![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/11\/CDG.png\")
Elegir un emplazamiento \u00f3ptimo para una residencia de ancianos no es f\u00e1cil.<\/p>\n<\/div>
- <\/i><\/span>\n
\u00bfTiene la demograf\u00eda de poblaci\u00f3n adecuada?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n\u00bfHay suficientes conexiones de transporte?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n\u00bfSuficientes espacios verdes y azules?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n\u00bfEs adecuada la densidad de viviendas?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n\u00bfHasta d\u00f3nde se desplazar\u00e1n los residentes y los visitantes?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n\u00bfSon demasiado altos los niveles de contaminaci\u00f3n atmosf\u00e9rica?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\n\u00bfEs accesible a pie el comercio minorista esencial?<\/p>\n<\/div><\/li><\/ul>
Un buen emplazamiento para una residencia de ancianos debe cumplir cientos de complejos requisitos medioambientales y de ubicaci\u00f3n para lograr una tasa de ocupaci\u00f3n sostenible. Con un coste medio para el residente de 1.500 libras semanales en un mercado competitivo, hay poco margen para el error.<\/p>\n<\/div>
Tradicionalmente, los compradores de suelo han utilizado d\u00e9cadas de experiencia adquirida con esfuerzo, el data p\u00fablico y comercial disponible y las opiniones de los agentes locales para fundamentar las complejas decisiones de inversi\u00f3n en suelo. Pero la data a nivel nacional muestra que casi 40% de las viviendas no alcanzan los umbrales de ocupaci\u00f3n deseados (m\u00e1s de 80%) tras 5 a\u00f1os de funcionamiento.<\/p>\n<\/div>
Los seres humanos no pueden procesar las enormes cantidades de data microecon\u00f3micos y macroecon\u00f3micos existentes en todos los c\u00f3digos postales de Inglaterra y Gales, y esto hace casi imposible identificar las complejas correlaciones y relaciones que existen entre los cientos de data. La experiencia humana puede darnos la mayor parte de la respuesta, pero unida al poder de la ciencia data puede conducir a mejoras significativas.<\/p>\n<\/div>
Arca Blanca fue contactada por un gran constructor y operador de residencias geri\u00e1tricas del Reino Unido para aunar los conocimientos y la experiencia de sus agentes inmobiliarios con nuestras capacidades cient\u00edficas data y data platform inmobiliario. Gracias a esta colaboraci\u00f3n, construimos un potente modelo de aprendizaje autom\u00e1tico que aprovecha tanto la data interna del cliente (como el rendimiento individual de las residencias geri\u00e1tricas) como m\u00e1s de 450 fuentes externas de data (demogr\u00e1ficas, microecon\u00f3micas y macroecon\u00f3micas) que abarcan los \u00faltimos 30 a\u00f1os.<\/p>\n<\/div>
La soluci\u00f3n del aprendizaje autom\u00e1tico<\/h2><\/div>
1) Analizar la ocupaci\u00f3n a lo largo del tiempo<\/h4><\/div>
Nos propusimos averiguar la probabilidad de que una residencia lograra una ocupaci\u00f3n superior a 80% en los pr\u00f3ximos 5 a\u00f1os analizando los cambios en la ocupaci\u00f3n a lo largo del tiempo.<\/p>\n<\/div>
Para hacer posible una previsi\u00f3n s\u00f3lida de la ocupaci\u00f3n, es esencial disponer de data externas como las demogr\u00e1ficas sobre riqueza, geograf\u00eda e \u00edndice de espacios verdes de la zona, que deben combinarse con las data internas de la residencia. Identificamos una cadencia mensual de actualizaci\u00f3n de la ocupaci\u00f3n interna como la m\u00e1s beneficiosa, ya que ayuda a identificar y minimizar los efectos causados por la estacionalidad.<\/p>\n<\/div>
2) Identificar el algoritmo adecuado<\/h4><\/div>
Para cada periodo de tiempo (mensual en este caso), podemos considerar el problema como de \u2018categorizaci\u00f3n\u2019 (\u201c\u00bfLa ocupaci\u00f3n ser\u00e1 80% al final del 5\u00ba a\u00f1o? S\u00ed o No\u201d) o de \u2018predicci\u00f3n\u2019: (\u201c\u00bfQu\u00e9 % de la vivienda estar\u00e1 ocupada al final del 5\u00ba a\u00f1o?\u201d). Adem\u00e1s, podemos adoptar este \u00faltimo enfoque para predecir las tendencias de ocupaci\u00f3n a lo largo de los 5 a\u00f1os, un m\u00e9todo preferido cuando la disponibilidad de data es limitada.<\/p>\n<\/div>
