các dịch vụ cơ bản khiến khách hàng có thêm động lực mua nhà. Mối quan hệ giữa những nhân tố như vậy và giá nhà không phải là mối quan hệ tuyến tính. Ví dụ, có hai cửa hàng thực phẩm trong vòng bán kính 400 mét dẫn đến giá nhà tăng, nhưng có hơn bốn cửa hàng trong cùng khoảng cách đó có thể khiến giá nhà giảm xuống.

Những tác động qua lại như vậy được lượng hóa nhờ thuật toán máy học (machine learning) diễn giải. Thuật toán này đưa ra dự báo chính xác nhất về giá nhà khi được cung cấp các dữ liệu phi tuyến tính. Các phân tích đa chiều sẽ đưa ra các giả thuyết mới và sàng lọc yếu tố/dữ liệu bị “nhiễu” để xác định thông số nào thực sự quan trọng.

Theo nghiên cứu của McKinsey, mô hình máy học cùng với Dữ liệu lớn dự đoán được giá thuê nhà với tỷ lệ chính xác vượt quá 90%. Nghiên cứu cũng chỉ ra các biến liên quan đến dữ liệu phi truyền thống (dữ liệu không thuộc đặc tính nội tại của bất động sản) quyết định tới 60% sự thay đổi trong giá thuê.

Tuy nhiên, hàng loạt thách thức được đặt ra khi sử dụng dữ liệu phi truyền thống: Việc thu thập dữ liệu cần nhiều thời gian, lọc dữ liệu tương đối tốn kém và không nhiều tổ chức ở lĩnh vực này. Do vậy, phân tích dữ liệu cần có mục tiêu dài hạn, đồng thời thiết lập các quy trình rõ ràng để quản trị và ra quyết định về dữ liệu.

Các giải pháp liên quan đến dữ liệu lớn trong định giá bất động sản sẽ phát triển với tốc độ nhanh chóng theo cấp số nhân thay vì mức tăng trưởng tuyến tính truyền thống. Nếu không sớm theo đuổi, các doanh nghiệp bất động sản sẽ đối diện với nguy cơ tụt hậu trong tương lai gần.

Viết bình luận

%d bloggers like this: