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 »
3© 2016 Akeance Consulting - Tous droits réservés
Akeance consulting en bref
4© 2016 Akeance Consulting - Tous droits réservés
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
5© 2016 Akeance Consulting - Tous droits réservés
Étude : Lettres de l’immobilier trimestrielles :
Lettres de l’immobilier(hors-série) :
Articles :(BusinessImmo, Réflexions
Immobilières, Immobilier et Services)
Nos publications
6© 2016 Akeance Consulting - Tous droits réservés
Akeance positionné dans la constellation des "consultants en stratégie" par BusinessImmo (N°124 - avril 2016).
Une expertise reconnue
7© 2016 Akeance Consulting - Tous droits réservés
Sommaire
– Présentation d’Akeance Consulting
– Extrait de notre étude « Big data, état des lieux et potentialités »
8© 2016 Akeance Consulting - Tous droits réservés
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
11© 2016 Akeance Consulting - Tous droits réservés
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
12© 2016 Akeance Consulting - Tous droits réservés
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 »
13© 2016 Akeance Consulting - Tous droits réservés
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.
14© 2016 Akeance Consulting - Tous droits réservés
– 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 ?
15© 2016 Akeance Consulting - Tous droits réservés
– 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
…
Big data, Machine learning, intelligence artificielle…
Exemple d’application autour du projet du Grand Paris
Applications au monde de l’immobilier
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
• …
Big data, Machine learning, intelligence artificielle…
Exemple d’application autour du projet du Grand Paris
Applications au monde de l’immobilier
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