Il modello matematico che stima il valore commerciale di un immobile

“Buy land, they’re not making it anymore.”

—Mark Twain, writer and humorist

Il valore del mercato che circonda gli immobili in Italia è superiore alla media europea. Circa un quinto del PIL nazionale è, difatti, rappresentato dal comparto immobiliare.
Compravendite, affitti, mutui e investimenti sono fondamentalmente basati sul valore degli immobili, ed è dunque di primaria importanza la metodologia con cui questo valore viene stimato.

Trade-off nelle perizie immobiliari

Ogni volta che deve essere fatta una stima, è importante accertare quanta precisione sia richiesta.

In generale, a un maggior numero di dati e a più tempo a disposizione corrisponde un valore più affidabile, ma al crescere della precisione cresce anche il costo. Per questa ragione esistono differenti tipologie di perizie, che richiedono un diverso impegno da parte dei periti e, di conseguenza, un diverso costo e una diversa affidabilità. Le perizie meno impegnative sono di tipo “desktop”, in cui il perito raccoglie i dati sull’immobile e si fa un’idea della zona senza nemmeno lasciare l’ufficio, e le più impegnative sono di tipo “full”, in cui il perito raccoglie i dati sull’immobile, sulla zona e sullo storico dell’andamento dei prezzi, e si reca in loco per effettuare un’attenta analisi di interno, esterno e dintorni.

Tutte le opzioni di perizie “classiche” nel range desktop<—>full  hanno in comune una cosa: richiedono l’intervento umano di un esperto del settore.
Questa limitazione non solo non permette di ridurre i costi e i tempi sotto una certa soglia, ma introduce anche un bias nelle valutazioni, che possono avere valori diversi a seconda della predisposizione dell’operatore incaricato.

La diffusione dei tool di AVM

Per rispondere all’esigenza di ridurre costi e tempi delle perizie immobiliari sono nati i primi servizi di Automated Valuation Model. Il core di ogni AVM è basato su modelli matematici che restituiscono la stima del valore di un immobile a partire da alcuni dati standard in input. A seconda delle esigenze e dei dati disponibili (che possono variare anche notevolmente a seconda del luogo e delle normative vigenti) i servizi di AVM possono essere più o meno precisi e fornire ulteriori indicazioni.

I primi rudimentali esemplari di tool di AVM risalgono addirittura a un paio di decadi fa, e utilizzavano semplici modelli che integravano aggiustamenti di prezzo basati su tabelle manualmente aggiornate dai periti. Benché considerevolmente inaffidabili, sono stati utilizzati principalmente per fornire un ausilio alla valutazione per gli operatori umani, aiutando a diminuire le tempistiche senza alterare i costi di svolgimento delle perizie.

“Automation is cost cutting by tightening the corners and not cutting them.”

―Haresh Sippy, Chief Founder of TEMA India

Recentemente, l’attenzione si è spostata su una nuova generazione di AVM, che mira ad incrementare considerevolmente l’affidabilità senza aumentare—anzi, addirittura potenzialmente riducendo—i costi. La tecnologia su cui si basano queste nuove generazioni è il Machine Learning, e pertanto i più innovativi sistemi di AVM, come quello sviluppato da Certimeter Group, possono essere considerati Intelligenze Artificiali a tutti gli effetti.

Il nostro AVM

Certimeter Group si è cimentata in un progetto di ricerca volto allo sviluppo di un AVM in collaborazione con una multinazionale operante nel settore immobiliare che conta circa 3500 professionisti ed opera in 28 Paesi in tutto il mondo. Il solo dipartimento di valutazione immobiliare di questo cliente genera volumi che superano le 60.000 pratiche all’anno.

Questo nuovo tool di AVM è stato progettato con l’ambizioso obiettivo di permettere delle valutazioni immobiliari precise, riducendo i costi ed eliminando il bias intrinseco dato dall’intervento umano. Non solo, ma grazie alla curata applicazione delle più adeguate tecniche di Machine Learning, ci siamo posti l’obiettivo di permettere a questo tool di imparare autonomamente dai propri errori basandosi sul feedback ricevuto.

Lo sviluppo del software ha seguito 3 fasi fondamentali:

1. Analisi dei Dati e Ricerca
2. Sviluppo della soluzione software più promettente
3. Integrazione nei processi del Cliente

Analisi e Ricerca

Nella prima fase di Ricerca l’approccio seguito è stato inizialmente data-driven. È stata effettuata un’analisi pura dei dati grezzi temporaneamente accantonando le conoscenze di processo; in tal modo è stato possibile trovare correlazioni nei dati che sarebbero altrimenti risultate difficilmente giustificabili.

“I never guess. It is a capital mistake to theorize before one has data.
Insensibly one begins to twist facts to suit theories, instead of theories to suit facts.”

