以租代建(BTR)建筑是房地产行业快速发展的趋势,其特点是专门建造用于长期出租而非出售的房产。这些开发项目迎合了日益增长的租房人群的需求,其中包括年轻的专业人士、家庭和缩减规模的退休人员,他们优先考虑的是便利性、灵活性和专业的楼宇管理。.

使用人工智能确定 BTR 楼宇的租赁价格是房地产行业的一项重大创新。它通过分析市场趋势、当地经济状况、物业设施、租户人口统计和租赁历史等多种因素来优化租金定价。该系统可确保租赁价格具有竞争力且公平合理,可根据供求关系的实时变化进行动态调整,以适应租户的支付意愿。.

挑战

所有 BTR 运营商的首要目标都是以可实现的最高租金尽快实现满租。价格过低或过高的潜在风险很高,会导致代价高昂的空置和延误。.

使用现有的基于电子表格的方法来确定 BTR 物业的租赁价格面临着一些重大挑战。定价是在单个单元的层面上进行的(但分摊到整栋楼的层面上),而不是真正了解租户和单元的具体情况。传统方法是高度人工化的,需要大量的 data 收集和分析,既耗时又容易出现人为错误。物业管理人员必须不断监控市场趋势、当地经济指标和竞争性定价,这往往会导致频繁的来回调整。.

此外,目前的定价是基于一套狭隘的市场属性,如市场竞争和建筑物的具体情况(如是否靠近电梯、楼层、是否有阳台等),而不是考虑租户的人口统计数据(如工作、家庭/婚姻状况/收入/租期)和租户历史(他们是否就租约、收入、租期或投诉进行过谈判)。这种人工操作过程可能导致对市场变化的反应延迟,造成定价过高导致空置,或定价过低减少潜在收入。.

此外,缺乏实时 data 分析意味着定价决策可能无法准确反映当前的市场状况,从而导致效率低下和潜在的经济损失。总体而言,现有的方法不仅增加了运营工作量,还削弱了优化租金收入和在动态的物业租赁市场中保持竞争力的能力。.

解决方案:Artefact 的动态定价策略工具套件

Artefact 已为 BTR 应用中的租赁定价开发了几种先进的解决方案,包括客户细分、预测和强化学习。分阶段的方法也特别有效,物业管理人员可以从较简单的方法开始,随着 data 可用性和系统成熟度的提高,逐步采用更复杂的技术。所有建议的解决方案都建立在传统定价方法的基础上,利用承租人的具体因素,包括他们的支付意愿、人口统计和承租人历史。.

通过考虑位置、设施、历史出租率和租户人口统计等多种变量,人工智能驱动的定价模型提供了远超传统方法的精确性和适应性。这些先进的策略主要包括

  • 利用先进的算法优化定价,增加收入,减少空置率,确保物业持续有人使用;;

  • 利用 data-driven 方法,使整个定价策略更具可预测性和可靠性;;

  • 大大缩短定价决策所需的时间,使管理人员能够专注于更具战略性的举措,如选择新的扩张地点。.

解决方案 1:客户细分驱动定价

细分是支持租赁定价的有力工具。通过对具有相似特征的单位进行分组(如面积、设施和楼盘位置),以及根据收入和人口特征对相似客户进行分组,您可以开始识别组内的模式,并相应地调整定价。这种方法提供了更丰富的租赁市场信息,使中介能够制定既有利可图又具有竞争力的租金价格,而不是 “一刀切 ”的策略。.

基于分段的定价对于最终用户来说易于实施和理解。但是,分组的有效性在很大程度上取决于 data 的质量和完整性。不准确、过时或不完整的 data 会导致聚类不完善,从而导致定价策略不理想。.

解决方案 2:智能需求预测

客户细分有助于我们了解当前租赁定价的市场趋势,而需求预测则更进一步。通过利用现有的大量历史租约 data、经济指标和该地区的未来发展计划,我们可以可靠地预测特定物业的需求会随着时间的推移发生怎样的变化,从而预测如何优化定价以满足需求。分析中应包括的关键因素有

  • 历史趋势: 根据季节性或经济周期等因素,寻找租金增长或下降的趋势。.

