Onde cuidar: implementando a ciência data para encontrar os locais ideais para os lares de idosos

Escolher um local ideal para uma casa de repouso não é fácil.

Um bom local para um lar de idosos precisa atender a centenas de requisitos ambientais e de localização complexos para atingir uma taxa de ocupação sustentável. Com um custo médio para os residentes de £1.500 por semana em um mercado competitivo, há pouco espaço para erros.

Tradicionalmente, os compradores de terrenos têm usado décadas de experiência adquirida com muito esforço, o site data público e comercial disponível e as percepções de agentes locais para informar decisões complexas de investimento em terrenos. Porém, em nível nacional, o site data mostra que quase 40% das residências não atingem os limites de ocupação desejados (acima de 80%) após cinco anos de operação.

Os seres humanos não conseguem processar as grandes quantidades de dados micro e macroeconômicos data existentes em todos os códigos postais da Inglaterra e do País de Gales, o que torna quase impossível identificar as complexas correlações e relações existentes entre as centenas de conjuntos de dados. A experiência humana pode nos dar a maior parte da resposta, mas, juntamente com o poder da ciência data , pode levar a melhorias significativas.

A Arca Blanca foi procurada por uma grande construtora e operadora de casas de repouso do Reino Unido para combinar o conhecimento e a experiência de seus agentes imobiliários com nossos recursos científicos e nossa plataforma de propriedade data data . Por meio dessa colaboração, criamos um poderoso modelo de aprendizado de máquina que aproveita tanto o cliente interno data (como o desempenho de cada casa de repouso) quanto mais de 450 fontes externas data (demográficas, micro e macroeconômicas) que abrangem os últimos 30 anos.

Procuramos descobrir a probabilidade de uma casa de repouso atingir mais de 80% de ocupação nos próximos 5 anos, analisando as mudanças na ocupação ao longo do tempo.

Para possibilitar uma previsão de ocupação robusta, data externos, como os dados demográficos data sobre riqueza, geografia e o índice de espaço verde da área, são essenciais e devem ser combinados com o data interno do lar de idosos. Identificamos uma cadência mensal de atualização da ocupação interna como a mais benéfica, pois isso ajuda a identificar e minimizar os efeitos causados pela sazonalidade.

Para cada período de tempo (mensal, neste caso), podemos ver o problema como "categorização" ("A ocupação será de 80% no final do 5º ano? Sim ou Não") ou "previsão": ("Qual a porcentagem da residência que será ocupada no final do 5º ano?"). Além disso, podemos adotar a última abordagem para prever tendências de ocupação ao longo dos 5 anos - um método preferido quando a disponibilidade do site data é limitada.

Para obter previsões de alta precisão, a abordagem escolhida deve ser combinada com técnicas como ajuste de hiperparâmetros e validação cruzada para identificar os parâmetros corretos do modelo e maximizar a precisão da previsão em data novos/não vistos.

O algoritmo é treinado em mais de 5 anos de data interno e externo, mas também precisa ser testado quanto à precisão em data que ele não tenha "visto" antes. Para isso, separamos alguns sites para os quais já conhecemos o histórico de ocupação e os executamos por meio do modelo treinado. Para isso, regredimos o modelo até a data histórica em que os locais entraram em operação para ver o que ele teria previsto naquele momento e o que acabou sendo alcançado. A diferença absoluta entre a ocupação real e a ocupação prevista é chamada de erro de previsão. O modelo deve ser ajustado usando uma abordagem iterativa para manter esse erro o mais baixo possível.

Esse modelo foi testado em uma ampla variedade de sites e tem uma taxa de erro média de apenas 9% - significativamente melhor do que as previsões atuais feitas por humanos. Esse é um resultado incrível, considerando as variações históricas na qualidade e disponibilidade do site data .

Os modelos de aprendizado de máquina existem em um espectro entre altos graus de explicabilidade (caixa branca) e altos níveis de precisão (caixa preta). Na Arca Blanca, nós nos esforçamos para alcançar um meio termo entre os dois. Sem nenhuma explicabilidade, a adoção do modelo se torna complexa, pois ele será tratado com desconfiança. A falta de precisão cria o mesmo problema de uma forma diferente.

Neste projeto, buscamos um nível de precisão extremamente alto, mas fornecemos graus de confiança nos resultados com base na disponibilidade de data, na presença de outliers e na confiança geral nos resultados com base em intervalos estatísticos. Isso é complementado por níveis significativos de data locais que têm uma forte relação com os resultados. Juntos, esses dados apresentam um quadro convincente dos níveis de confiança nos resultados e o que pode impulsionar esses resultados.