—Sir Arthur Conan Doyle, Author of Sherlock Holmes stories

A seguito di questa prima analisi, è stata approfondita la conoscenza dei processi interni del Cliente e del flusso tipico delle valutazioni immobiliari, attraverso il confronto con esperti del settore ad ogni livello. Questo passo ha permesso di dare possibili spiegazioni alle relazioni tra le variabili estratte dai dati e ha fornito insight essenziali per estrarne di nuove. Una volta applicate queste conoscenze ad una nuova analisi, sono stati determinati i migliori modelli di Machine Learning per rispondere alla domanda originale: “quanto vale precisamente un immobile con le tali caratteristiche, nella tale zona?”

“The key to data science is to ask the right question and to question the right answer.”

—original aphorism

Tutti gli algoritmi candidati sono stati testati e confrontati utilizzando tecniche di cross-validazione annidata per simulare nella maniera più accurata possibile una situazione reale, ed ogni modello è stato perfezionato attraverso un fine-tuning dei rispettivi parametri attraverso tecniche di ottimizzazione basate su principi di statistica Bayesiana.

Sviluppo

Una volta terminata la componente di ricerca della soluzione ottimale al problema, è iniziata la fase di sviluppo del progetto software, che ha visto una stretta collaborazione tra i team di data science, backend e frontend. Una componente fondamentale di questa fase di sviluppo è stata una pianificazione a stretto contatto con il Cliente, per mantenere un solido allineamento di obiettivi e priorità.

In questa fase il progetto è stato esteso all’inclusione della ricerca automatica di buona parte dei dati necessari alla stima del valore di un immobile, riducendo drasticamente anche l’impegno di raccolta manuale di dati da parte dei periti. Inoltre, è stata implementata la possibilità di effettuare valutazioni massive, ottenendo nell’arco di pochi minuti la valutazione di centinaia o addirittura migliaia di immobili.

Integrazione

Infine, il software di stima automatica del valore degli immobili è stato integrato nel flusso delle perizie. Si occupa della parte di reperimento dei dati, della validazione della qualità di questi e, naturalmente, della parte di stima del valore. Tali valori possono essere utilizzati come valutazione finale o come indicazione per i periti a seconda della tipologia di valutazione richiesta.

Ogni volta che la stima del valore di un immobile viene validata da un perito (in controlli a campione o in valutazioni con AVM a supporto), il modello è in grado di apprendere da questa nuova istanza, che viene inserita nel data set di addestramento. Se il feedback da parte del perito è positivo, l’algoritmo viene rinforzato, mentre se il feedback è negativo, può imparare quali combinazioni dei dati in ingresso forniscono risultati diversi da quelli attesi, per non ripetere un errore simile in futuro.
Non solo questo meccanismo garantisce una diminuzione degli errori a tendere, ma permette al modello di rimanere aggiornato nel tempo, effettuando gli aggiustamenti mano a mano che le condizioni del mercato (e, quindi, il valore degli immobili) cambiano con il passare del tempo e della mutevole economia.

Conclusioni

Grazie alle tecniche utilizzate e ai dati forniti dal Cliente, l’AVM sviluppato come parte di questo progetto permette di effettuare valutazioni accurate e in autonomia. Inoltre, grazie al feedback e alla capacità di imparare, è anche in grado di fornire un intervallo di confidenza sulla stima effettuata. In altre parole, l’algoritmo è in grado di stimare l’intervallo di valori in cui può ricadere il vero valore di un immobile con una probabilità del 95%.

Per riassumere i principali punti di forza di questo tool:

• Accuratezza nella valutazione di immobili
• Affidabile stima della probabilità di correttezza della valutazione
• Capacità di imparare dai propri errori
• Riduzione dei costi di reperimento dati e valutazione da parte dei periti
• Stabilità nel tempo e al mutare delle condizioni del mercato
• Integrazione naturale nel flusso di lavorazione delle pratiche
• Possibilità di effettuare migliaia di valutazioni in un breve arco temporale

Lo sviluppo di questa soluzione di AVM si è intrecciato a molteplici progetti paralleli, che sono stati contemporaneamente fonti e recettori di ispirazione. Il tool è stato integrato in un nuovo gestionale, che è stato sviluppato nell’ambito di una ristrutturazione dei processi interni, e si interfaccia con l’app mobile, per portare l’innovazione direttamente nel palmo dei periti; inoltre le conoscenze estratte dall'analisi di dati per lo sviluppo del modello sono state incorporate nel progetto di Business Intelligence.

Infine, nonostante questo nuovo AVM sia già maturo e in grado di rispondere alle originali esigenze del Cliente, la ricerca di nuove tecnologie e nuovi dati per migliorare ulteriormente le capacità del modello di Machine Learning non potrà che continuare in futuro.