  • 发展管道: 考虑该地区未来的发展。新建项目可能会增加供应量并影响租金。反之,缺乏新单位可能会推高价格。.

  • 客户人口统计: 通过结合客户细分和预测的洞察力,您可以进一步完善针对每个消费群体的定价策略。例如,您可以预测拥有年轻专业人士喜爱的配套设施的组团租金增长更快。.

与细分类似,预测的有效性在很大程度上取决于现有历史租赁登记册的质量和完整性。可靠的洞察力需要熟练的专业人员进行持续监测和微调,以确保在不断变化的市场条件下保持有效性和相关性。.

解决方案 3:BTR 动态租赁定价资产

强化学习(RL)系统可以非常有效地实施 BTR 物业的动态定价策略,尤其是在有大量公寓需要管理的情况下。这些系统可在预定义的定价范围内运行,确保租赁价格保持竞争力,同时防止出现大幅波动,以免潜在租户望而却步。通过对市场趋势、租户行为和入住率的实时 data 分析,RL 算法可在这些区间内调整价格,以优化收入并保持较高的入住率。.

实际上,RL 代理的部署方式如下所述:

  • 培训: 关于租赁价格、占用率、市场趋势、租户行为和其他相关因素的历史 data 被用来创建一个模拟环境,在这个环境中,RL 代理可以在受控阶段学习和尝试不同的定价策略,代理与环境互动,对有效的定价决策进行奖励,对次优结果进行零奖励,从而通过持续的反馈循环完善其策略。.

  • 在实时环境中部署(即在 BTR 公寓内):

    初步推广:将训练有素的 RL 代理部署到具有预定安全措施的实时环境中。例如,最初可能允许代理在一个很小的范围内调整价格(如 +/- 5%=)。代理向潜在租户提供价格,并根据他们的反应调整定价。.

  • 不断学习和适应:

    实时调整:RL 代理从与租户的实时互动中不断学习。每个被接受或被拒绝的报价都会提供宝贵的反馈信息,使代理能够动态地改进其定价策略。.

使用 RL 为物业设定租赁价格会带来一些复杂性和风险,包括需要大量高质量的 data 以便代理不断学习和适应。为了降低代理在实时环境中学习时价格剧烈波动的风险,租赁价格调整应保持在一个较窄的范围内,以避免租户不满和市场不稳定。此外,确保人在环路中的存在有助于定价策略取得公平、稳健的结果。应定期进行再培训,以纳入新的 data 并适应不断变化的市场条件。.

虽然聚类和预测是租赁定价的有用方法,能为市场趋势和租户细分提供有价值的见解,但它们往往无法满足租户的个人偏好。然而,RL 代理公司通过动态校准每个租户的需求价格弹性,在这方面表现出色。这样,代理就能提供个性化的定价策略,更准确地反映租户的个人行为和偏好,从而提供更有效、更量身定制的租赁解决方案。.

随着房地产租赁行业的不断发展,将人工智能融入定价策略有望简化运营、减少空置率,并促进租赁市场更加高效、反应更快。.

为什么选择 Artefact?

Artefact 是一家全球领先的 data 咨询公司,致力于加快 data 和人工智能的应用,从而对人员和组织产生积极影响。我们专注于 data 转型和 data marketing,以推动整个企业价值链取得切实的业务成果。Artefact提供最全面的data-driven解决方案,建立在深厚的data科学和尖端的人工智能技术之上,在英国房地产行业大规模交付人工智能项目。.

我们是住宅、商业、工业和专业资产类房地产企业值得信赖的合作伙伴。我们的合作伙伴包括富时 350 指数上市公司和类似规模的私营机构。我们的专业房地产团队在房地产领域拥有 20 多年的经验,包括房地产估价、城市规划、开发和融资方面的专家和特许专业人士。.

我们以往的工作包括与客户共同制定以 data 为主导的动态战略--告知客户在所选市场中的竞争优势和取胜之道--以及重大运营变革,如建立新的业务分支和主张。我们参与过房地产生命周期的各个阶段,从土地购置到持续维护,并与客户一起科学地改进这些流程。.

阅读我们关于用于租赁审讯的生成式人工智能的文章: