Big Data et modèles prédictifs en immobilier : état des ... · Rénovation urbaine Phénomènes de gentrification Marché immobilier Prix & Loyers Résidentiel & Bureau. Technologie

Big Data et modèles prédictifs en immobilier : état des lieux et potentialités

Loeïz Bourdic Président et fondateur

URBAN MORPHOLOGY STRATEGY

Adrien Rospabé Directeur associé

AKEANCE CONSULTING

Réunion du 13 octobre 2016

> >

Paris, jeudi 13 octobre 2016

Big data et immobilier : état des lieux et potentialités

Ce document ne saurait être interprété sans les commentaires oraux qui l’accompagnent.

Adrien RospabéVincent Thomas

2© 2014 Akeance Consulting - Tous droits réservés

Sommaire

• Présentation d’Akeance Consulting

• Extrait de notre étude « Big data et immobilier : état des lieux et potentialités »


Akeance consulting en bref


Akeance Consulting est un cabinet de conseil disposant depuis 12 ans d’un pôle dédié à l’Immobilier.

– Ils nous font confiance :

Foncières /Investisseurs

Promoteursimmobiliers

Property Managers /

Administrateurs de biens

Utilisateurs /Directions

immobilières

– Un pôle composé d’une vingtaine de consultants disposant d’une double expertise : « immobilier » et « conseil ».

– Une offre de services dédiée aux problématiques immobilières.

– Une offre de services en management, organisation et système d’information capitalisant sur une excellente connaissance de l’immobilier.

Le pôle immobilier d’Akeance Consulting


Étude : Lettres de l’immobilier trimestrielles :

Lettres de l’immobilier(hors-série) :

Articles :(BusinessImmo, Réflexions

Immobilières, Immobilier et Services)

Nos publications


Akeance positionné dans la constellation des "consultants en stratégie" par BusinessImmo (N°124 - avril 2016).

Une expertise reconnue


Sommaire

– Présentation d’Akeance Consulting

– Extrait de notre étude « Big data, état des lieux et potentialités »


Définition

Big Data

Volume

Variété Vélocité

L’expression Big Data renvoie à l’explosion du volume des données disponibles et à la nécessité deles traiter selon de nouveaux modèles et de nouvelles technologies mieux à même de tirer parti deleur variété, de leur volume et de leur vélocité.

La Business Intelligence s’intéressera avant tout a ux données structurées de l’entreprise (disponibles dans ses systèmes d’information) tandi s que le Big data s’intéressera également à

des données non structurées, externes, très dynamiq ues.

– Enorme quantité de

données accessibles.

– Données structurées

ou non.

– Données publiques ou

privées, internes ou

externes à

l’organisation.

– Sources et formats

hétérogènes.

– Rapidité de traitement.

– Fréquence à laquelle ces

données sont générées,

capturées et partagées.

– Les données sont

analysées en continue et

en temps réel.

© 2016 Akeance Consulting - Tous droits réservés 9

Locataires et propriétaires

Le terrain de jeux du Big data

Analyser un territoire, un marché et les actifs qui le composent

Piloter son parc immobilier

Identifier des prospects

Réinventer les métiers

Prix de marché

Disponibilité des biens

Actualités économiques

Population du territoire

Caractéristiques du territoire

Données techniques

– Taux d’occupation.

– Disponibilité à la

vente / location.

– Termes des baux…

– Etat des bâtiments.

– Equipements

techniques,

connectés ou non.

– Consommations…

– Ages.

– Taux de chômage.

– Dynamique

démographique…

– Loyers.

– Prix au m².

– Valeurs de biens…

– Entreprises.

– Types de bien / classe

d’actifs.

– Contraintes d’urbanismes…

– Nominations.

– Fusions ou acquisitions.

– Transferts d’entreprises…

– Raison sociale.

– Activité…

© 2016 Akeance Consulting - Tous droits réservés 10

Les entreprises étudiées


CoStar, l’acteur incontournable du marché de l’immobilier d’entreprise aux USA !

Costar est maintenant incontournable et a rendu dép endant de nombreux acteurs de l’immobilier aux USA à son business model (plus de 90% de renouv ellement d’abonnement depuis 2012).

CoStar en bref:

– Collecte et référencement d’informations depuis près de30 ans sur tous les biens immobiliers aux USA et UK.

– Analyse et exploitation de ces données pour uneredistribution sous forme d’outils d’aide à la décisionpour tous les acteurs de l’immobilier.

– Données disponibles : loyers, prix au m², état du bien,surfaces / dispositions, propriétaires, profiles locataires,échéance de baux, date du permis de construire,transactions réalisées, photos…

– Base de données immobilières la plus importante et laplus exhaustive des USA.

CoStar en chiffres :

5M de données collectées par jour.

10 000 appels téléphoniques quotidiens.

500 000 propriétés sondées chaque année sur le territoire US.

1M de photos et de repérages numériques annuels.

Chiffre d’affaires en 2015 : 712 M $en 2014 : 576 M $

Support de suivi en temps réel de l’évolution du marché et de l’état des biens

Acquisition Screen Benchmarking Hold / Sell Analysis


Valeur actuelle disponible pour plus de 100 millions de logements aux USA.Valeur future disponible pour plus de 50 millions d e logements aux USA.

Business Model de Zillow : – Dans un premier temps, c’est une interface d’aide à la gestion de patrimoine immobilier lancée

en 2006 pour les propriétaires de biens.– L’entreprise s’est démarquée grâce à son logiciel qui lui permet d’estimer ou de Zestimer la

valeur actuelle d’un bien immobilier.– L’entreprise a bénéficié de $ 96,63M d’investissement, entre les levées de fonds et

l’investissement initial.

Zillow, pour estimer la valeur actuelle et la valeur future d’un bien

Année CA Croissance

2012 $116,85M +77%

2013 $197,55M +69%

2014 $325,89M +65%

2015 $644,68M +97%

Là où Zillow va plus loin, c’est en proposant d’estimer la valeur

future du bien: « Zestimate Forecast »


Altarea : quand les foncières deviennent commerçantes !

Mieux connaître ses clients, attirer les consommateurs et déclencher l’acte d’achat étaient desproblématiques que les foncières laissaient aux enseignes.

Le modèle économique repose sur 3 piliers :- maximiser les revenus en offrant aux asset managers une nouvelle connaissance des centres ;

- promotion et marketing des centres commerciaux ;

- commercialiser cette connaissance du client auprès des enseignes.

Altarea au « Quartz » a fait le choix des’approprier cette problématique. Lafoncière propose un ensemble deservices, notamment une applicationsmartphone permettant la recherche d’unproduit dans toutes les enseignes ducentre commercial.

Altarea collecte également directementdes informations (cf. ci-contre).

La plateforme mise en place permet dedisposer dans le monde physique desmêmes leviers, en temps réel, que sur unsite marchand en ligne.


– Le Big Data touche en priorité le secteur du logement. Le nombre de transactions et la logiquesouvent B to C de ce secteur expliquent qu’il constitue un terrain de jeu privilégié.

– Mais l’exemple de CoStar et des autres acteurs émergeants (Compstak, VTS) montre qu’ilexiste un potentiel considérable dans l’immobilier d’entreprise.

– La faible transparence du marché de l’immobilier d’entreprise est à la fois :

- un obstacle pour le recours au Big Data par les acteurs de l’immobilier…

- …et une opportunité pour des entreprises qui sauront développer un modèle permettant de proposer uneconnaissance fine du marché.

– L’approche défensive des brokers (GIE Immostat et création de Webimm par les grandsbrokers) touche à sa fin (cession de Webimm à Se Loger, probable fin de l’exclusivité deWebimm avec les principaux brokers).

– Certaines startups arriveront-elles à se rendre incontournables aux entreprises du secteur pourleur permettre disposer d’une connaissance du marché (cf. CoStar aux USA) ?

– De nouveaux acteurs arriveront-ils à s’appuyer sur cette connaissance du marché et desterritoires pour « uberiser » des business models classiques (cf. Opendoor aux USA) ?

Vers plus de transparence du marché immobilier ?


– On l’a vu, obtenir une meilleure connaissance du marché immobilier n’est pas la seuleopportunité.

– Il est plus que jamais nécessaire pour les entreprises de mener une réflexion sur l’utilisation deleurs données.

– Mais, avant même, la question du Big data, notre expérience montre que les entreprisesutilisent de manière très insuffisante leurs propres données pour améliorer la prise de décisionou favoriser l’efficacité opérationnelle.

Les données, une classe d’actifs à optimiser !

Conseil en stratégie ● Organisation ● Management

Adrien ROSPABÉDirecteur associé – Pôle Immobilier

[email protected]+33 (0) 6 31 40 40 00

11 bis, rue Portalis75008 Paris

BIG DATA ET MODÈLESPRÉDICTIFS EN IMMOBILIER

ETAT DES LIEUX ET POTENTIALITÉS

Loeiz BOURDICPrésident Fondateur

UM Strategy

Intervention IEIF13 octobre 2016

Big data, Machine learning, intelligence artificielle…

Exemple d’application autour du projet du Grand Paris

Applications au monde de l’immobilier

Le Machine learning,

ou comment extraire de la valeur du big data?

Un concept ancien, limité jusqu’aux années 2010 par :• La quantité de données disponibles

• La puissance de calcul

Un outil puissant pour extraire de la valeur de la donnée brute• Analyser la donnée

• Extraire l’information pertinente

• Identifier des patterns

• Prédire

Des statistiques…au machine learning

X Y

Modèle statistique simple

Y=a X + b

100+ variables

Non structurées

Y

??

Principes du machine learning

Données Résultat

1. Entrainement

2. Test

Prédiction du

résultatNouvelles

données3. Prédiction

Applications du machine learning

Traitement des spams

Recommandations d’achat (Criteo, Amazon…)

Reconnaissance de formes (écriture, objets…)

Reconnaissance vocale (Siri)

Conduite autonome

Détection de fraude à l’assurance

Finance (gestion des risques, trading)

e-santé

…




Applications du machine learning au monde de l’immobilier

Prévision immobilièreZillow, HouseCanary, UM Strategy

Identification de vendeurs potentielsSmartZip, First.io

Evaluation immobilièreZillow, HouseCanary, MeilleursAgents

Ciblage d’acheteurs / RecommandationSmartZip, Offrs, Trulia

Prix de l’immobilier : du big data à la prévision

Data Dashboards Predictive AnalyticsData Aggregators

Donnée brute Machine learning

Estimation / Evaluation

Zillow – Zestimate Forecast

1M+ ML models

Econometric model for house

price forecast

Zipcode level

Prévision à 12 mois

Cible retail

Résidentiel uniquement

House Canary

“Imagine...what we would do, if

we could understand where real

estate prices are going.”

• Conseil en investissement

• Prévision à 36 mois

• Résidentiel US

• Retail / institutionnels

House Canary

Prévisions sur la base de

données historiques:

• Marché immobilier

• Macro-économie

• Taux et crédits

• Données sociales

• Demande

• Données cadastrales

• …




UM StrategyPrévision de l’impact des évolutions urbaines sur les marchés immobiliers

Evolution des infrastructures de transport

Evolution des activités économiques

(emplois, entreprises…)

Rénovation urbaine

Phénomènes de gentrification

Marché immobilier

Prix & Loyers

Résidentiel & Bureau

Technologie

1. Big DataNous réunissons toute la donnée « sous jacente » disponible sur les

villes : emplois, résidents, entreprises, transports, immobilier, etc.

2. Pattern recognitionNous étudions les patterns sous-jacents et analysons les liens entre les

variables urbaines et immobilières.

3. Machine learningNos algorithmes s’entrainent et apprennent des données pour rendre

ces liens explicites.

4. PrévisionNos algorithmes prévoient l’impact des évolutions urbaines sur les prix

et les loyers, pour l’immobilier résidentiel et de bureau

Technologie

Capacité prédictive

Prix au m², immobilier résidentiel, à l’IRIS : >92%

Loyers au m², immobilier de bureau, à l’actif : >86%

« Sous-Jacents »

Emplois

Entreprises

Résidents

Economie

Transport

….

Immobilier

Prix

Loyer

DémoImpacts du Grand Paris Express

200km de nouvelles lignes de métro

65 nouvelles stations

Surperformance du résidentiel

Faible

Lignes de métro existantes

Nouvelles lignes de métro (2023)

Forte

Nos algorithmes montrent une très forte

hétérogénéité de la surperformance liée

au Grand Paris Express

UM Strategy

Solutions

Analyse de marché et identification des zones à plus fort potentiel

Analyse prédictive d’actifs ou de portfolios

Conseil en allocation

Screening systématique des actifs disponibles sur le marché

BIG DATA ET MODÈLESPRÉDICTIFS EN IMMOBILIER

ETAT DES LIEUX ET POTENTIALITÉS

Loeiz BOURDICPrésident Fondateur

UM Strategy

Intervention IEIF13 octobre 2016

Big Data et modèles prédictifs en immobilier : état des lieux et potentialités

Loeïz Bourdic Président et fondateur

URBAN MORPHOLOGY STRATEGY

Adrien Rospabé Directeur associé

AKEANCE CONSULTING

Réunion du 13 octobre 2016

Documents

Big Data et modèles prédictifs en immobilier : état des ... · Rénovation urbaine Phénomènes de gentrification Marché immobilier Prix & Loyers Résidentiel & Bureau. Technologie