![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/11\/CDG.png\")
Il n'est pas facile de choisir un site optimal pour une maison de soins.<\/p>\n<\/div>
- <\/i><\/span>\n
A-t-elle la bonne d\u00e9mographie ?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nLes liaisons de transport sont-elles suffisantes ?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nSuffisamment d'espaces verts et bleus ?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nLa densit\u00e9 de logement est-elle appropri\u00e9e ?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nQuelle sera la distance parcourue par les r\u00e9sidents et les visiteurs ?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nLes niveaux de pollution de l'air sont-ils trop \u00e9lev\u00e9s ?<\/p>\n<\/div><\/li>
- <\/i><\/span>
\nLes commerces essentiels sont-ils accessibles \u00e0 pied ?<\/p>\n<\/div><\/li><\/ul>
Un bon site de maison de soins doit r\u00e9pondre \u00e0 des centaines d'exigences complexes en mati\u00e8re d'environnement et d'emplacement afin d'atteindre un taux d'occupation durable. Le co\u00fbt moyen d'un r\u00e9sident \u00e9tant de 1 500 livres sterling par semaine sur un march\u00e9 concurrentiel, il n'y a gu\u00e8re de place pour l'erreur.<\/p>\n<\/div>
Traditionnellement, les acheteurs de terrains utilisent des d\u00e9cennies d'exp\u00e9rience durement acquise, les data publics et commerciaux disponibles et les informations fournies par les agents locaux pour prendre des d\u00e9cisions complexes en mati\u00e8re d'investissement foncier. Mais le data national montre que pr\u00e8s de 40% des logements n'atteignent pas les seuils d'occupation souhait\u00e9s (plus de 80%) apr\u00e8s 5 ans d'exploitation.<\/p>\n<\/div>
Les humains ne peuvent pas traiter les \u00e9normes quantit\u00e9s de data micro- et macro-\u00e9conomiques existant dans tous les codes postaux d'Angleterre et du Pays de Galles, ce qui rend presque impossible l'identification des corr\u00e9lations et des relations complexes qui existent entre les centaines d'ensembles de data. L'exp\u00e9rience humaine peut nous apporter la plupart des r\u00e9ponses, mais associ\u00e9e \u00e0 la puissance de la science des data, elle peut conduire \u00e0 des am\u00e9liorations significatives.<\/p>\n<\/div>
Arca Blanca a \u00e9t\u00e9 contact\u00e9e par un grand constructeur et exploitant de maisons de retraite au Royaume-Uni pour combiner les connaissances et l'exp\u00e9rience de ses agents fonciers avec nos capacit\u00e9s scientifiques data et notre data platform sur les propri\u00e9t\u00e9s. Gr\u00e2ce \u00e0 cette collaboration, nous avons construit un puissant mod\u00e8le d'apprentissage automatique qui exploite \u00e0 la fois les data internes du client (telles que les performances individuelles des maisons de soins) et plus de 450 sources data externes (d\u00e9mographiques, micro- et macro-\u00e9conomiques) couvrant les 30 derni\u00e8res ann\u00e9es.<\/p>\n<\/div>
La solution de l'apprentissage automatique<\/h2><\/div>
1) Analyse de l'occupation dans le temps<\/h4><\/div>
Nous avons cherch\u00e9 \u00e0 d\u00e9terminer la probabilit\u00e9 qu'une maison de soins atteigne un taux d'occupation de plus de 80% au cours des cinq prochaines ann\u00e9es en analysant l'\u00e9volution du taux d'occupation au fil du temps.<\/p>\n<\/div>
Pour permettre une pr\u00e9vision solide de l'occupation, les data externes telles que les data d\u00e9mographiques sur la richesse, la g\u00e9ographie et l'indice d'espace vert de la zone sont essentielles et doivent \u00eatre combin\u00e9es avec les data internes de la maison de soins. Nous avons identifi\u00e9 une cadence mensuelle de mise \u00e0 jour de l'occupation interne comme \u00e9tant la plus b\u00e9n\u00e9fique, car elle permet d'identifier et de minimiser les effets caus\u00e9s par la saisonnalit\u00e9.<\/p>\n<\/div>
2) Identifier le bon algorithme<\/h4><\/div>
Pour chaque p\u00e9riode (mensuelle dans ce cas), nous pouvons consid\u00e9rer le probl\u00e8me soit comme une \u2018cat\u00e9gorisation\u2019 (\u201cL'occupation sera-t-elle de 80% \u00e0 la fin de la 5e ann\u00e9e ? Oui ou Non\u201d), soit comme une \u2018pr\u00e9diction\u2019 : (\u201cQuel % du logement sera occup\u00e9 \u00e0 la fin de la 5e ann\u00e9e ?\u201d). En outre, nous pouvons adopter cette derni\u00e8re approche pour pr\u00e9dire les tendances d'occupation tout au long des 5 ann\u00e9es - une m\u00e9thode privil\u00e9gi\u00e9e lorsque la disponibilit\u00e9 de data est limit\u00e9e.<\/p>\n<\/div>
Pour obtenir des pr\u00e9dictions tr\u00e8s pr\u00e9cises, l'approche choisie doit \u00eatre associ\u00e9e \u00e0 des techniques telles que l'ajustement des hyperparam\u00e8tres et la validation crois\u00e9e afin d'identifier les bons param\u00e8tres pour le mod\u00e8le et de maximiser la pr\u00e9cision des pr\u00e9dictions sur les data nouvelles\/non vues.<\/p>\n<\/div>
3) Validation du mod\u00e8le<\/h4><\/div>
L'algorithme est entra\u00een\u00e9 sur plus de 5 ans de data interne et externe - mais il doit \u00e9galement \u00eatre test\u00e9 pour sa pr\u00e9cision sur data qu'il n'a pas \u2018vu\u2019 auparavant. Pour ce faire, nous mettons de c\u00f4t\u00e9 quelques sites dont nous connaissons d\u00e9j\u00e0 l'occupation historique et nous les soumettons au mod\u00e8le entra\u00een\u00e9. Pour ce faire, nous faisons r\u00e9gresser le mod\u00e8le jusqu'\u00e0 la date historique \u00e0 laquelle les sites sont devenus op\u00e9rationnels pour voir ce qu'il aurait pr\u00e9dit \u00e0 ce moment-l\u00e0 et ce qui a finalement \u00e9t\u00e9 r\u00e9alis\u00e9. La diff\u00e9rence absolue entre l'occupation r\u00e9elle et l'occupation pr\u00e9vue est appel\u00e9e l'erreur de pr\u00e9diction. Le mod\u00e8le doit \u00eatre ajust\u00e9 \u00e0 l'aide d'une approche it\u00e9rative afin de maintenir cette erreur \u00e0 un niveau aussi bas que possible.<\/p>\n<\/div>
Ce mod\u00e8le a \u00e9t\u00e9 test\u00e9 sur une grande vari\u00e9t\u00e9 de sites et pr\u00e9sente un taux d'erreur moyen de seulement 9%, ce qui est nettement mieux que les pr\u00e9visions actuelles \u00e9tablies par l'homme. Il s'agit d'un r\u00e9sultat incroyable compte tenu des variations historiques de la qualit\u00e9 et de la disponibilit\u00e9 du data.<\/p>\n<\/div>
4) Renforcer la confiance dans le mod\u00e8le<\/h4><\/div>
Les mod\u00e8les d'apprentissage automatique existent sur un spectre entre des degr\u00e9s \u00e9lev\u00e9s d'explicabilit\u00e9 (bo\u00eete blanche) et des niveaux \u00e9lev\u00e9s de pr\u00e9cision (bo\u00eete noire). Chez Arca Blanca, nous nous effor\u00e7ons de trouver un juste milieu entre les deux. Si le mod\u00e8le n'est pas explicable, son adoption devient complexe car il sera trait\u00e9 avec m\u00e9fiance. Un manque de pr\u00e9cision cr\u00e9e le m\u00eame probl\u00e8me, mais d'une mani\u00e8re diff\u00e9rente.<\/p>\n<\/div>
Dans le cadre de ce projet, nous nous sommes efforc\u00e9s d'atteindre un niveau de pr\u00e9cision extr\u00eamement \u00e9lev\u00e9, mais nous avons fourni des degr\u00e9s de confiance dans les r\u00e9sultats en fonction de la disponibilit\u00e9 de data, de la pr\u00e9sence de valeurs aberrantes et de la confiance g\u00e9n\u00e9rale dans les r\u00e9sultats sur la base d'intervalles statistiques. Ces donn\u00e9es sont compl\u00e9t\u00e9es par des niveaux significatifs de data locale qui ont un lien \u00e9troit avec les r\u00e9sultats. L'ensemble de ces \u00e9l\u00e9ments brosse un tableau convaincant des niveaux de confiance dans les r\u00e9sultats et de ce qui peut motiver ces r\u00e9sultats.<\/p>\n<\/div>
Changer les m\u00e9thodes de travail<\/h2><\/div>
Notre client a adopt\u00e9 le mod\u00e8le comme \u00e9l\u00e9ment essentiel de ses comit\u00e9s d'investissement. Nous avons cr\u00e9\u00e9 un tableau de bord sur mesure pour permettre une prise de d\u00e9cision plus rapide et plus pr\u00e9cise lors des r\u00e9unions du conseil d'administration (en remplacement de l'encombrante vue d'ensemble), afin qu'ils puissent ex\u00e9cuter des sc\u00e9narios en temps r\u00e9el et rejeter un grand nombre de sites potentiels sans avoir besoin d'enqu\u00eates ou de visites de sites longues et co\u00fbteuses. Toutes les opportunit\u00e9s d'acquisition de terrains sont d\u00e9sormais rapidement class\u00e9es par ordre de priorit\u00e9 ; le data local ainsi que les r\u00e9sultats du mod\u00e8le constituent un soutien quotidien et essentiel pour l'\u00e9quipe charg\u00e9e de l'acquisition des terrains.<\/p>\n<\/div>
Fait important, l'organisation a adopt\u00e9 l'apprentissage automatique et le potentiel qu'il offre - non pas comme une menace pour les emplois et les m\u00e9thodes de travail, mais comme un outil essentiel pour cr\u00e9er des avantages uniques sur un march\u00e9 de l'investissement complexe et difficile.<\/p>\n<\/div>
\n
\u201cLa complexit\u00e9 de l'interpr\u00e9tation de centaines de variables pour d\u00e9finir leurs relations avec le succ\u00e8s met en \u00e9vidence le besoin de mod\u00e8les pilot\u00e9s par l'IA pour am\u00e9liorer la prise de d\u00e9cision humaine.\u201d<\/div>\n<\/blockquote>\n<\/div>L'aide \u00e0 la d\u00e9cision, pas la prise de d\u00e9cision<\/h2><\/div>
La combinaison de plusieurs sources data permet d'obtenir une compr\u00e9hension globale des diff\u00e9rents facteurs qui d\u00e9terminent les taux d'occupation. Dans un cas d'utilisation particulier pour un constructeur de maisons de retraite, nous avons d\u00e9couvert que les indicateurs de piscines \u00e0 proximit\u00e9 \u00e9taient l'un des cinq principaux facteurs d'occupation - ce qu'un agent immobilier peut facilement n\u00e9gliger ! La complexit\u00e9 de l'interpr\u00e9tation de nombreuses caract\u00e9ristiques d\u00e9mographiques, de piscines, d'indicateurs de verdure et de centaines d'autres variables pour d\u00e9finir leurs relations avec le succ\u00e8s met en \u00e9vidence le besoin de mod\u00e8les pilot\u00e9s par l'IA pour am\u00e9liorer la prise de d\u00e9cision humaine.<\/p>\n<\/div>
L\u00e0 o\u00f9 les mod\u00e8les d'IA ne sont pas \u00e0 la hauteur, en particulier dans le secteur immobilier, c'est lorsqu'il s'agit d'interpr\u00e9ter les comportements humains irrationnels. Les personnes \u00e2g\u00e9es peuvent \u00eatre dispos\u00e9es \u00e0 parcourir de plus grandes distances pour se rendre dans des maisons de soins si elles sont plus proches d'amis ou de parents, ou encore pour suivre un fils ou une fille qui vient de changer de r\u00e9gion pour un nouvel emploi. Peut-\u00eatre n'ont-ils pas de parents et veulent-ils d\u00e9m\u00e9nager plus au sud pour le \u201cmeilleur\u201d temps et la qualit\u00e9 nettement sup\u00e9rieure des \"fish & chips\" locaux.<\/p>\n<\/div>
Il est \u00e9galement essentiel de reconna\u00eetre que toutes les r\u00e9gions du Royaume-Uni ne disposent pas d'une collecte data d\u00e9mographique solide ou ne la cataloguent pas de la m\u00eame mani\u00e8re (l'\u00c9cosse \u00e9tant une diff\u00e9rence notable). Les mod\u00e8les d'IA ne peuvent analyser que des variables pour lesquelles il existe des donn\u00e9es historiques solides et de qualit\u00e9 - ils ne peuvent pas mesurer la qualit\u00e9 de la vue d'un site particulier ou l'amabilit\u00e9 des directeurs de maisons de retraite. Ils ne peuvent pas non plus mesurer la qualit\u00e9 de la nourriture dans des maisons de repos concurrentes ou comprendre les qualit\u00e9s particuli\u00e8res du jardin d'une maison de repos ou de son programme d'activit\u00e9s. En tant que tels, les limites inh\u00e9rentes \u00e0 ces outils d'intelligence artificielle doivent \u00eatre comprises. Ils ne peuvent pas \u00eatre la seule source d'information dans la prise de d\u00e9cision. Tant que les humains ne cesseront pas de prendre des d\u00e9cisions irrationnelles, l'IA ne remplacera pas (encore) les agents fonciers exp\u00e9riment\u00e9s. Elles compl\u00e8tent la prise de d\u00e9cision humaine plut\u00f4t qu'elles ne la remplacent.<\/p>\n<\/div>
En fin de compte, la mise en \u0153uvre r\u00e9ussie de mod\u00e8les de pr\u00e9vision de l'occupation n\u00e9cessite une approche \u00e9quilibr\u00e9e qui int\u00e8gre les connaissances data-driven avec l'expertise et la compr\u00e9hension humaines. L'utilisation de donn\u00e9es hyperlocales d\u00e9mographiques, macro\u00e9conomiques, commerciales, d'affaires et immobili\u00e8res data pour pr\u00e9dire les niveaux d'occupation va bien au-del\u00e0 du secteur des maisons de retraite et peut \u00eatre appliqu\u00e9e \u00e0 d'autres cat\u00e9gories d'actifs (logements pour \u00e9tudiants, bureaux, commerce de d\u00e9tail, I&L, etc.) Les \u00e9quipes marketing peuvent s'appuyer sur ce concept pour planifier des campagnes cibl\u00e9es en fonction de la densit\u00e9 de population dans des lieux sp\u00e9cifiques et mieux comprendre le nombre id\u00e9al d'unit\u00e9s ou de chambres et leurs niveaux de prix optimaux. En exploitant la puissance des grands data, les dirigeants peuvent prendre des d\u00e9cisions mieux inform\u00e9es et optimiser les op\u00e9rations.<\/p>\n<\/div>
Ce projet a \u00e9t\u00e9 men\u00e9 par une \u00e9quipe conjointe de consultants en gestion, de scientifiques et de technologues de Data sur une p\u00e9riode de 16 semaines, en collaboration constante avec l'\u00e9quipe du client. Le projet s'est d\u00e9roul\u00e9 en deux phases. La premi\u00e8re consistait \u00e0 \u00e9laborer une preuve de concept relativement peu co\u00fbteuse et peu engageante sur une p\u00e9riode de 4 semaines afin de s'assurer qu'un mod\u00e8le pr\u00e9cis pouvait \u00eatre construit. La seconde phase de 12 semaines consistait \u00e0 renforcer le mod\u00e8le avec des sources data suppl\u00e9mentaires et des algorithmes plus robustes, ainsi qu'\u00e0 \u00e9laborer un tableau de bord sur mesure permettant aux utilisateurs d'interagir avec le mod\u00e8le.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Les solutions scientifiques avanc\u00e9es data - associ\u00e9es \u00e0 des agents fonciers exp\u00e9riment\u00e9s - augmentent la probabilit\u00e9 d'acqu\u00e9rir des sites de maisons de soins \u00e0 taux d'occupation \u00e9lev\u00e9.<\/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\/fr\/wp-json\/wp\/v2\/blog\/90715","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/90717"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=90715"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=90715"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=90715"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- <\/i><\/span>