![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/11\/CDG.png\")
Die Wahl eines optimalen Standorts f\u00fcr ein Pflegeheim ist nicht einfach.<\/p>\n<\/div>
- <\/i><\/span>\n
Hat es die richtige demografische Zusammensetzung der Bev\u00f6lkerung?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nGibt es ausreichende Verkehrsverbindungen?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nGenug gr\u00fcne und blaue Fl\u00e4chen?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nIst die Wohndichte angemessen?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nWie weit werden Einwohner und Besucher reisen?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nIst die Luftverschmutzung zu hoch?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nSind die wichtigsten Gesch\u00e4fte zu Fu\u00df erreichbar?<\/p>\n<\/div><\/li><\/ul>
Ein guter Standort f\u00fcr ein Pflegeheim muss Hunderte von komplexen Umwelt- und Standortanforderungen erf\u00fcllen, um eine nachhaltige Belegungsrate zu erreichen. Bei durchschnittlichen Bewohnerkosten von \u00a31.500 pro Woche gibt es auf einem wettbewerbsintensiven Markt wenig Spielraum f\u00fcr Fehler.<\/p>\n<\/div>
Traditionell haben K\u00e4ufer von Grundst\u00fccken jahrzehntelange, hart erarbeitete Erfahrungen, verf\u00fcgbare \u00f6ffentliche und kommerzielle data und Erkenntnisse von lokalen Maklern genutzt, um komplexe Investitionsentscheidungen f\u00fcr Grundst\u00fccke zu treffen. Aber data auf nationaler Ebene zeigt, dass fast 40% der H\u00e4user nach 5 Jahren nicht die gew\u00fcnschte Belegungsschwelle erreichen (\u00fcber 80%).<\/p>\n<\/div>
Der Mensch ist nicht in der Lage, die riesigen Mengen an mikro- und makro\u00f6konomischen data zu verarbeiten, die \u00fcber alle Postleitzahlen in England und Wales hinweg existieren, und das macht es fast unm\u00f6glich, die komplexen Korrelationen und Beziehungen zu erkennen, die zwischen den Hunderten von data-S\u00e4tzen bestehen. Die menschliche Erfahrung kann uns die meisten Antworten liefern, aber in Verbindung mit der Macht der data-Wissenschaft kann sie zu erheblichen Verbesserungen f\u00fchren.<\/p>\n<\/div>
Arca Blanca wurde von einem gro\u00dfen britischen Pflegeheimbauer und -betreiber angesprochen, um das Wissen und die Erfahrung seiner Grundst\u00fccksmakler mit unseren wissenschaftlichen data-F\u00e4higkeiten und Immobilien data platform zu verbinden. Im Rahmen dieser Zusammenarbeit haben wir ein leistungsf\u00e4higes Modell f\u00fcr maschinelles Lernen entwickelt, das sowohl interne data-Daten des Kunden (wie z.B. die Leistung einzelner Pflegeheime) als auch \u00fcber 450 externe data-Quellen (demografische, mikro- und makro\u00f6konomische Daten) aus den letzten 30 Jahren nutzt.<\/p>\n<\/div>
Die L\u00f6sung f\u00fcr maschinelles Lernen<\/h2><\/div>
1) Analyse der Belegung im Laufe der Zeit<\/h4><\/div>
Wir wollten herausfinden, wie wahrscheinlich es ist, dass ein Pflegeheim innerhalb der n\u00e4chsten 5 Jahre eine Belegung von mehr als 80% erreicht, indem wir die Ver\u00e4nderungen der Belegung im Laufe der Zeit analysierten.<\/p>\n<\/div>
Um eine solide Belegungsprognose zu erm\u00f6glichen, sind externe data wie demografische data zu Wohlstand, Geografie und dem Gr\u00fcnfl\u00e4chenindex des Gebiets unerl\u00e4sslich und m\u00fcssen mit den internen data des Pflegeheims kombiniert werden. Wir haben festgestellt, dass eine monatliche Aktualisierung der internen Belegungszahlen am vorteilhaftesten ist, da dies hilft, saisonal bedingte Effekte zu erkennen und zu minimieren.<\/p>\n<\/div>
2) Identifizierung des richtigen Algorithmus<\/h4><\/div>
F\u00fcr jeden Zeitraum (in diesem Fall monatlich) k\u00f6nnen wir das Problem entweder als \u2018Kategorisierung\u2019 (\u201cWird die Belegung am Ende des 5. Jahres 80% betragen? Ja oder Nein\u201d) oder als \u2018Vorhersage\u2019 betrachten: (\u201cWelche % der Wohnungen werden am Ende des 5. Jahres belegt sein?\u201d). Dar\u00fcber hinaus k\u00f6nnen wir den letztgenannten Ansatz w\u00e4hlen, um die Belegungsentwicklung \u00fcber die 5 Jahre hinweg vorherzusagen - eine bevorzugte Methode, wenn data nur begrenzt verf\u00fcgbar ist.<\/p>\n<\/div>
Um eine hohe Vorhersagegenauigkeit zu erreichen, muss der gew\u00e4hlte Ansatz mit Techniken wie Hyperparameter-Tuning und Kreuzvalidierung gekoppelt werden, um die richtigen Parameter f\u00fcr das Modell zu ermitteln und die Vorhersagegenauigkeit bei neuen\/unbekannten data zu maximieren.<\/p>\n<\/div>
3) Validierung des Modells<\/h4><\/div>
Der Algorithmus wurde mit internen und externen data-Daten aus \u00fcber 5 Jahren trainiert. Er muss aber auch auf seine Genauigkeit bei data getestet werden, die er noch nicht \u2018gesehen\u2019 hat. Dazu legen wir einige Standorte beiseite, f\u00fcr die wir die historische Belegung bereits kennen, und lassen sie durch das trainierte Modell laufen. Zu diesem Zweck regressieren wir das Modell auf das historische Datum, an dem die Standorte in Betrieb genommen wurden, um zu sehen, was es zu diesem Zeitpunkt vorhergesagt h\u00e4tte und was schlie\u00dflich erreicht wurde. Die absolute Differenz zwischen der tats\u00e4chlichen Belegung und der vorhergesagten Belegung wird als Vorhersagefehler bezeichnet. Das Modell muss mit einem iterativen Ansatz abgestimmt werden, um diesen Fehler so gering wie m\u00f6glich zu halten.<\/p>\n<\/div>
Dieses Modell wurde an einer Vielzahl von Standorten getestet und weist eine durchschnittliche Fehlerquote von nur 9% auf - deutlich besser als die derzeitigen von Menschen gemachten Vorhersagen. Dies ist ein unglaubliches Ergebnis, wenn man die historischen Schwankungen bei der Qualit\u00e4t und Verf\u00fcgbarkeit von data bedenkt.<\/p>\n<\/div>
4) Vertrauen in das Modell aufbauen<\/h4><\/div>
Modelle des maschinellen Lernens bewegen sich in einem Spektrum zwischen einem hohen Grad an Erkl\u00e4rbarkeit (White Box) und einem hohen Grad an Genauigkeit (Black Box). Bei Arca Blanca bem\u00fchen wir uns um einen goldenen Mittelweg zwischen diesen beiden M\u00f6glichkeiten. Ohne Erkl\u00e4rbarkeit wird die Annahme des Modells schwierig, da es mit Misstrauen behandelt wird. Ein Mangel an Genauigkeit schafft das gleiche Problem auf eine andere Art und Weise.<\/p>\n<\/div>
Bei diesem Projekt haben wir ein extrem hohes Ma\u00df an Genauigkeit angestrebt, aber auch einen Grad an Vertrauen in die Ergebnisse auf der Grundlage der Verf\u00fcgbarkeit von data, des Vorhandenseins von Ausrei\u00dfern und des allgemeinen Vertrauens in die Ergebnisse auf der Grundlage von statistischen Intervallen angegeben. Erg\u00e4nzt wird dies durch signifikante Werte von lokalem data, die eine starke Beziehung zu den Ergebnissen haben. Zusammen ergibt sich ein \u00fcberzeugendes Bild des Vertrauens in die Ergebnisse und der m\u00f6glichen Ursachen f\u00fcr diese Ergebnisse.<\/p>\n<\/div>
Ver\u00e4nderte Arbeitsweisen<\/h2><\/div>
Unser Kunde hat das Modell als wichtigen Bestandteil seiner Investitionsaussch\u00fcsse \u00fcbernommen. Wir haben ein ma\u00dfgeschneidertes Dashboard entwickelt, das eine schnellere und pr\u00e4zisere Entscheidungsfindung in den Vorstandssitzungen erm\u00f6glicht (und die umst\u00e4ndliche Hausansicht ersetzt), so dass sie Live-Szenarien durchf\u00fchren und eine gro\u00dfe Anzahl potenzieller Standorte ablehnen k\u00f6nnen, ohne dass langwierige und kostspielige Untersuchungen oder Standortbesichtigungen erforderlich sind. Alle M\u00f6glichkeiten zum Landerwerb werden nun schnell priorisiert. Das lokale data sowie die Ergebnisse des Modells sind eine t\u00e4gliche und wichtige Unterst\u00fctzung f\u00fcr das Landerwerbsteam.<\/p>\n<\/div>
Wichtig ist, dass das Unternehmen das maschinelle Lernen und das Potenzial, das es bietet, angenommen hat - nicht als Bedrohung f\u00fcr Arbeitspl\u00e4tze und Arbeitsweisen, sondern als wesentliches Werkzeug, um einzigartige Vorteile in einem komplexen und anspruchsvollen Investmentmarkt zu schaffen.<\/p>\n<\/div>
\n
\u201cDie Komplexit\u00e4t der Interpretation von Hunderten von Variablen, um ihre Beziehung zum Erfolg zu definieren, unterstreicht den Bedarf an KI-gesteuerten Modellen zur Verbesserung der menschlichen Entscheidungsfindung.\u201d<\/div>\n<\/blockquote>\n<\/div>Entscheidungshilfe, nicht Entscheidungsfindung<\/h2><\/div>
Die Kombination mehrerer data-Quellen kann ein umfassendes Verst\u00e4ndnis der verschiedenen Faktoren bieten, die die Belegungsrate beeinflussen. In einem speziellen Anwendungsfall f\u00fcr einen Anbieter von Seniorenwohnungen fanden wir heraus, dass Indikatoren f\u00fcr nahegelegene Schwimmb\u00e4der zu den 5 wichtigsten Faktoren f\u00fcr die Belegung geh\u00f6rten - etwas, das ein Makler leicht \u00fcbersehen kann! Die Komplexit\u00e4t der Interpretation zahlreicher demografischer Merkmale, Schwimmb\u00e4der, Gr\u00fcnfl\u00e4chenindikatoren und Hunderter anderer Variablen, um deren Beziehung zum Erfolg zu definieren, verdeutlicht den Bedarf an KI-gesteuerten Modellen zur Verbesserung der menschlichen Entscheidungsfindung.<\/p>\n<\/div>
Wo KI-Modelle, insbesondere im Immobiliensektor, versagen, ist bei der Interpretation irrationaler menschlicher Verhaltensweisen. \u00c4ltere Menschen sind vielleicht bereit, f\u00fcr ein Pflegeheim in gr\u00f6\u00dfere Entfernungen zu fahren, wenn sie n\u00e4her bei Freunden oder Verwandten sind. Vielleicht ziehen sie auch um, um einem Sohn oder einer Tochter zu folgen, die gerade f\u00fcr einen neuen Job den Wohnort gewechselt haben. Vielleicht haben sie keine Verwandten und wollen wegen des \u201cbesseren\u201d Wetters und der eindeutig besseren Qualit\u00e4t der \u00f6rtlichen Fish & Chips weiter in den S\u00fcden ziehen.<\/p>\n<\/div>
Es ist auch von entscheidender Bedeutung, dass nicht alle Regionen des Vereinigten K\u00f6nigreichs \u00fcber robuste demografische data verf\u00fcgen oder diese auf dieselbe Weise katalogisieren (Schottland ist ein bemerkenswerter Unterschied). KI-Modelle k\u00f6nnen auch nur Variablen analysieren, f\u00fcr die robuste, qualitativ hochwertige historische data existieren - sie k\u00f6nnen nicht die Qualit\u00e4t der Aussicht von einem bestimmten Standort oder die Freundlichkeit der Pflegeheimleiter messen. Es kann nicht die Qualit\u00e4t des Essens in konkurrierenden Pflegeheimen messen oder die besonderen Qualit\u00e4ten des Gartens eines Heims oder den Zeitplan seiner Aktivit\u00e4ten verstehen. Die inh\u00e4renten Grenzen dieser KI-Tools m\u00fcssen also verstanden werden. Sie k\u00f6nnen nicht die einzige Informationsquelle f\u00fcr die Entscheidungsfindung sein. Solange der Mensch nicht aufh\u00f6rt, irrationale Entscheidungen zu treffen, wird die KI (noch) nicht an die Stelle erfahrener Makler treten. Sie erg\u00e4nzen die menschliche Entscheidungsfindung, anstatt sie zu ersetzen.<\/p>\n<\/div>
Letztendlich erfordert die erfolgreiche Implementierung von Belegungsvorhersagemodellen einen ausgewogenen Ansatz, der data-driven Erkenntnisse mit menschlichem Fachwissen und Verst\u00e4ndnis verbindet. Die Nutzung hyperlokaler demografischer, makro\u00f6konomischer, einzelhandels-, gesch\u00e4fts- und immobilienbezogener data-Daten zur Vorhersage der Belegung geht weit \u00fcber die Pflegeheimbranche hinaus und kann auch auf andere Anlageklassen (Studentenwohnheime, B\u00fcros, Einzelhandel, I&L usw.) angewendet werden. Marketingteams k\u00f6nnen dieses Konzept nutzen, um gezielte Kampagnen auf der Grundlage der Bev\u00f6lkerungsdichte an bestimmten Standorten zu planen und die ideale Anzahl von Einheiten oder Zimmern und deren optimale Preisgestaltung besser zu verstehen. Indem sie sich die M\u00f6glichkeiten des gro\u00dfen data zunutze machen, k\u00f6nnen F\u00fchrungskr\u00e4fte besser informierte Entscheidungen treffen und den Betrieb optimieren.<\/p>\n<\/div>
Dieses Projekt wurde von einem gemeinsamen Team aus Unternehmensberatern, Wissenschaftlern und Technologen von Data \u00fcber einen Zeitraum von 16 Wochen in st\u00e4ndiger Zusammenarbeit mit dem Kundenteam durchgef\u00fchrt. Das Projekt wurde in zwei Phasen durchgef\u00fchrt. Die erste bestand darin, \u00fcber einen Zeitraum von 4 Wochen einen relativ kosteng\u00fcnstigen und unverbindlichen Proof of Concept zu erstellen, um sicherzustellen, dass ein genaues Modell erstellt werden konnte, w\u00e4hrend die zweite Phase von 12 Wochen darin bestand, das Modell mit zus\u00e4tzlichen data-Quellen und robusteren Algorithmen zu st\u00e4rken und ein ma\u00dfgeschneidertes Dashboard zu erstellen, mit dem die Benutzer interagieren k\u00f6nnen.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Die fortschrittlichen wissenschaftlichen L\u00f6sungen von data - in Kombination mit erfahrenen Grundst\u00fccksvermittlern - erh\u00f6hen die Wahrscheinlichkeit, Standorte mit hoher Auslastung f\u00fcr Pflegeheime zu erwerben.<\/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\/de\/wp-json\/wp\/v2\/blog\/90715","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/90717"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=90715"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=90715"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=90715"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- <\/i><\/span>