Para lograr predicciones de gran precisi\u00f3n, el enfoque elegido debe combinarse con t\u00e9cnicas como el ajuste de hiperpar\u00e1metros y la validaci\u00f3n cruzada para identificar los par\u00e1metros adecuados para que el modelo maximice la precisi\u00f3n de la predicci\u00f3n en data nuevos\/no vistos.<\/p>\n<\/div>
3) Validaci\u00f3n del modelo<\/h4><\/div>
El algoritmo se ha entrenado con m\u00e1s de 5 a\u00f1os de data interna y externa, pero tambi\u00e9n hay que probar su precisi\u00f3n con data que no haya \u2018visto\u2019 antes. Esto se hace apartando unos cuantos sitios de los que ya conocemos la ocupaci\u00f3n hist\u00f3rica y pas\u00e1ndolos por el modelo entrenado. Para ello, realizamos una regresi\u00f3n del modelo a la fecha hist\u00f3rica en que los emplazamientos entraron en funcionamiento para ver qu\u00e9 habr\u00eda predicho en ese momento y qu\u00e9 se consigui\u00f3 finalmente. La diferencia absoluta entre la ocupaci\u00f3n real y la prevista se denomina error de predicci\u00f3n. El modelo debe ajustarse mediante un enfoque iterativo para mantener este error lo m\u00e1s bajo posible.<\/p>\n<\/div>
Este modelo se prob\u00f3 en una amplia variedad de yacimientos y presenta una tasa de error media de s\u00f3lo 9%, significativamente mejor que las predicciones actuales realizadas por el hombre. Se trata de un resultado incre\u00edble dadas las variaciones hist\u00f3ricas en la calidad y disponibilidad de data.<\/p>\n<\/div>
4) Crear confianza en el modelo<\/h4><\/div>
Los modelos de aprendizaje autom\u00e1tico existen en un espectro entre altos grados de explicabilidad (caja blanca) y altos niveles de precisi\u00f3n (caja negra). En Arca Blanca nos esforzamos por alcanzar un t\u00e9rmino medio entre ambos. Sin ning\u00fan grado de explicabilidad, la adopci\u00f3n del modelo se vuelve compleja, ya que ser\u00e1 tratado con recelo. La falta de precisi\u00f3n crea el mismo problema de una forma diferente.<\/p>\n<\/div>
En este proyecto nos esforzamos por alcanzar un nivel de precisi\u00f3n extremadamente alto, pero proporcionamos grados de confianza en los resultados basados en la disponibilidad de data, la presencia de valores at\u00edpicos y la confianza general en los resultados basada en intervalos estad\u00edsticos. Esto se complementa con niveles significativos de data local que tienen una fuerte relaci\u00f3n con los resultados. En conjunto, todo ello dibuja una imagen convincente de los niveles de confianza en los resultados y de lo que puede impulsar estos resultados.<\/p>\n<\/div>
Cambiar la forma de trabajar<\/h2><\/div>
Nuestro cliente ha adoptado el modelo como componente fundamental de sus comit\u00e9s de inversi\u00f3n. Construimos un cuadro de mandos a medida para permitir una toma de decisiones m\u00e1s r\u00e1pida y precisa en las reuniones de la junta directiva (en sustituci\u00f3n de la engorrosa vista de la casa), de modo que puedan ejecutar escenarios en vivo y descartar un gran n\u00famero de emplazamientos potenciales sin necesidad de largas y costosas investigaciones o visitas a los emplazamientos. Ahora se priorizan r\u00e1pidamente todas las oportunidades de adquisici\u00f3n de terrenos; tanto el data local como los resultados del modelo constituyen un apoyo diario y esencial para el equipo de adquisici\u00f3n de terrenos.<\/p>\n<\/div>
Es importante destacar que la organizaci\u00f3n ha adoptado el aprendizaje autom\u00e1tico y el potencial que ofrece, no como una amenaza para los puestos de trabajo y las formas de trabajar, sino como una herramienta esencial para crear ventajas \u00fanicas en un mercado de inversi\u00f3n complejo y desafiante.<\/p>\n<\/div>
\n
\u201cLa complejidad de interpretar cientos de variables para definir sus relaciones con el \u00e9xito pone de relieve la necesidad de modelos impulsados por la IA para mejorar la toma de decisiones humana\u201d.\u201d<\/div>\n<\/blockquote>\n<\/div>Apoyo a la decisi\u00f3n, no toma de decisiones<\/h2><\/div>
La combinaci\u00f3n de m\u00faltiples fuentes data puede ofrecer una comprensi\u00f3n exhaustiva de los diversos factores que impulsan las tasas de ocupaci\u00f3n. En un caso de uso particular para un constructor de residencias de ancianos, descubrimos que los indicadores de piscinas cercanas eran uno de los 5 principales factores impulsores de la ocupaci\u00f3n, \u00a1algo que un agente inmobiliario puede pasar por alto f\u00e1cilmente! La complejidad de interpretar numerosas caracter\u00edsticas demogr\u00e1ficas, piscinas, indicadores de verdor y cientos de otras variables para definir sus relaciones con el \u00e9xito pone de relieve la necesidad de modelos impulsados por la IA para mejorar la toma de decisiones humana.<\/p>\n<\/div>
Donde los modelos de IA se quedan cortos, en particular en el sector inmobiliario, es en la interpretaci\u00f3n de los comportamientos humanos irracionales. Los ancianos pueden estar dispuestos a recorrer distancias mayores para ir a residencias si est\u00e1n m\u00e1s cerca de amigos o parientes, quiz\u00e1 se muden para seguir a un hijo o una hija que acaba de cambiar de geograf\u00eda por un nuevo trabajo. Tal vez no tengan parientes y quieran mudarse m\u00e1s al sur por el \u201cmejor\u201d clima y la calidad claramente superior del fish & chips local.<\/p>\n<\/div>
Tambi\u00e9n es crucial reconocer que no todas las regiones del Reino Unido disponen de una s\u00f3lida recopilaci\u00f3n de datos demogr\u00e1ficos data ni los catalogan de la misma manera (Escocia es una diferencia notable). Asimismo, los modelos de IA s\u00f3lo pueden analizar variables para las que existe data hist\u00f3rico robusto y de calidad: no puede medir la calidad de una vista desde un lugar concreto ni la amabilidad de los gerentes de las residencias de ancianos. No puede medir la calidad de la comida en residencias de ancianos competidoras ni comprender las cualidades particulares del jard\u00edn de una residencia o su programa de actividades. Por ello, hay que comprender las limitaciones inherentes a estas herramientas de IA. No pueden ser la \u00fanica fuente de informaci\u00f3n en la toma de decisiones. Hasta que los humanos dejen de tomar decisiones irracionales, la IA no sustituir\u00e1 (todav\u00eda) a los agentes del territorio experimentados. Complementan la toma de decisiones humana en lugar de sustituirla.<\/p>\n<\/div>
En \u00faltima instancia, la aplicaci\u00f3n con \u00e9xito de modelos de predicci\u00f3n de la ocupaci\u00f3n requiere un enfoque equilibrado que integre los conocimientos data-driven con la experiencia y la comprensi\u00f3n humanas. La utilizaci\u00f3n de datos demogr\u00e1ficos hiperlocales, macroecon\u00f3micos, comerciales, empresariales e inmobiliarios data para predecir los niveles de ocupaci\u00f3n va mucho m\u00e1s all\u00e1 del sector de las residencias geri\u00e1tricas y puede aplicarse a otras clases de activos (alojamientos para estudiantes, oficinas, comercios, I&L, etc.). Los equipos de marketing pueden aprovechar este concepto para planificar campa\u00f1as espec\u00edficas basadas en la densidad de poblaci\u00f3n de lugares concretos, as\u00ed como comprender mejor el n\u00famero ideal de unidades o habitaciones y sus niveles \u00f3ptimos de precios. Aprovechando el poder del gran data, los ejecutivos pueden tomar decisiones mejor informadas y optimizar las operaciones.<\/p>\n<\/div>
Este proyecto fue dirigido por un equipo conjunto de consultores de gesti\u00f3n, cient\u00edficos y tecn\u00f3logos de Data durante un periodo de 16 semanas en constante colaboraci\u00f3n con el equipo del cliente. El proyecto se desarroll\u00f3 en dos fases. La primera de ellas consisti\u00f3 en construir una Prueba de Concepto de coste y compromiso relativamente bajos durante un periodo de 4 semanas para garantizar que se pod\u00eda construir un modelo preciso, mientras que la segunda fase, de 12 semanas, consisti\u00f3 en reforzar el modelo con fuentes data adicionales y algoritmos m\u00e1s robustos y construir un cuadro de mandos a medida con el que pudieran interactuar los usuarios.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Las soluciones cient\u00edficas avanzadas data, combinadas con agentes de la propiedad experimentados, aumentan la probabilidad de adquirir emplazamientos para residencias geri\u00e1tricas de alta ocupaci\u00f3n.<\/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\/es\/wp-json\/wp\/v2\/blog\/90715","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/90717"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=90715"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=90715"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=90715"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- <\/i><\/span>