L’immobilier n’a pas loupé le virage de la transformation digitale. A la fois important producteur et consommateur de données, ce secteur réunit les critères de choix pour tirer son épingle du jeu à l’ère du Big Data.
De nombreuses données
Le secteur immobilier produit quotidiennement des milliers de données pouvant être mises au service de ses acteurs. En ce sens, les bases de données de transactions immobilières compilées par les agences immobilières et les notaires sont de vraies mines d’or. En France, les bases notariales BIEN (région Ile-de-France) et PERVAL (province et Dom-Tom) regroupent plus de 20 millions de références. Pour un bien donné, elles permettent de relier un prix à non seulement une localisation géographique mais également à de nombreuses caractéristiques intrinsèques telles que la surface, le nombre de chambres, le mode de chauffage, l’étage, etc. Ajoutons à cela toutes les caractéristiques externes auxquelles ce bien est soumis de par son environnement et la caractérisation est rendue infinie. On peut par exemple prendre en compte les distances aux différentes infrastructures (transports, écoles, commerces), la situation urbanistique (classement, zonage), ou encore des données moins tangibles telles que le taux de criminalité, la qualité de l’air, etc. Là encore, une multitude de données sont disponibles auprès des organismes municipaux pour enrichir l’équation.
Au service de nombreuses applications
En compilant toutes ces données pour des millions de biens, la régression par Machine Learning supervisé permet d’obtenir une estimation des prix du marché en fonction d’une batterie de caractéristiques et d’une localisation précise. Certains sites proposent par exemple une cartographie des prix au m² avec une précision par immeuble ou par station de métro. En ajoutant à cela une dimension temporelle basée sur les historiques de ventes, les algorithmes de Machine Learning supervisé peuvent analyser l’évolution du marché et prédire sur plusieurs mois voire années les prix selon les mêmes critères que ceux évoqués précédemment. En parallèle, l’optimisation des ventes peut également passer par l’utilisation de Machine Learning non supervisé pour segmenter les profils d’acheteurs et donc mieux cibler les offres.
Le potentiel des annonces immobilières
Les données d’annonces immobilières sont encore peu exploitées car elles manquent de précision géographique (les adresses ne sont en général pas mentionnées) et les prix sont souvent biaisés par la subjectivité des vendeurs. Pourtant, les technologies de Web Scraping les rendent très accessibles et elles recèlent de nombreuses informations dans leur texte et leurs photos. Les analyses textuelles par Natural Language Processing (NLP) et Text Mining permettent en effet d’enrichir la caractérisation d’un bien en corrélant son prix à des mots-clés tels que “à rénover” ou “au calme”. Bien souvent, on pourra également y trouver des informations sur le quartier et les commodités à proximité. De la même façon, on peut imaginer l’utilisation de technologies de vision par ordinateur (Computer Vision) pour analyser les photos et en tirer des informations comme la luminosité ou la présence d’espaces verts avoisinants. En parallèle, l’étude du nombre d’annonces similaires et de leur durée de vie peut offrir un aperçu de la balance offre-demande d’une région donnée.
En définitive, de par l’abondance des données utilisables, le secteur immobilier a déjà vu naître de nombreuses solutions digitales ces dernières années. Toutefois, l’évolution perpétuelle des technologies de Data Science et d’Intelligence Artificielle ouvre la porte a toujours plus de nouvelles perspectives et fonctionnalités.
--
Marina Cappai