Vous êtes-vous déjà demandé pourquoi certaines propriétés commerciales fonctionnent simplement tandis que d’autres sont assis là comme des papier papier coûteux? J’ai passé beaucoup trop d’années à penser que c’était une question de localisation, de pieds carrés ou d’avoir de la chance avec le timing. Quand j’ai commencé à utiliser RèneLa plate-forme d’analyse, elle m’a ouvert les yeux sur la quantité de différence réelle qui se cache généralement à la vue – enterrée dans des données que la plupart d’entre nous ne prennent jamais la peine de creuser.
Je suis dans l’immobilier commercial depuis 15 ans maintenant, et honnêtement, la façon dont nous trouvons des propriétés aujourd’hui par rapport à la façon dont nous l’avons fait il y a cinq ans est la nuit et le jour. Auparavant, nous étions sur qui vous connaissiez et en faisant confiance à votre intestin. Ne vous méprenez pas, les relations comptent toujours, mais si vous prenez des décisions d’un million de dollars basées sur des intuitions pendant que vos concurrents utilisent des données réelles? Vous jouez essentiellement au poker avec la moitié de vos cartes face cachée.
Toute l’industrie passe de «cela semble bien» à «voici exactement pourquoi cela fonctionne», et cela se produit plus vite que la plupart des gens ne le pensent. Nous n’attendons plus de bonnes propriétés pour frapper le marché – nous prédisons où les prochaines opportunités apparaîtront avant même que quelqu’un d’autre sache qu’ils existent.
Alors permettez-moi de vous expliquer la façon dont Big Data modifie complètement l’immobilier commercial, et plus important encore, comment vous pouvez commencer à l’utiliser sans avoir besoin d’un diplôme en informatique.
La recherche de propriété commerciale traditionnelle: limitations et points de friction
Listes manuelles et données obsolètes
Dieu, tu te souviens du vieux temps? Je parle peut-être 2015, 2016 – je passerais des soirées entières courtisées sur mon ordinateur portable, essayant de faire correspondre les annonces de trois courtiers différents qui semblaient tous travailler avec des informations complètement différentes. La moitié des sites Web semblaient n’avoir pas été mis à jour depuis que Bush était président, et je finirais par appeler tous les contacts de mon téléphone juste pour déterminer si une propriété était réellement disponible.
La partie frustrante n’était pas seulement le temps – elle manquait des offres car au moment où j’avais reconstitué suffisamment d’informations pour faire un pas, quelqu’un d’autre l’avait déjà saisi. J’ai perdu le compte du nombre de fois que j’aurais enfin tous mes canards d’affilée seulement pour découvrir que la propriété était sous contrat depuis deux semaines.
Et voici la chose qui me tue – beaucoup d’entreprises font toujours cela. Ils sont coincés avec des portails d’inscription qui montrent des propriétés comme «disponibles» lorsqu’ils ont vendu il y a six mois, et ils gérent tout dans les feuilles de calcul Excel qui rendraient un comptable des années 1990 fier. Dans un marché où les offres se déplacent en heures et une mauvaise décision peut coûter des millions de personnes, cette approche à l’ancienne, c’est comme apporter un téléphone à bascule à une lutte pour smartphone.
Les problèmes commerciaux de recherche immobilière ne sont pas seulement ennuyeux – ils sont chers. Ces inefficacités de Cre coûtent de l’argent réel et des opportunités réelles chaque jour, et la plupart des gens l’acceptent comme «comment les choses fonctionnent».
Manque d’intelligence intégrée
Mais même lorsque vous pouviez trouver des données décentes, elle était dispersée partout comme si quelqu’un avait pris un puzzle et avait caché les pièces dans différents bâtiments. Vous voulez des informations de zonage? C’est un site Web. Modèles de trafic piétonnier? Plate-forme complètement différente. Incitations fiscales? Mieux j’espère que vous connaissez quelqu’un à l’hôtel de ville. Mélange de locataires dans les bâtiments voisins? Bonne chance pour l’obtenir sans embaucher un cabinet de recherche et attendre trois semaines pour un rapport qui coûte plus cher que les voitures de la plupart des gens.
Je me souviens de cette offre de vente au détail où j’avais besoin de comprendre le paysage concurrentiel. Au moment où j’avais recueilli des informations à partir de peut-être sept ou huit sources différentes – et payé des frais de consultation qui ont fait remettre en question mon client mon jugement – le propriétaire avait déjà signé avec quelqu’un d’autre qui avait apparemment son acte ensemble et a déménagé plus rapidement.
Cette fragmentation n’est pas seulement ennuyeuse – c’est dangereux. Lorsque vous ne pouvez pas voir l’image entière, vous n’évaluez pas une propriété. Vous faites des suppositions éduquées et vous traversez les doigts. Ce n’est pas une stratégie commerciale; C’est jouer avec l’argent des autres.
Qu’est-ce que le Big Data et pourquoi il est important en Cre
Fondamentaux des mégadonnées dans l’immobilier
D’accord, lorsque les gens entendent «Big Data», leurs yeux se rétractent généralement parce qu’ils pensent que cela signifie plus de feuilles de calcul et plus de chiffres. Ce n’est pas ce dont nous parlons ici – ce serait juste un plus gros mal de tête.
Les mégadonnées dans l’immobilier signifient prendre des quantités massives d’informations – taux d’occupation, histoires de location, changements démographiques, modèles de trafic, indicateurs économiques – et les exécuter à travers des algorithmes suffisamment intelligents pour repérer les modèles qu’aucun humain ne pouvait attraper. C’est comme avoir un assistant vraiment intelligent qui ne dort jamais et peut traiter des informations environ 10 000 fois plus rapidement que vous.
Ce qui rend cela différent de l’époque, ce n’est pas seulement plus d’informations – c’est d’avoir des informations plus intelligentes. Nous utilisons en fait maintenant la science des données au lieu de simplement des calculatrices sophistiquées. Cela signifie que nous pouvons prédire ce qui va se passer sur les marchés au lieu de simplement réagir à ce qui s’est déjà passé. Selon CommercialObserver.com, cette approche change fondamentalement la façon dont les professionnels évaluent les risques d’investissement et rationalisent les acquisitions.
Types d’ensembles de données utiles
Dans mon travail quotidien, j’ai trouvé trois types de données qui me donnent régulièrement un avantage:
L’intelligence démographique est énorme. J’utilise la reonomy pour suivre les changements de quartier – pas seulement les éléments évidents comme la nouvelle construction, mais les changements subtils du revenu des ménages, les modèles de dépenses, les préférences de style de vie qui signalent où la croissance se dirige ensuite. Ceci est absolument essentiel pour les projets de vente au détail et à usage mixte où vous devez comprendre qui va réellement franchir la porte.
Les données de localisation mobile sont de l’or pur. Placer.ai me fournit des données anonymisées sur le trafic piétonnier qui montrent comment les gens utilisent vraiment des espaces tout au long de la semaine. Vous seriez choqué à quel point un emplacement qui a l’air mort lors de votre visite du site du mardi après-midi bourdonne absolument le samedi matin ou les soirs en semaine.
Les données du capteur IoT – toutes ces technologies de construction intelligentes qui suivent tout, de l’efficacité du CVC à l’utilisation réelle de l’espace – me donne des données opérationnelles en temps réel. Cela m’aide à évaluer si une propriété a l’air bien sur papier ou fonctionne bien pour les personnes qui l’utilisent.
Lorsque vous combinez tout cela, au lieu de prendre des décisions basées sur des informations incomplètes et des sentiments intestinaux, vous travaillez avec une image complète que la plupart de vos concurrents ne savent même pas.
Applications clés du Big Data dans la recherche CRE
Sélection et prévision de la demande du site – Au lieu de conduire dans les quartiers dans l’espoir de repérer les tendances, je envisage des données démographiques, des modèles de mobilité et des analyses du trafic pour identifier les zones prometteuses avant de frapper le radar de tout le monde. C’est comme avoir des informations d’initiés, sauf que tout est accessible au public si vous savez où chercher.
Analyse des concurrents et du marché – Rappelez-vous quand une intelligence concurrentielle signifiait passer des appels téléphoniques maladroits en essayant de trouver quelqu’un prêt à partager des tarifs de bail? Maintenant, je peux analyser l’activité de location, les tendances des prix et le roulement des locataires sur des marchés entiers. Je peux voir quelles zones deviennent sursaturées et lesquelles encore de la place pour grandir.
Tendances de viabilité et de tarification des investissements – C’est là que les données paient vraiment pour elle-même. En examinant les modèles de croissance des prix locaux et les cycles de propriété, je peux prédire les risques d’investissement et calculer le retour sur investissement avec une confiance réelle au lieu de l’espoir et de la prière.
Prévisions des risques et conformité – Personne n’aime les surprises coûteuses, en particulier les légales. En suivant les changements de zonage, les données sur les risques climatiques et les changements réglementaires, je peux protéger les clients contre les désagrément sur des surprises qui pourraient tuer un accord des mois après la conclusion.
Les mégadonnées ne vous donnent pas seulement de petits avantages ici et là – il recâble complètement la façon dont vous pensez prendre des décisions. Au lieu de réagir à ce que vous pouvez voir, vous anticipez ce qui arrive.
J’avais ce client logistique qui était absolument amoureux de cette propriété d’entrepôt. Très bien situé, prix raisonnable, tout avait l’air parfait. Mais lorsque nous nous sommes creusés dans les modèles de trafic historiques et les données régionales de fret, les chiffres ont raconté une autre histoire. La propriété avait des problèmes d’efficacité logistique qui leur auraient coûté une fortune dans les retards et les coûts de transport supplémentaires.
Mon client n’était pas ravi lorsque j’ai recommandé de le faire passer, mais six mois plus tard, la société qui l’a acheté était traitée exactement aux problèmes de livraison que nous avions prévus. Parfois, être le porteur de mauvaises nouvelles porte ses fruits.
Une autre fois, j’ai aidé un investisseur à décider entre les couloirs technologiques émergents et les zones industrielles établies. Les marques de chaleur du marché de Hellodata.ai et Compstak nous ont montré exactement où la demande se dressait et où elle commençait à se plateau. Cette intelligence nous a permis d’acheter au début d’un cycle de croissance au lieu de se présenter après que toutes les bonnes opportunités ont disparu.
Exemples du monde réel sur le terrain (y compris le mien)
Étude de cas 1 – Utilisation de l’analyse du trafic piétonnier pour garantir un bail de vente au détail
Cet accord a parfaitement montré comment les données peuvent retourner ce qui semble être une décision évidente. Je travaillais avec un client de vêtements haut de gamme à la recherche d’un nouvel emplacement de Toronto. Ils l’avaient réduit à deux espaces du centre-ville qui étaient pratiquement identiques – un loyer similaire, un trafic piétonnier similaire lorsque nous avons visité, tout.
Mais lorsque nous avons tiré les données Placer.ai, ces emplacements avaient des modèles de trafic complètement différents. La première propriété était occupée du lundi au vendredi pendant les heures du déjeuner – la circulation piétonne professionnelle classique. Le second était mort en semaine mais a pris vie le week-end avec une foule totalement différente.
Étant donné que les clients de mon client travaillaient des professionnels qui ont acheté pendant les pauses déjeuner, le choix est devenu évident. Nous sommes allés avec l’emplacement de la semaine, et dans les cinq mois, les ventes ont battu des projections de 18%.
Ce n’était pas moi qui était brillant – c’était les bonnes données au bon moment pour faire ce qui ressemblait à une décision intelligente, mais c’était vraiment juste logique.
Étude de cas 2 – Analyse prédictive de la demande d’entrepôt industriel
Cet investissement industriel récent a vraiment montré à quel point l’analyse prédictive peut vous donner un avantage sérieux. Nous avons utilisé Blooma.ai pour analyser les taux d’absorption du marché, la croissance du PIB régional et les pipelines de vacance pour modéliser la demande future.
L’analyse a révélé que les zones de banlieue le long des autoroutes secondaires étaient sur le point de voir une augmentation du taux de location de 28% sur deux ans, entraînée par l’expansion du commerce électronique et l’évolution des modèles de distribution.
Cette perspicacité a déplacé toute notre stratégie d’acquisition. Au lieu de concurrencer les propriétés dans des endroits évidents où tout le monde cherchait, nous avons acheté deux propriétés dans ces couloirs émergents à des prix inférieurs au marché. Au moment où le marché a fait son chemin, nous étions assis jolis.
Ce ne sont pas des pauses chanceuses – c’est ce qui se passe lorsque vous appliquez constamment de bonnes données à vos décisions.
Outils, plates-formes et stratégies pour commencer
Plates-formes CRE basées sur les données
Permettez-moi de partager les plateformes que j’utilise réellement, car il ne sert à rien de recommander des outils que je n’ai pas testés dans de vraies offres:
Reonomy est mon choix pour la recherche immobilière. Leurs données sur l’historique de propriété sont incroyablement détaillées et les filtres à usage des terres m’aident à réduire rapidement les possibilités sur les grands marchés. L’interface pourrait être plus jolie, mais la qualité des données est solide.
Placeur.ai est de loin le meilleur outil de trafic piétonnier que j’ai trouvé. La possibilité de voir des données de localisation anonymisées au fil du temps m’a sauvés de plusieurs mauvaises décisions de vente au détail et a aidé à identifier les gagnants inattendus.
Compstak C’est là que je vais pour les comparables de bail. Leur base de données est complète et la recherche a du sens, ce qui est plus que ce que je peux dire pour certaines plateformes.
Floca est mon dernier ajout. Je suis impressionné par leur approche d’apprentissage automatique pour évaluer les prêts et les investissements. Il est particulièrement utile pour les décisions de portefeuille plus importantes où vous devez traiter rapidement plusieurs scénarios.
Chaque plate-forme sert un objectif spécifique. N’essayez pas de tout apprendre à la fois – choisissez un ou deux qui abordent vos plus gros points de douleur, se mettez à l’aise, puis développez votre boîte à outils.
Comment apprendre et configurer votre propre pile d’analyse
Commencez par évaluer honnêtement où votre processus est le plus faible. Vous êtes aux prises avec des comparables de location? Vous avez du mal à évaluer la demande du marché? Vous ne savez pas comment évaluer les quartiers émergents?
Une fois que vous avez identifié vos lacunes, choisissez des outils qui abordent spécifiquement ces problèmes. J’associe également des outils de recherche avec des amplificateurs de performance:
Ahrefs Cela peut sembler bizarre pour l’immobilier, mais je l’utilise pour suivre les tendances de recherche et demander des signaux pour différents types de propriétés. Comprendre ce que les gens recherchent en ligne vous donne des indicateurs précoces de la demande de change.
Partage Aide lorsque je commercialise les propriétés en ligne. Leur analyse des titres optimise les listes et le matériel marketing pour un meilleur engagement.
Commencez simple – choisissez deux outils, entraînez votre équipe correctement, construisez à partir de là. Essayer de tout mettre en œuvre à la fois est une recette de frustration.
Défis et considérations éthiques
Biais de données et mauvaise interprétation
Voici ce dont la plupart des gens ne parlent pas – toutes les données ne sont pas objectives, et les algorithmes peuvent être tout aussi biaisés que les humains, parfois pire parce que nous leur faisons confiance aveuglément.
J’ai appris cette leçon lorsque je comptais fortement sur les données sur le trafic piétonnier pour un projet de vente au détail dans une zone mal desservie. Le suivi mobile montrait une activité plus faible que prévu, mais lorsque j’ai creusé plus profondément, la méthodologie était erronée. La zone comptait plus de résidents utilisant des téléphones plus anciens ou avec des services de localisation désactivés, ce qui a considérablement biaisé les données.
Passez en revue la méthodologie d’approvisionnement avant de prendre des décisions basées sur n’importe quel ensemble de données. Comprendre comment les données ont été collectées et les populations qui pourraient être sous-représentées peuvent vous éviter des erreurs coûteuses.
J’ai également fait une priorité de former mon équipe à interpréter les données, pas seulement à la consommer. Une personne qui a mal interprété la demande de cartes thermiques peut conduire à des décisions catastrophiquement mauvaises sur des offres de plusieurs millions de dollars.
Confidentialité et réglementations des données
Plus nous utilisons de données, plus nous devons les gérer correctement. Les lois sur la confidentialité comme le RGPD et le CCPA ne sont pas seulement des exigences légales – il s’agit de maintenir la confiance avec les personnes dont les informations nous aident à prendre de meilleures décisions commerciales.
Nous avons implémenté un processus d’audit tiers pour tout fournisseur de données avec lequel nous travaillons, ainsi qu’une liste de contrôle de conformité interne avant d’intégrer de nouvelles sources. Cela prend plus de temps à l’avance, mais la confiance est votre atout le plus précieux dans cette entreprise.
L’avenir de la recherche Cre
Analyse prédictive et idées d’IA
Nous entrons dans une phase où l’IA n’aide pas seulement à analyser les données – elle commence à faire des recommandations et à générer du contenu. Je vois des outils qui recommandent des propriétés basées sur des modèles d’investissement historiques, optimiser les feuilles de calcul des mélanges de locataires, même rédiger des propositions d’investissement préliminaires.
Des entreprises comme Blooma.ai utilisent déjà l’apprentissage automatique et le traitement du langage naturel pour évaluer l’origine de la dette en temps réel. C’est remarquable à quelle vitesse ces technologies évoluent.
Cartographie 3D et intelligence spatiale
Les outils d’intelligence spatiale en ligne sont incroyables. Pensez que Google Earth a fusionné avec des données de zonage en direct, des permis de construction et des modèles d’élévation – tous accessibles sur votre tablette lors des visites de site.
J’ai récemment testé un outil qui a superposé des modèles de terrain 3D avec des projets d’infrastructure à proximité et a immédiatement identifié des problèmes de classement qui auraient eu un impact sur les plans d’un client pour l’accès aux camions. Ce type de perspicacité nécessitait des géomètres et des ingénieurs d’embauche.
Conclusion et étapes d’action
Récapitulation des principaux plats à retenir
Les mégadonnées dans l’immobilier commercial ne sont pas un concept futur – cela se produit maintenant, et si vous ne l’utilisez pas, vous êtes déjà en retard. Que vous recherchiez des emplacements, des actifs de tarification ou de la gestion des risques de conformité, de meilleures données conduisent à de meilleurs résultats.
3 étapes pour commencer à tirer parti des mégadonnées aujourd’hui
Tout d’abord, vérifiez votre processus actuel. Soyez honnête sur où vous perdez du temps, en faisant des hypothèses et en manquant des opportunités parce que vous n’avez pas les bonnes informations.
Deuxièmement, choisissez une plate-forme et apprenez-la correctement. N’essayez pas de tout révolutionner à la fois. Choisissez quelque chose comme la reonomy pour la recherche ou le placeur.ai pour l’analyse du trafic, et devenez vraiment bon à l’utiliser.
Troisièmement, assurez-vous que toute votre équipe obtient cela. Les mégadonnées ne peuvent pas simplement être le travail des analystes. Tout le monde touchant les décisions immobilières doit comprendre comment interpréter et utiliser ces informations.
J’ai aidé des dizaines de clients à faire cette transition, et je suis toujours heureux de partager ce que j’ai appris. L’avenir appartient à des professionnels qui peuvent transformer les données en perspicacité et un aperçu de l’action.
