Onde prestar cuidados: utilizando data para identificar os locais ideais para lares de idosos

Escolher o local ideal para uma casa de repouso não é tarefa fácil.

Um bom local para uma casa de repouso precisa atender a centenas de requisitos complexos relacionados ao ambiente e à localização para alcançar uma taxa de ocupação sustentável. Com um custo médio por residente de £ 1.500 por semana em um mercado competitivo, há pouca margem para erros.

Tradicionalmente, os compradores de terrenos têm recorrido a décadas de experiência adquirida com muito esforço, data públicos e comerciais disponíveis data às informações fornecidas por corretores locais para tomar decisões complexas de investimento imobiliário. No entanto, data em nível nacional data quase 40% das residências não atingem os índices de ocupação desejados (acima de 80%) após 5 anos de operação.

Os seres humanos não conseguem processar as enormes quantidades de data micro e macroeconômicos data em todos os códigos postais da Inglaterra e do País de Gales, o que torna praticamente impossível identificar as complexas correlações e relações que existem entre as centenas de conjuntos de dados. A experiência humana pode nos fornecer a maior parte das respostas, mas, aliada ao poder da data , pode levar a melhorias significativas.

A Arca Blanca foi procurada por uma grande construtora e operadora de lares de idosos do Reino Unido com o objetivo de combinar o conhecimento e a experiência de seus agentes imobiliários com nossas capacidades data e data imobiliários. Por meio dessa colaboração, desenvolvemos um poderoso modelo de aprendizado de máquina que utiliza tanto data internos do cliente data como o desempenho individual dos lares de idosos) quanto mais de 450 data externas (demográficas, micro e macroeconômicas) que abrangem os últimos 30 anos.

Nos propusemos a determinar a probabilidade de um lar de idosos atingir uma taxa de ocupação superior a 80% nos próximos 5 anos, analisando as variações na ocupação ao longo do tempo.

Para permitir uma previsão de ocupação robusta, data externos, data data demográficos data renda, geografia e o índice de áreas verdes da região, são essenciais e devem ser combinados com os data internos da casa de repouso. Identificamos que uma atualização mensal da ocupação interna é a mais vantajosa, pois ajuda a identificar e minimizar os efeitos causados pela sazonalidade.

Para cada período (mensal, neste caso), podemos encarar o problema como uma “classificação” (“A ocupação será de 80% no final do 5º ano? Sim ou Não”) ou como uma “previsão”: (“Qual será a porcentagem de ocupação da residência no final do 5º ano?”). Além disso, podemos adotar a última abordagem para prever as tendências de ocupação ao longo dos 5 anos — um método preferencial quando data é limitada.

Para obter previsões de alta precisão, a abordagem escolhida deve ser combinada com técnicas como o ajuste de hiperparâmetros e a validação cruzada, a fim de identificar os parâmetros adequados para o modelo, maximizando assim a precisão das previsões em data novos ou não observados.

O algoritmo é treinado com mais de cinco anos de data internos e externos data mas sua precisão também deve ser testada em data ainda não tenha “visto”. Isso é feito reservando alguns locais cuja ocupação histórica já conhecemos e submetendo-os ao modelo treinado. Para isso, aplicamos uma regressão ao modelo com base nos dados históricos da data em que os locais entraram em operação, a fim de verificar o que ele teria previsto naquele momento e o que acabou sendo alcançado. A diferença absoluta entre a ocupação real e a ocupação prevista é chamada de erro de previsão. O modelo deve ser ajustado usando uma abordagem iterativa para manter esse erro o mais baixo possível.

Este modelo foi testado em uma ampla variedade de locais e apresenta uma taxa média de erro de apenas 9% — um resultado significativamente melhor do que as previsões atuais feitas por seres humanos. Trata-se de um resultado incrível, considerando as variações históricas na data e disponibilidade data .

Os modelos de aprendizado de máquina situam-se em um espectro que vai de altos graus de explicabilidade (caixa branca) a altos níveis de precisão (caixa preta). Na Arca Blanca, buscamos alcançar um equilíbrio ideal entre os dois. Sem qualquer explicabilidade, a adoção do modelo torna-se complexa, pois ele será visto com desconfiança. A falta de precisão gera o mesmo problema, mas de uma maneira diferente.

Neste projeto, buscamos um nível extremamente alto de precisão, mas fornecemos graus de confiança nos resultados com base na disponibilidade dos data, na presença de valores atípicos e na confiança geral nos resultados, com base em intervalos estatísticos. Isso é complementado por volumes significativos de data locais data apresentam forte relação com os resultados. Em conjunto, esses elementos traçam um quadro convincente dos níveis de confiança nos resultados e dos fatores que podem influenciá-los.

Nosso cliente adotou o modelo como um componente essencial de seus comitês de investimento. Criamos um painel personalizado para permitir uma tomada de decisão mais rápida e precisa nas reuniões do conselho (substituindo a complicada visão interna da empresa), de modo que possam simular cenários em tempo real e descartar um grande número de locais potenciais sem a necessidade de investigações demoradas e onerosas ou visitas ao local. Todas as oportunidades de aquisição de terrenos são agora rapidamente priorizadas; os data locais data como os resultados do modelo, constituem um apoio diário e essencial para a equipe de aquisição de terrenos.

É importante ressaltar que a organização adotou o aprendizado de máquina e o potencial que ele oferece — não como uma ameaça aos empregos e às formas de trabalho, mas como uma ferramenta essencial para criar vantagens competitivas em um mercado de investimentos complexo e desafiador.

“A complexidade de interpretar centenas de variáveis para definir suas relações com o sucesso destaca a necessidade de modelos AI para aprimorar a tomada de decisões humana.”

A combinação data múltiplas data pode proporcionar uma compreensão abrangente dos diversos fatores que influenciam as taxas de ocupação. Em um caso específico envolvendo uma construtora de casas de repouso, descobrimos que a presença de piscinas nas proximidades era um dos cinco principais fatores que impulsionavam a ocupação — algo que um corretor imobiliário pode facilmente deixar passar despercebido! A complexidade de interpretar inúmeras características demográficas, piscinas, indicadores de áreas verdes e centenas de outras variáveis para definir suas relações com o sucesso destaca a necessidade de modelos AI para aprimorar a tomada de decisões humana.

Onde AI apresentam limitações, especialmente no setor imobiliário, é na interpretação de comportamentos humanos irracionais. Residentes idosos podem estar dispostos a se deslocar por distâncias maiores para chegar a lares de idosos se estes estiverem mais próximos de amigos ou parentes; talvez se mudem para acompanhar um filho ou uma filha que acabou de se mudar para outra região por causa de um novo emprego. Talvez não tenham parentes e queiram se mudar mais para o sul em busca de um clima “melhor” e da qualidade claramente superior do fish & chips local.

É igualmente fundamental reconhecer que nem todas as regiões do Reino Unido dispõem de data demográficos robusta ou as catalogam da mesma forma (sendo a Escócia uma diferença notável). AI também só podem analisar variáveis para as quais data históricos robustos e de qualidade — não podem avaliar a qualidade da vista de um determinado local ou a simpatia dos gestores das casas de repouso. Não podem avaliar a qualidade da alimentação em lares concorrentes nem compreender as características específicas do jardim de um lar ou sua programação de atividades. Assim, as limitações inerentes a essas AI devem ser compreendidas. Elas não podem ser a única fonte de informação na tomada de decisões. Até que os seres humanos deixem de tomar decisões irracionais, AI não AI (ainda) os corretores imobiliários experientes. Elas complementam a tomada de decisão humana, em vez de substituí-la.

Em última análise, a implementação bem-sucedida de modelos de previsão de ocupação requer uma abordagem equilibrada que integre insights data com a experiência e o conhecimento humanos. A utilização de data hiperlocais demográficos, macroeconômicos, de varejo, empresariais e imobiliários data prever os níveis de ocupação vai muito além do setor de lares de idosos e pode ser aplicada a outras classes de ativos (alojamentos estudantis, escritórios, varejo, I&L etc.). As equipes de marketing podem aproveitar esse conceito para planejar campanhas direcionadas com base na densidade populacional de locais específicos, bem como compreender melhor o número ideal de unidades ou quartos e seus níveis de preços ótimos. Ao aproveitar o poder do big data, os executivos podem tomar decisões mais bem informadas e otimizar as operações.

Este projeto foi conduzido por uma equipe conjunta de consultores de gestão, Data e especialistas em tecnologia ao longo de um período de 16 semanas, em colaboração constante com a equipe do cliente. O projeto foi executado em duas fases. A primeira consistiu na criação de uma Prova de Conceito de custo relativamente baixo e baixo compromisso, ao longo de um período de 4 semanas, para garantir que um modelo preciso pudesse ser construído, enquanto a segunda fase, de 12 semanas, consistiu no fortalecimento do modelo com data adicionais e algoritmos mais robustos, além da criação de um painel personalizado para interação dos usuários.