![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/11\/CDG.png\")
Escolher um local ideal para uma casa de repouso n\u00e3o \u00e9 f\u00e1cil.<\/p>\n<\/div>
- <\/i><\/span>\n
Ele tem os dados demogr\u00e1ficos corretos da popula\u00e7\u00e3o?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nH\u00e1 conex\u00f5es de transporte suficientes?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nH\u00e1 espa\u00e7os verdes e azuis suficientes?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nA densidade habitacional \u00e9 adequada?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nQual a dist\u00e2ncia que os moradores e visitantes percorrer\u00e3o?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nOs n\u00edveis de polui\u00e7\u00e3o do ar est\u00e3o muito altos?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nO com\u00e9rcio essencial \u00e9 acess\u00edvel a p\u00e9?<\/p>\n<\/div><\/li><\/ul>
Um bom local para uma casa de repouso precisa atender a centenas de requisitos ambientais e de localiza\u00e7\u00e3o complexos para atingir uma taxa de ocupa\u00e7\u00e3o sustent\u00e1vel. Com um custo m\u00e9dio para os residentes de \u00a31.500 por semana em um mercado competitivo, h\u00e1 pouco espa\u00e7o para erros.<\/p>\n<\/div>
Tradicionalmente, os compradores de terrenos usam d\u00e9cadas de experi\u00eancia adquirida com muito esfor\u00e7o, data p\u00fablicos e comerciais dispon\u00edveis e percep\u00e7\u00f5es de agentes locais para informar decis\u00f5es complexas de investimento em terrenos. Mas o data em n\u00edvel nacional mostra que quase 40% das resid\u00eancias n\u00e3o atingem os limites de ocupa\u00e7\u00e3o desejados (acima de 80%) ap\u00f3s 5 anos de opera\u00e7\u00e3o.<\/p>\n<\/div>
Os seres humanos n\u00e3o conseguem processar as grandes quantidades de data micro e macroecon\u00f4micas existentes em todos os c\u00f3digos postais da Inglaterra e do Pa\u00eds de Gales, e isso torna quase imposs\u00edvel identificar as complexas correla\u00e7\u00f5es e rela\u00e7\u00f5es existentes entre as centenas de datasets. A experi\u00eancia humana pode nos dar a maior parte da resposta, mas, juntamente com o poder da ci\u00eancia do data, pode levar a melhorias significativas.<\/p>\n<\/div>
A Arca Blanca foi procurada por um grande construtor e operador de casas de repouso do Reino Unido para combinar o conhecimento e a experi\u00eancia de seus agentes imobili\u00e1rios com nossos recursos cient\u00edficos de data e data platform de propriedades. Por meio dessa colabora\u00e7\u00e3o, criamos um poderoso modelo de aprendizado de m\u00e1quina que aproveita tanto o data interno do cliente (como o desempenho de cada casa de repouso) quanto mais de 450 fontes externas de data (demogr\u00e1ficas, micro e macroecon\u00f4micas) que abrangem os \u00faltimos 30 anos.<\/p>\n<\/div>
A solu\u00e7\u00e3o de aprendizado de m\u00e1quina<\/h2><\/div>
1) Analisar a ocupa\u00e7\u00e3o ao longo do tempo<\/h4><\/div>
Procuramos descobrir a probabilidade de uma casa de repouso atingir mais de 80% de ocupa\u00e7\u00e3o nos pr\u00f3ximos 5 anos, analisando as mudan\u00e7as na ocupa\u00e7\u00e3o ao longo do tempo.<\/p>\n<\/div>
Para possibilitar uma previs\u00e3o de ocupa\u00e7\u00e3o robusta, os data externos, como os data demogr\u00e1ficos sobre riqueza, geografia e o \u00edndice de espa\u00e7o verde da \u00e1rea, s\u00e3o essenciais e devem ser combinados com os data internos da casa de repouso. Identificamos que uma cad\u00eancia mensal de atualiza\u00e7\u00e3o da ocupa\u00e7\u00e3o interna \u00e9 mais ben\u00e9fica, pois ajuda a identificar e minimizar os efeitos causados pela sazonalidade.<\/p>\n<\/div>
2) Identificar o algoritmo correto<\/h4><\/div>
Para cada per\u00edodo de tempo (mensal, nesse caso), podemos ver o problema como \u2018categoriza\u00e7\u00e3o\u2019 (\u201cA ocupa\u00e7\u00e3o ser\u00e1 80% no final do 5\u00ba ano? Sim ou N\u00e3o\u201d) ou \u2018previs\u00e3o\u2019: (\u201cQual % da resid\u00eancia ser\u00e1 ocupada no final do 5\u00ba ano?\u201d). Al\u00e9m disso, podemos adotar a \u00faltima abordagem para prever tend\u00eancias de ocupa\u00e7\u00e3o ao longo dos 5 anos - um m\u00e9todo preferido quando a disponibilidade de data \u00e9 limitada.<\/p>\n<\/div>
Para obter previs\u00f5es de alta precis\u00e3o, a abordagem escolhida deve ser combinada com t\u00e9cnicas como ajuste de hiperpar\u00e2metros e valida\u00e7\u00e3o cruzada para identificar os par\u00e2metros corretos do modelo e maximizar a precis\u00e3o da previs\u00e3o em data novos\/n\u00e3o vistos.<\/p>\n<\/div>
3) Valida\u00e7\u00e3o do modelo<\/h4><\/div>
O algoritmo \u00e9 treinado com base em mais de 5 anos de data interno e externo, mas tamb\u00e9m deve ser testado quanto \u00e0 precis\u00e3o em data que ele n\u00e3o tenha \u2018visto\u2019 antes. Para isso, separamos alguns locais para os quais j\u00e1 conhecemos o hist\u00f3rico de ocupa\u00e7\u00e3o e os submetemos ao modelo treinado. Para isso, regredimos o modelo para a data hist\u00f3rica em que os locais entraram em opera\u00e7\u00e3o para ver o que ele teria previsto naquele momento e o que acabou sendo alcan\u00e7ado. A diferen\u00e7a absoluta entre a ocupa\u00e7\u00e3o real e a ocupa\u00e7\u00e3o prevista \u00e9 chamada de erro de previs\u00e3o. O modelo deve ser ajustado usando uma abordagem iterativa para manter esse erro o mais baixo poss\u00edvel.<\/p>\n<\/div>
Esse modelo foi testado em uma ampla variedade de locais e tem uma taxa de erro m\u00e9dia de apenas 9% - significativamente melhor do que as previs\u00f5es atuais feitas por humanos. Esse \u00e9 um resultado incr\u00edvel, considerando as varia\u00e7\u00f5es hist\u00f3ricas na qualidade e disponibilidade do data.<\/p>\n<\/div>
4) Criar confian\u00e7a no modelo<\/h4><\/div>
Os modelos de aprendizado de m\u00e1quina existem em um espectro entre altos graus de explicabilidade (caixa branca) e altos n\u00edveis de precis\u00e3o (caixa preta). Na Arca Blanca, n\u00f3s nos esfor\u00e7amos para alcan\u00e7ar um meio termo entre os dois. Sem nenhuma explicabilidade, a ado\u00e7\u00e3o do modelo se torna complexa, pois ele ser\u00e1 tratado com desconfian\u00e7a. A falta de precis\u00e3o cria o mesmo problema de uma forma diferente.<\/p>\n<\/div>
Nesse projeto, buscamos um n\u00edvel de precis\u00e3o extremamente alto, mas fornecemos graus de confian\u00e7a nos resultados com base na disponibilidade do data, na presen\u00e7a de outliers e na confian\u00e7a geral nos resultados com base em intervalos estat\u00edsticos. Isso \u00e9 complementado por n\u00edveis significativos de data local que t\u00eam uma forte rela\u00e7\u00e3o com os resultados. Juntos, esses dados tra\u00e7am um quadro convincente dos n\u00edveis de confian\u00e7a nos resultados e o que pode impulsionar esses resultados.<\/p>\n<\/div>
Mudan\u00e7a nas formas de trabalho<\/h2><\/div>
Nosso cliente adotou o modelo como um componente essencial de seus comit\u00eas de investimento. Criamos um painel sob medida para permitir uma tomada de decis\u00e3o mais r\u00e1pida e precisa nas reuni\u00f5es do conselho (substituindo a inc\u00f4moda vis\u00e3o interna), para que eles possam executar cen\u00e1rios ao vivo e descartar um grande n\u00famero de locais em potencial sem a necessidade de investiga\u00e7\u00f5es ou visitas demoradas e dispendiosas ao local. Todas as oportunidades de aquisi\u00e7\u00e3o de terras agora s\u00e3o rapidamente priorizadas; o data local, bem como os resultados do modelo, formam um suporte di\u00e1rio e essencial para a equipe de aquisi\u00e7\u00e3o de terras.<\/p>\n<\/div>
\u00c9 importante ressaltar que a organiza\u00e7\u00e3o adotou o Machine Learning e o potencial que ele oferece, n\u00e3o como uma amea\u00e7a aos empregos e \u00e0s formas de trabalho, mas como uma ferramenta essencial para criar vantagens exclusivas em um mercado de investimentos complexo e desafiador.<\/p>\n<\/div>
\n
\u201cA complexidade de interpretar centenas de vari\u00e1veis para definir suas rela\u00e7\u00f5es com o sucesso destaca a necessidade de modelos orientados por IA para aprimorar a tomada de decis\u00f5es humanas.\u201d<\/div>\n<\/blockquote>\n<\/div>Apoio \u00e0 decis\u00e3o, n\u00e3o tomada de decis\u00e3o<\/h2><\/div>
A combina\u00e7\u00e3o de v\u00e1rias fontes data pode oferecer uma compreens\u00e3o abrangente dos v\u00e1rios fatores que impulsionam as taxas de ocupa\u00e7\u00e3o. Em um caso de uso espec\u00edfico para um construtor de casas de repouso, descobrimos que os indicadores de piscinas pr\u00f3ximas eram um dos cinco principais fatores de ocupa\u00e7\u00e3o - algo que um agente imobili\u00e1rio pode facilmente ignorar! A complexidade de interpretar in\u00fameras caracter\u00edsticas demogr\u00e1ficas, piscinas, indicadores de \u00e1rea verde e centenas de outras vari\u00e1veis para definir suas rela\u00e7\u00f5es com o sucesso destaca a necessidade de modelos orientados por IA para aprimorar a tomada de decis\u00f5es humanas.<\/p>\n<\/div>
O ponto em que os modelos de IA ficam aqu\u00e9m, especialmente no setor imobili\u00e1rio, \u00e9 na interpreta\u00e7\u00e3o de comportamentos humanos irracionais. Os residentes idosos podem estar dispostos a percorrer dist\u00e2ncias maiores para buscar casas de repouso se estiverem mais pr\u00f3ximos de amigos ou parentes, talvez se mudem para acompanhar um filho ou uma filha que acabou de mudar de regi\u00e3o para um novo emprego. Talvez eles n\u00e3o tenham parentes e queiram se mudar mais para o sul por causa do clima \u201cmelhor\u201d e da qualidade claramente superior do fish & chips local.<\/p>\n<\/div>
Tamb\u00e9m \u00e9 fundamental reconhecer que nem todas as regi\u00f5es do Reino Unido t\u00eam uma coleta demogr\u00e1fica robusta de data ou as catalogam da mesma forma (a Esc\u00f3cia \u00e9 uma diferen\u00e7a not\u00e1vel). Os modelos de IA tamb\u00e9m s\u00f3 podem analisar vari\u00e1veis para as quais exista um hist\u00f3rico data robusto e de qualidade - n\u00e3o podem medir a qualidade de uma vista de um determinado local ou a simpatia dos gerentes das casas de repouso. N\u00e3o \u00e9 poss\u00edvel medir a qualidade da comida em casas de repouso concorrentes ou entender as qualidades espec\u00edficas do jardim de uma casa ou sua programa\u00e7\u00e3o de atividades. Dessa forma, as limita\u00e7\u00f5es inerentes a essas ferramentas de IA devem ser compreendidas. Elas n\u00e3o podem ser a \u00fanica fonte de informa\u00e7\u00f5es na tomada de decis\u00f5es. At\u00e9 que os seres humanos parem de tomar decis\u00f5es irracionais, a IA (ainda) n\u00e3o substituir\u00e1 agentes fundi\u00e1rios experientes. Elas complementam a tomada de decis\u00e3o humana em vez de substitu\u00ed-la.<\/p>\n<\/div>
Em \u00faltima an\u00e1lise, a implementa\u00e7\u00e3o bem-sucedida de modelos de previs\u00e3o de ocupa\u00e7\u00e3o requer uma abordagem equilibrada que integre os insights data-driven com o conhecimento e a compreens\u00e3o humanos. A utiliza\u00e7\u00e3o de dados demogr\u00e1ficos, macroecon\u00f4micos, de varejo, de neg\u00f3cios e de propriedades data hiperlocais para prever os n\u00edveis de ocupa\u00e7\u00e3o vai muito al\u00e9m do setor de casas de repouso e pode ser aplicada a outras classes de ativos (acomoda\u00e7\u00e3o para estudantes, escrit\u00f3rios, varejo, I&L etc.). As equipes de marketing podem aproveitar esse conceito para planejar campanhas direcionadas com base na densidade populacional de locais espec\u00edficos, bem como entender melhor o n\u00famero ideal de unidades ou quartos e seus n\u00edveis ideais de pre\u00e7os. Ao aproveitar o poder do grande data, os executivos podem tomar decis\u00f5es mais bem informadas e otimizar as opera\u00e7\u00f5es.<\/p>\n<\/div>
Esse projeto foi executado por uma equipe conjunta de consultores de gerenciamento, cientistas e tecn\u00f3logos da Data durante um per\u00edodo de 16 semanas em constante colabora\u00e7\u00e3o com a equipe do cliente. O projeto foi executado em duas fases. A primeira consistiu na constru\u00e7\u00e3o de uma Prova de Conceito de custo relativamente baixo e baixo comprometimento durante um per\u00edodo de 4 semanas para garantir que um modelo preciso pudesse ser constru\u00eddo, enquanto a segunda fase de 12 semanas consistiu no fortalecimento do modelo com fontes data adicionais e algoritmos mais robustos, al\u00e9m da constru\u00e7\u00e3o de um painel de controle sob medida para os usu\u00e1rios interagirem.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
As solu\u00e7\u00f5es cient\u00edficas avan\u00e7adas do data - combinadas com agentes imobili\u00e1rios experientes - aumentam a probabilidade de aquisi\u00e7\u00e3o de locais para casas de repouso de alta ocupa\u00e7\u00e3o.<\/p>","protected":false},"featured_media":90717,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035,21934],"blog-language":[2991],"class_list":["post-90715","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-category-real-estate","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog\/90715","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/90717"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=90715"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-category?post=90715"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/blog-language?post=90715"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- <\/i><\/span>