Gli edifici "Build-to-rent" (BTR) rappresentano una tendenza in rapida crescita nel settore immobiliare, caratterizzata da proprietà costruite appositamente per l'affitto a lungo termine piuttosto che per la vendita. Questi sviluppi si rivolgono a una crescente fascia demografica di affittuari, tra cui giovani professionisti, famiglie e pensionati in fase di ridimensionamento, che privilegiano la convenienza, la flessibilità e un edificio gestito in modo professionale.

L'uso dell'intelligenza artificiale per determinare i prezzi di locazione negli edifici BTR rappresenta un'innovazione significativa nel settore immobiliare. Questo sistema ottimizza i prezzi di locazione analizzando una moltitudine di fattori come le tendenze del mercato, le condizioni economiche locali, le dotazioni dell'immobile, i dati demografici e la storia di locazione degli inquilini. Questo sistema garantisce che i prezzi di locazione siano competitivi ed equi, adattandosi dinamicamente ai cambiamenti in tempo reale della domanda e dell'offerta, in funzione della disponibilità a pagare dell'inquilino.

La sfida

L'obiettivo primario di tutti gli operatori BTR è quello di raggiungere la piena occupazione con i canoni di locazione più alti possibili, nel più breve tempo possibile. Il rischio potenziale di sotto o sovraprezzo è elevato, con conseguenti costosi vuoti e ritardi.

La determinazione dei prezzi di locazione per le proprietà BTR utilizzando gli attuali metodi basati su fogli di calcolo presenta diverse sfide significative. La determinazione dei prezzi viene effettuata a livello di singola unità (ma distribuita su un intero edificio), anziché comprendere realmente i particolari dell'inquilino e dell'unità. L'approccio tradizionale è altamente manuale e richiede un'ampia raccolta e analisi dei dati, che richiede molto tempo ed è soggetta a errori umani. I gestori immobiliari devono monitorare costantemente le tendenze del mercato, gli indicatori economici locali e i prezzi della concorrenza, il che spesso porta a frequenti aggiustamenti.

Inoltre, la determinazione dei prezzi si basa attualmente su un insieme ristretto di caratteristiche del mercato, come la concorrenza e le specifiche dell'edificio (ad esempio, la vicinanza all'ascensore, il piano, la presenza di un balcone, ecc.), piuttosto che attingere ai dati demografici dell'inquilino (ad esempio, lavoro, stato di famiglia/coniugale/reddito/durata del contratto) e alla storia dell'inquilino (se ha negoziato un contratto di locazione, i suoi guadagni, la durata della locazione o se ha presentato un reclamo). Questo processo manuale può provocare reazioni ritardate ai cambiamenti del mercato, causando un sovraprezzo che porta a vuoti o un sottoprezzo che riduce i potenziali ricavi.

Inoltre, la mancanza di un'analisi dei dati in tempo reale fa sì che le decisioni sui prezzi non riflettano accuratamente le attuali condizioni di mercato, causando inefficienze e potenziali perdite finanziarie. Nel complesso, gli approcci esistenti non solo aumentano il carico di lavoro operativo, ma riducono anche la capacità di ottimizzare i redditi da locazione e di mantenere la competitività nel dinamico mercato degli immobili in affitto.

La soluzione: la suite di strumenti per la strategia di prezzo dinamico di Artefact

Artefact ha sviluppato diverse soluzioni avanzate per la determinazione dei prezzi di locazione nelle applicazioni BTR, tra cui la segmentazione dei clienti, la previsione e l'apprendimento per rinforzo. Anche un approccio graduale può essere particolarmente efficace, consentendo ai gestori di immobili di iniziare con metodi più semplici e di adottare gradualmente tecniche più sofisticate man mano che aumentano la disponibilità di dati e la maturità del sistema. Tutte le soluzioni proposte si basano sui metodi tradizionali di determinazione dei prezzi, attingendo a fattori specifici del locatario, tra cui la sua disponibilità a pagare, i dati demografici e la storia dell'inquilino.

Prendendo in considerazione una moltitudine di variabili come la posizione, i servizi, i tassi di occupazione storici e i dati demografici degli inquilini, i modelli di pricing guidati dall'intelligenza artificiale offrono precisione e adattabilità ben oltre i metodi tradizionali. In primo luogo, queste strategie avanzate:

  • Aumentate i ricavi e riducete i vuoti sfruttando sofisticati algoritmi per ottimizzare i prezzi, assicurando che le proprietà rimangano occupate;

  • Rendere l'intera strategia dei prezzi più prevedibile e affidabile sfruttando un approccio basato sui dati;

  • Ridurre drasticamente il tempo necessario per prendere decisioni sui prezzi, liberando i dirigenti per concentrarsi su iniziative più strategiche, come la selezione di nuovi siti per l'espansione.

class="img-responsive

Soluzione 1: Prezzi guidati dalla segmentazione dei clienti

La segmentazione può essere un potente strumento di supporto alla determinazione dei prezzi di locazione. Raggruppando le unità con caratteristiche simili (per esempio, dimensioni, servizi e posizione all'interno dello sviluppo), così come raggruppando clienti simili in base al loro reddito e alle loro caratteristiche demografiche, è possibile iniziare a identificare modelli all'interno dei gruppi e adattare i prezzi di conseguenza. Questo approccio fornisce una visione molto più ricca del mercato degli affitti, consentendo agli agenti di stabilire prezzi di affitto redditizi ma competitivi, piuttosto che una "strategia unica per tutti".

La tariffazione basata sui segmenti è facile da implementare e da capire per gli utenti finali. Tuttavia, l'efficacia del clustering dipende in larga misura dalla qualità e dalla completezza dei dati. Dati imprecisi, obsoleti o incompleti possono portare a cluster mal formati, con conseguenti strategie di prezzo non ottimali.

Soluzione 2: Previsione intelligente della domanda

Mentre la segmentazione della clientela ci aiuta a comprendere le attuali tendenze del mercato per la determinazione dei prezzi di locazione, la previsione della domanda fa un ulteriore passo avanti. Utilizzando i grandi registri esistenti di dati storici sulle locazioni, gli indicatori economici e i piani di sviluppo futuri dell'area, possiamo prevedere in modo affidabile come la domanda di un particolare immobile possa cambiare nel tempo e di conseguenza come ottimizzare i prezzi per soddisfare la domanda. I fattori chiave da includere nell'analisi sono:

  • Tendenze storiche: Cercare le tendenze di crescita o diminuzione degli affitti in base a fattori come la stagionalità o i cicli economici.

  • Pipeline di sviluppo: Tenere conto dei futuri sviluppi dell'area. I progetti di nuova costruzione potrebbero aumentare l'offerta e influenzare i canoni di locazione. Al contrario, la mancanza di nuove unità potrebbe far salire i prezzi.

  • Dati demografici dei clienti: Combinando le informazioni ricavate dalla segmentazione dei clienti e dalle previsioni, è possibile affinare ulteriormente la strategia dei prezzi per ciascun segmento di consumatori. Ad esempio, potreste prevedere una crescita più rapida degli affitti per i cluster con servizi apprezzati dai giovani professionisti.

Come per la segmentazione, l'efficacia delle previsioni dipende in larga misura dalla qualità e dalla completezza dei registri storici delle locazioni disponibili. Per garantire l'efficacia e la pertinenza delle previsioni in condizioni di mercato mutevoli, è necessario un monitoraggio continuo e una messa a punto da parte di professionisti qualificati.

Soluzione 3: Attività di tariffazione dinamica del leasing di BTR

I sistemi di apprendimento per rinforzo (RL) possono essere molto efficaci per l'implementazione di strategie di prezzo dinamico nelle proprietà BTR, in particolare in situazioni in cui ci sono molti appartamenti da gestire. Questi sistemi possono essere progettati per operare all'interno di fasce di prezzo predefinite, assicurando che i prezzi di locazione rimangano competitivi ed evitando al contempo drastiche fluttuazioni che potrebbero scoraggiare i potenziali affittuari. Analizzando continuamente i dati in tempo reale sulle tendenze del mercato, sul comportamento degli inquilini e sui tassi di occupazione, gli algoritmi di RL regolano i prezzi all'interno di queste fasce per ottimizzare le entrate e mantenere alti i livelli di occupazione.

In pratica, un agente RL verrebbe distribuito come descritto di seguito:

class="img-responsive
  • Formazione: I dati storici sui prezzi delle locazioni, sui tassi di occupazione, sulle tendenze del mercato, sui comportamenti degli inquilini e su altri fattori rilevanti vengono utilizzati per creare un ambiente di simulazione in cui l'agente RL può apprendere e sperimentare diverse strategie di prezzo in una fase controllata; l'agente interagisce con l'ambiente, ricevendo ricompense per le decisioni di prezzo efficaci e una ricompensa pari a zero per i risultati non ottimali, consentendogli di perfezionare la propria strategia attraverso un ciclo di feedback continuo.

