Dónde prestar asistencia: el uso de data para determinar las ubicaciones óptimas de las residencias de ancianos

Elegir una ubicación óptima para una residencia de ancianos no es fácil.

Para lograr una tasa de ocupación sostenible, el emplazamiento de una buena residencia de ancianos debe cumplir cientos de requisitos complejos relacionados con el entorno y la ubicación. Con un coste medio por residente de 1.500 libras a la semana en un mercado competitivo, el margen de error es mínimo.

Tradicionalmente, los compradores de terrenos han recurrido a décadas de experiencia adquirida con esfuerzo, a data públicos y comerciales disponibles data a la información proporcionada por los agentes locales para tomar decisiones complejas en materia de inversión inmobiliaria. Sin embargo, data a nivel nacional data casi el 40 % de las viviendas no alcanza los umbrales de ocupación deseados (más del 80 %) tras cinco años de funcionamiento.

Los seres humanos no pueden procesar la ingente cantidad de data micro y macroeconómicos data en todos los códigos postales de Inglaterra y Gales, lo que hace prácticamente imposible identificar las complejas correlaciones y relaciones que existen entre los cientos de conjuntos de datos. La experiencia humana nos puede proporcionar la mayor parte de la respuesta, pero, combinada con el potencial de data , puede dar lugar a mejoras significativas.

Una importante empresa británica dedicada a la construcción y gestión de residencias de la tercera edad se puso en contacto con Arca Blanca con el fin de combinar los conocimientos y la experiencia de sus agentes inmobiliarios con nuestras capacidades data y data inmobiliarios. A través de esta colaboración, desarrollamos un potente modelo de aprendizaje automático que aprovecha tanto data internos del cliente data como el rendimiento individual de cada residencia) como más de 450 data externas (demográficas, microeconómicas y macroeconómicas) que abarcan los últimos 30 años.

Nos propusimos determinar la probabilidad de que una residencia de ancianos alcanzara una ocupación superior al 80 % en los próximos cinco años mediante el análisis de la evolución de la ocupación a lo largo del tiempo.

Para poder realizar previsiones de ocupación fiables, es imprescindible disponer de data externos data data demográficos data el nivel de riqueza, la geografía y el índice de espacios verdes de la zona— y combinarlos con los data internos de la residencia. Hemos determinado que lo más conveniente es actualizar los datos de ocupación internos con periodicidad mensual, ya que esto ayuda a identificar y minimizar los efectos de la estacionalidad.

Para cada periodo de tiempo (en este caso, mensual), podemos enfocar el problema como una «clasificación» («¿Será la ocupación del 80 % al final del quinto año? Sí o no») o como una «predicción» («¿Qué porcentaje de la vivienda estará ocupada al final del quinto año?»). Además, podemos adoptar este último enfoque para predecir las tendencias de ocupación a lo largo de los cinco años, un método preferible cuando data es limitada.

Para lograr predicciones de alta precisión, el enfoque elegido debe combinarse con técnicas como el ajuste de hiperparámetros y la validación cruzada, con el fin de identificar los parámetros adecuados para el modelo y maximizar así la precisión de las predicciones en data nuevos o no vistos.

El algoritmo se ha entrenado con data internos y externos de más de cinco años data pero también es necesario comprobar su precisión con data no haya «visto» antes. Para ello, se reservan algunos emplazamientos de los que ya conocemos los datos históricos de ocupación y se introducen en el modelo entrenado. Con este fin, aplicamos una regresión al modelo hasta la fecha histórica en la que los emplazamientos entraron en funcionamiento, para ver qué habría pronosticado en ese momento y qué resultados se obtuvieron finalmente. La diferencia absoluta entre la ocupación real y la ocupación prevista se denomina «error de predicción». El modelo debe ajustarse mediante un enfoque iterativo para mantener este error lo más bajo posible.

Este modelo se ha probado en una amplia variedad de emplazamientos y presenta una tasa de error media de solo el 9 %, un resultado significativamente mejor que el de las predicciones actuales realizadas por personas. Se trata de un resultado increíble, teniendo en cuenta las variaciones históricas en data y la disponibilidad data .

Los modelos de aprendizaje automático se sitúan en un espectro que va desde los altos grados de explicabilidad (caja blanca) hasta los altos niveles de precisión (caja negra). En Arca Blanca nos esforzamos por alcanzar un término medio entre ambos. Sin explicabilidad, la adopción del modelo se complica, ya que se mirará con recelo. La falta de precisión plantea el mismo problema, aunque de otra manera.

En este proyecto nos hemos esforzado por alcanzar un nivel de precisión extremadamente alto, pero hemos indicado los grados de confianza de los resultados en función de la disponibilidad de data, la presencia de valores atípicos y la confianza general en los resultados basada en intervalos estadísticos. Esto se complementa con una cantidad significativa de data locales data guardan una estrecha relación con los resultados. En conjunto, todo ello ofrece una visión clara de los niveles de confianza en los resultados y de los factores que pueden influir en ellos.

Nuestro cliente ha incorporado el modelo como un componente fundamental de sus comités de inversión. Hemos creado un panel de control a medida para permitir una toma de decisiones más rápida y precisa en las reuniones del consejo de administración (en sustitución de la engorrosa «visión interna»), de modo que puedan simular escenarios en tiempo real y descartar un gran número de posibles emplazamientos sin necesidad de realizar investigaciones prolongadas y costosas ni visitas in situ. Ahora se priorizan rápidamente todas las oportunidades de adquisición de terrenos; data los data locales data los resultados del modelo constituyen un apoyo diario y esencial para el equipo de adquisición de terrenos.

Cabe destacar que la organización ha adoptado el aprendizaje automático y el potencial que Servicios no como una amenaza para los puestos de trabajo y las formas de trabajar Servicios sino como una herramienta esencial para generar ventajas competitivas en un mercado de inversiones complejo y exigente.

«La complejidad que supone interpretar cientos de variables para determinar su relación con el éxito pone de manifiesto la necesidad de contar con modelos AI que mejoren la toma de decisiones humana».

La combinación de múltiples data puede ofrecer una visión global de los diversos factores que influyen en las tasas de ocupación. En un caso concreto relacionado con un promotor de residencias de la tercera edad, descubrimos que la presencia de piscinas en las inmediaciones era uno de los cinco principales factores que influían en la ocupación, ¡algo que un agente inmobiliario podría pasar fácilmente por alto! La complejidad que supone interpretar numerosas características demográficas, la presencia de piscinas, los indicadores de zonas verdes y cientos de otras variables para definir su relación con el éxito pone de relieve la necesidad de modelos AI que mejoren la toma de decisiones humana.

Donde AI se quedan cortos, sobre todo en el sector inmobiliario, es a la hora de interpretar los comportamientos irracionales de las personas. Es posible que los residentes de edad avanzada estén dispuestos a desplazarse a lugares más lejanos para ingresar en una residencia si estos se encuentran cerca de amigos o familiares, o quizá se muden para seguir a un hijo o una hija que acaba de trasladarse a otra zona por motivos laborales. Quizá no tengan familiares y quieran mudarse más al sur por el «mejor» clima y la calidad claramente superior del fish & chips local.

También es fundamental reconocer que no todas las regiones del Reino Unido cuentan con data sólido data demográficos ni los catalogan de la misma manera (Escocia constituye una diferencia notable). Además, AI solo pueden analizar variables para las que data históricos sólidos y de calidad; no pueden evaluar la calidad de las vistas desde un lugar concreto ni la amabilidad de los responsables de las residencias. No pueden medir la calidad de la comida en residencias de la competencia ni comprender las cualidades particulares del jardín de una residencia o su programa de actividades. Por lo tanto, hay que comprender las limitaciones inherentes a estas AI . No pueden ser la única fuente de información en la toma de decisiones. Hasta que los seres humanos dejen de tomar decisiones irracionales, AI no AI (todavía) AI los agentes inmobiliarios con experiencia. Complementan la toma de decisiones humana en lugar de sustituirla.

En última instancia, la implementación satisfactoria de los modelos de predicción de ocupación requiere un enfoque equilibrado que integre los conocimientos data con la experiencia y la comprensión humanas. El uso de data hiperlocales demográficos, macroeconómicos, comerciales, empresariales e inmobiliarios data predecir los niveles de ocupación va mucho más allá del sector de las residencias de la tercera edad y puede aplicarse a otras clases de activos (alojamiento para estudiantes, oficinas, comercios, industria e infraestructura, etc.). Los equipos de marketing pueden aprovechar este concepto para planificar campañas específicas basadas en la densidad de población de ubicaciones concretas, así como para comprender mejor el número ideal de unidades o habitaciones y sus niveles de precios óptimos. Al aprovechar el poder de data, los ejecutivos pueden tomar decisiones mejor informadas y optimizar las operaciones.

Este proyecto fue llevado a cabo por un equipo conjunto de consultores de gestión, Data y tecnólogos durante un periodo de 16 semanas, en colaboración constante con el equipo del cliente. El proyecto se llevó a cabo en dos fases. La primera consistió en crear una prueba de concepto de bajo coste y bajo compromiso durante un periodo de 4 semanas para garantizar que se pudiera construir un modelo preciso, mientras que la segunda fase, de 12 semanas, consistió en reforzar el modelo con data adicionales y algoritmos más robustos, así como en crear un panel de control a medida con el que los usuarios pudieran interactuar.