Nosso cliente adotou o modelo como um componente essencial de seus comitês de investimento. Criamos um painel sob medida para permitir uma tomada de decisão mais rápida e precisa nas reuniões de diretoria (substituindo a incômoda visão interna), de modo que eles possam executar cenários ao vivo e descartar um grande número de locais em potencial sem a necessidade de investigações ou visitas demoradas e dispendiosas ao local. Todas as oportunidades de aquisição de terras agora são rapidamente priorizadas; o site local data , bem como os resultados do modelo, formam um suporte diário e essencial para a equipe de aquisição de terras.

É importante ressaltar que a organização adotou a aprendizagem automática e o potencial que ela oferece, não como uma ameaça aos empregos e às formas de trabalho, mas como uma ferramenta essencial para criar vantagens exclusivas em um mercado de investimentos complexo e desafiador.

"A complexidade de interpretar centenas de variáveis para definir suas relações com o sucesso destaca a necessidade de modelos orientados por AI para aprimorar a tomada de decisões humanas."

A combinação de várias fontes de data pode oferecer uma compreensão abrangente dos vários fatores que impulsionam as taxas de ocupação. Em um caso de uso específico para um construtor de casas de repouso, descobrimos que os indicadores de piscinas próximas eram um dos cinco principais fatores de ocupação - algo que um agente imobiliário pode facilmente ignorar! A complexidade de interpretar inúmeras características demográficas, piscinas, indicadores de área verde e centenas de outras variáveis para definir suas relações com o sucesso destaca a necessidade de modelos orientados por AI para aprimorar a tomada de decisões humanas.

O ponto em que os modelos AI ficam aquém, especialmente no setor imobiliário, é na interpretação de comportamentos humanos irracionais. Os residentes idosos podem estar dispostos a percorrer distâncias maiores para buscar casas de repouso se estiverem mais próximos de amigos ou parentes, talvez se mudem para acompanhar um filho ou uma filha que acabou de mudar de área geográfica para um novo emprego. Talvez eles não tenham parentes e queiram se mudar mais para o sul por causa do clima "melhor" e da qualidade claramente superior do fish & chips local.

Também é fundamental reconhecer que nem todas as regiões do Reino Unido têm uma coleção data demográfica robusta ou as catalogam da mesma forma (a Escócia é uma diferença notável). Os modelos AI também só podem analisar variáveis para as quais existe um histórico data robusto e de qualidade - não é possível medir a qualidade da vista de um determinado local ou a simpatia dos gerentes das casas de repouso. Não é possível medir a qualidade da comida em casas de repouso concorrentes ou entender as qualidades específicas do jardim de uma casa ou sua programação de atividades. Dessa forma, as limitações inerentes a essas ferramentas do AI devem ser compreendidas. Elas não podem ser a única fonte de informações na tomada de decisões. Até que os seres humanos parem de tomar decisões irracionais, o AI (ainda) não substituirá os agentes fundiários experientes. Elas complementam a tomada de decisão humana em vez de substituí-la.

Em última análise, a implementação bem-sucedida de modelos de previsão de ocupação requer uma abordagem equilibrada que integre insights orientados por data com conhecimento e compreensão humanos. A utilização de dados demográficos, macroeconômicos, de varejo, de negócios e de propriedades hiperlocais data para prever os níveis de ocupação vai muito além do setor de casas de repouso e pode ser aplicada a outras classes de ativos (acomodação para estudantes, escritórios, varejo, I&L etc.). As equipes de marketing podem aproveitar esse conceito para planejar campanhas direcionadas com base na densidade populacional de locais específicos, bem como entender melhor o número ideal de unidades ou quartos e seus níveis ideais de preços. Ao aproveitar o poder do grande data, os executivos podem tomar decisões mais bem informadas e otimizar as operações.

Esse projeto foi executado por uma equipe conjunta de consultores de gestão, Data cientistas e tecnólogos durante um período de 16 semanas em constante colaboração com a equipe do cliente. O projeto foi executado em duas fases. A primeira consistiu na criação de uma Prova de Conceito de custo relativamente baixo e baixo comprometimento durante um período de 4 semanas para garantir que um modelo preciso pudesse ser criado, enquanto a segunda fase de 12 semanas consistiu no fortalecimento do modelo com fontes adicionais de data e algoritmos mais robustos, além da criação de um painel sob medida para os usuários interagirem.