  • Distribuzione in ambiente live (cioè all'interno di un appartamento BTR):

    Introduzione iniziale: l'agente RL addestrato viene distribuito in un ambiente reale con misure di sicurezza predefinite. Ad esempio, inizialmente l'agente potrebbe essere autorizzato a modificare i prezzi entro una fascia ristretta (ad esempio, +/- 5%=). L'agente propone il prezzo a un potenziale inquilino e lo adegua in base alla sua risposta.

  • Apprendimento e adattamento continui:

    Regolazioni in tempo reale: L'agente RL impara continuamente dalle interazioni in tempo reale con gli inquilini. Ogni offerta accettata o rifiutata fornisce un feedback prezioso, consentendo all'agente di perfezionare la propria strategia di prezzo in modo dinamico.

L'utilizzo di RL per stabilire i prezzi di locazione degli immobili introduce diverse complessità e rischi, tra cui la necessità di disporre di grandi quantità di dati di alta qualità per consentire all'agente di apprendere e adattarsi continuamente. Per mitigare il rischio di drastiche fluttuazioni dei prezzi man mano che l'agente apprende nell'ambiente reale, gli aggiustamenti dei prezzi di locazione dovrebbero essere mantenuti entro una fascia ristretta per evitare l'insoddisfazione degli inquilini e l'instabilità del mercato. Inoltre, garantire che la presenza umana sia mantenuta nel ciclo supporta risultati equi e solidi nella strategia di determinazione dei prezzi. Per incorporare nuovi dati e adattarsi alle mutevoli condizioni di mercato, è necessario effettuare periodicamente una riqualificazione.

Sebbene il clustering e la previsione siano metodi utili per la determinazione dei prezzi di locazione, in quanto forniscono preziose indicazioni sulle tendenze del mercato e sulla segmentazione degli inquilini, spesso non sono in grado di affrontare le preferenze dei singoli inquilini. Gli agenti RL, invece, eccellono in quest'area grazie alla calibrazione dinamica dell'elasticità della domanda per ogni inquilino. Ciò consente agli agenti di offrire strategie di prezzo personalizzate che riflettono più accuratamente i comportamenti e le preferenze dei singoli inquilini, portando a soluzioni di locazione più efficaci e su misura.

Con la continua crescita del settore BTR, l'integrazione dell'IA nelle strategie di determinazione dei prezzi promette di snellire le operazioni, ridurre gli sfitti e contribuire a un mercato degli affitti più efficiente e reattivo.

Perché Artefact?

Artefact è un'azienda leader nella consulenza globale sui dati, dedicata ad accelerare l'adozione dei dati e dell'IA per avere un impatto positivo sulle persone e sulle organizzazioni. Siamo specializzati nella trasformazione dei dati e nel marketing dei dati per ottenere risultati di business tangibili lungo l'intera catena del valore aziendale. Artefact offre la serie più completa di soluzioni data-driven, basate su una profonda scienza dei dati e su tecnologie di IA all'avanguardia, realizzando progetti di IA su scala nel settore immobiliare nel Regno Unito.

Siamo partner fidati di aziende immobiliari in ambito residenziale, commerciale, industriale e in classi di attività specializzate. Tra i nostri partner figurano società quotate FTSE 350 e organizzazioni private di dimensioni simili. Con oltre 20 anni di esperienza nel settore immobiliare, il nostro team dedicato alle proprietà comprende esperti e professionisti riconosciuti in materia di valutazioni immobiliari, pianificazione urbana, sviluppo e finanziamento.

Il nostro lavoro precedente spazia dallo sviluppo di strategie dinamiche basate sui dati con i nostri clienti - informandoli su dove giocare e come vincere nei loro mercati prescelti - a importanti cambiamenti operativi, come la creazione di nuovi bracci e proposte commerciali. Abbiamo lavorato in tutte le fasi del ciclo di vita di un immobile, dall'acquisizione del terreno alla manutenzione continua, e abbiamo collaborato con i clienti per migliorare scientificamente questi processi.

Leggete il nostro articolo sull'IA generativa per l'interrogazione dei locatari: