Predykcja w nieruchomościach - jak dane o najmie pomagają prognozować ryzyko

Predykcja w nieruchomościach to wykorzystanie danych, które zarządca i tak zbiera, do oceny, co wydarzy się w portfelu w najbliższych miesiącach. Który najemca zacznie spóźniać się z czynszem. Która umowa nie zostanie przedłużona. Ile czasu lokal będzie stał pusty po wyprowadzce. Odpowiedzi rzadko wynikają z jednej informacji. Zwykle składają się z kilkunastu drobnych sygnałów, które osobno nikogo nie niepokoją. W większości firm te sygnały są rozproszone. Wpłaty widzi księgowość, zgłoszenia usterek dział techniczny, a rozmowy o przedłużeniu umowy prowadzi asset manager, który trzyma notatki we własnej skrzynce mailowej. Nikt nie widzi całości, więc ryzyko wychodzi na jaw dopiero wtedy, gdy przyjmuje postać konkretnej straty: drugiej nieopłaconej faktury albo wypowiedzenia na biurku.

Jako software house budujemy systemy dla firm zarządzających najmem i łączymy je z księgowością, portalami i narzędziami analitycznymi. Poniżej opisujemy, jakie ryzyka da się sensownie prognozować, które dane o najmie mają największą wartość, jak zbudować pierwszy model i gdzie takie projekty najczęściej się wykładają. Bez obietnic, że algorytm zastąpi doświadczonego zarządcę. Nie zastąpi.

Jakie ryzyka w najmie da się przewidzieć

Najczęściej prognozuje się trzy rodzaje zdarzeń. Pierwsze to zaległości czynszowe, czyli sytuacja, w której najemca przestaje płacić w terminie albo płaci tylko część kwoty. Drugie to nieprzedłużenie umowy, które w najmie mieszkaniowym oznacza rotację lokatorów, a w komercyjnym - lukę w przychodach budynku i koszt aranżacji dla nowego najemcy. Trzecie to pustostan: jak długo lokal pozostanie niewynajęty i ile to będzie kosztować.

Każde z tych ryzyk wygląda inaczej w zależności od segmentu. W najmie instytucjonalnym i w coliving oraz projektach PRS portfel liczy setki lub tysiące umów, więc łatwiej o dane, na których model się uczy. W biurowcu z trzydziestoma najemcami każde nieprzedłużenie jest osobną historią, a statystyka ma mniej do powiedzenia. Tam predykcja działa raczej jak system wczesnego ostrzegania niż jak precyzyjny kalkulator prawdopodobieństwa. Są też ryzyka, których z danych o najmie przewidzieć się nie da. Nagła upadłość dużego najemcy komercyjnego, zmiana przepisów czy pożar nie zostawiają śladów w historii płatności. Dobry projekt zaczyna się od uczciwego oddzielenia tego, co model może zobaczyć, od tego, czego nie zobaczy nigdy.

Dane o najmie, które mówią najwięcej

Najcenniejszym źródłem jest historia płatności. Nie sama informacja, czy czynsz wpłynął, ale jego rytm: w którym dniu miesiąca najemca zwykle płaci, czy ten dzień przesuwa się z miesiąca na miesiąc, czy pojawiają się wpłaty częściowe, czy najemca prosi o rozłożenie należności na raty. Wartość takich danych widać też poza branżą nieruchomości. W badaniu TransUnion opisanym przez National Mortgage News, przeprowadzonym na próbie miliona konsumentów w USA, dołączenie historii płatności czynszu do tradycyjnych danych kredytowych sprawiło, że modele były co najmniej o 10 proc. skuteczniejsze w przewidywaniu nowych opóźnień powyżej 90 dni w spłacie kredytów. Drugim źródłem jest sama umowa. Data końca, okres wypowiedzenia, klauzule indeksacyjne, opcje przedłużenia czy prawo do wcześniejszego rozwiązania określają, kiedy ryzyko w ogóle może się zmaterializować. W portfelach komercyjnych te informacje często siedzą w PDF-ach, dlatego pierwszym krokiem bywa narzędzie do analizy umów najmu (lease abstraction), które wyciąga z dokumentów ustrukturyzowane dane.

Model zasilają zwykle także dane z codziennej obsługi:

• zgłoszenia serwisowe i reklamacje - ich liczba, czas rozwiązania i to, czy najemca wracał z tą samą sprawą,
• aktywność w portalu lub aplikacji najemcy, np. logowania, pobrane faktury, zapytania o warunki,
• wykorzystanie powierzchni w nieruchomościach komercyjnych, mierzone danymi z kontroli dostępu lub rezerwacji sal,
• zmiany w kosztach utrzymania lokalu, takie jak podwyżki opłat eksploatacyjnych,
• dane rynkowe: stawki ofertowe w okolicy, liczba konkurencyjnych lokali, czas wynajmu podobnych powierzchni.

Kilka z tych danych firmy już mają, tylko nie w jednym miejscu. Dobrze pokazuje to samoobsługowy panel właściciela dla BlueApart, w którym przychody, obłożenie, rezerwacje i rozliczenia apartamentów korzystają ze wspólnego zaplecza z systemem rezerwacji. Gdy dane mają jedno źródło, zbudowanie na nich prognozy jest znacznie prostsze.

Ostrożności wymaga dobór cech. Model nie powinien opierać się na informacjach, które mogą prowadzić do dyskryminacji najemców, takich jak wiek, pochodzenie czy stan zdrowia. Zachowanie płatnicze i przebieg umowy wystarczą. I dają lepsze wyniki.

Jak działa predykcja w nieruchomościach krok po kroku

Sam algorytm to mniejsza część pracy. Większość czasu zajmuje przygotowanie danych i ustalenie, na jakie pytanie model ma odpowiadać.

Precyzyjna definicja zdarzenia

„Najemca z problemami” to za mało. Model potrzebuje definicji, którą da się sprawdzić w danych, na przykład: zaległość powyżej 30 dni w ciągu najbliższych 90 dni. Albo: brak podpisanego aneksu przedłużającego na sześć miesięcy przed końcem umowy. Od tej definicji zależy wszystko dalej, łącznie z tym, jakie działania uruchomi wynik.

Cechy zamiast surowych danych

Model nie uczy się na tabeli wpłat, tylko na cechach, czyli liczbach opisujących zachowanie najemcy. Średnie opóźnienie z ostatnich sześciu miesięcy. Zmiana tego opóźnienia względem poprzedniego półrocza. Liczba wpłat częściowych. Odsetek zgłoszeń serwisowych, które wróciły. Miesiące do końca umowy. Dobre cechy powstają ze współpracy analityka z zarządcą, który wie, co w zachowaniu najemcy zwykle poprzedza kłopoty.

Zanim cokolwiek trafi do modelu, dane trzeba sprawdzić. Zdublowane wpłaty, umowy bez daty końca czy najemcy zapisani pod dwiema nazwami potrafią zepsuć wynik bardziej niż słaby algorytm. Dlatego walidacja danych na etapie importu jest pierwszym elementem każdego takiego systemu.

Prosty model na początek

Na start zwykle wystarczy regresja logistyczna, czyli model, który z kilkunastu cech wylicza prawdopodobieństwo wystąpienia zdarzenia i pozwala łatwo sprawdzić, która cecha ma największy wpływ. To jedna z najstarszych metod, dzięki którym modele uczą się na danych z przeszłości. Gdy prosta wersja działa i zespół jej ufa, można sięgnąć po bardziej złożone metody, na przykład drzewa decyzyjne wzmacniane gradientowo, które lepiej wychwytują nieoczywiste zależności. W praktyce takie modele buduje się najczęściej w Pythonie z biblioteką scikit-learn.

Sprawdzian na przeszłości

Model sprawdza się, cofając się w czasie. Bierze się stan portfela sprzed roku, każe modelowi wskazać najemców zagrożonych zaległością i porównuje wynik z tym, co wydarzyło się naprawdę. Ta metoda nazywa się backtestem. Pokazuje, ilu problematycznych najemców model wychwycił i ilu wskazał niepotrzebnie. Oba błędy mają swój koszt: przeoczona zaległość to strata, a fałszywy alarm to zirytowany dobry najemca i czas zespołu.

Wczesne sygnały zaległości w portfelu mieszkań

Weźmy firmę, która zarządza kilkuset mieszkaniami na wynajem w dwóch miastach. Większość najemców płaci regularnie, ale co miesiąc kilka osób wpada w zaległości, a odzyskanie pieniędzy po trzech miesiącach jest dużo trudniejsze niż po trzech tygodniach.

Model nie wskazuje „złych najemców”. Wskazuje zmianę zachowania. Typowe sygnały, które razem podnoszą wynik ryzyka, to:

• przesunięcie dnia wpłaty, np. z trzeciego na dwunasty dzień miesiąca w ciągu kwartału,
• pierwsza wpłata częściowa po długim okresie pełnych płatności,
• pytanie o możliwość rozłożenia opłat lub zmiany terminu płatności,
• seria nierozwiązanych zgłoszeń serwisowych, po których najemca przestaje odpowiadać na wiadomości.

Każdy z tych sygnałów osobno niewiele znaczy. Ktoś zmienił pracę i dostaje pensję później. Ktoś inny zapłacił częściowo, bo pomylił kwotę. Dopiero połączenie kilku zdarzeń w krótkim czasie daje obraz, który warto sprawdzić rozmową.

Wynik trafia do zarządcy na długo przed pierwszą zaległością. Rozmowa, propozycja zmiany terminu płatności albo krótki plan spłaty rozwiązują sprawę, zanim urośnie. Podobnie działa analiza predykcyjna w biznesie w handlu czy logistyce: model szereguje przypadki według ryzyka, a ludzie decydują, od których zacząć.

Nieprzedłużone umowy i pustostany w nieruchomościach komercyjnych

W biurach, handlu i magazynach ryzyko skupia się wokół terminów umów. Wskaźnikiem, na który patrzą właściciele i banki, jest WALT, czyli średni ważony czas pozostały do końca umów najmu. Im krótszy, tym większa część przychodów budynku jest zagrożona w najbliższych latach. Sam WALT nie mówi jednak, które umowy naprawdę się skończą. Prognoza nieprzedłużenia łączy kilka rodzajów danych. Kalendarz umów pokazuje, kiedy najemca podejmuje decyzję. Dane o wykorzystaniu powierzchni pokazują, czy firma potrzebuje jeszcze tylu metrów. Zgłoszenia serwisowe i ich rozwiązywanie mówią o zadowoleniu. A brak jakiejkolwiek rozmowy o przedłużeniu na rok przed końcem umowy to sygnał, którego żaden system nie powinien przeoczyć. W najmie mieszkaniowym ten sam problem opisuje się jako wskaźnik rezygnacji (churn rate), znany z usług abonamentowych.

Druga część prognozy dotyczy tego, co stanie się po wyprowadzce. Model szacuje czas do wynajęcia lokalu na podstawie jego metrażu, standardu, piętra, stawki i sytuacji w okolicy. Pozwala to porównać dwa scenariusze: obniżkę czynszu, żeby zatrzymać obecnego najemcę, albo pustostan przez kilka miesięcy i koszt przygotowania lokalu dla nowego. Takie wyliczenia łączą się z revenue managementem w nieruchomościach, czyli dynamicznym ustalaniem stawek na podstawie popytu. Aby to działało, system musi znać wszystkie terminy i klauzule. W tym pomagają systemy do monitorowania umów najmu, które pilnują dat wypowiedzeń, indeksacji i opcji przedłużenia.

Od wyniku modelu do decyzji zarządcy

Model, którego wynik ląduje w osobnym raporcie, szybko przestaje być używany. Wynik ryzyka powinien pojawiać się tam, gdzie zarządca i tak pracuje: przy karcie najemcy w oprogramowaniu do zarządzania nieruchomościami, w CRM albo w kolejce zadań na dany tydzień.

Liczba to za mało. Zarządca musi wiedzieć, dlaczego model uznał najemcę za zagrożonego: „dzień wpłaty przesunął się o 9 dni w ostatnim kwartale, dwie wpłaty częściowe”. Taka wyjaśnialność buduje zaufanie do systemu i pozwala szybko wychwycić absurdalne wskazania. Jeśli model sygnalizuje ryzyko, bo najemca zapłacił z innego rachunku, zespół od razu to zauważy. Każdy próg ryzyka powinien mieć przypisane konkretne działanie. Niski wynik - bez reakcji. Średni - automatyczne przypomnienie przed terminem płatności. Wysoki - telefon od opiekuna najemcy w ciągu tygodnia. Taki podział zapisuje się w procesie, a nie w głowie jednej osoby. W komunikacji z najemcami przydają się aplikacje do kontaktu z najemcą, przez które przypomnienia i propozycje planu spłaty trafiają bez angażowania zespołu.

Decyzja zostaje po stronie człowieka. Model może podpowiedzieć, z kim porozmawiać w pierwszej kolejności. Nie powinien sam wypowiadać umów ani odmawiać przedłużenia.

Gdzie projekty predykcyjne w nieruchomościach się wykładają

Najczęstszą przyczyną porażki są dane. Historia płatności z ostatnich kilku miesięcy nie wystarczy, żeby model czegokolwiek się nauczył. Podobnie jest, gdy zaległości zdarzają się rzadko: przy kilku przypadkach rocznie model nie ma z czego wyciągać wniosków. Wtedy lepiej zacząć od prostych reguł ustalonych z zarządcami i zbierać dane, aż będzie ich dość. Drugi problem to zmiana warunków. Model wytrenowany w okresie niskich stóp procentowych i stabilnych czynszów może zupełnie inaczej działać, gdy koszty życia najemców rosną. Dlatego jego trafność trzeba mierzyć co miesiąc, a w razie spadku trenować go na nowszych danych. Wersje modeli, ich parametry i wyniki łatwiej śledzić w narzędziach takich jak MLflow do zarządzania uczeniem maszynowym. Trzeci problem jest organizacyjny. Model działa, wskazuje najemców, a nikt nie ma czasu na reakcję. Albo zespół uznaje go za „czarną skrzynkę” i ignoruje. Bez właściciela procesu po stronie firmy nawet trafna prognoza niczego nie zmienia.

Dane rozsiane po wielu systemach utrudniają każdy z tych etapów. Jeśli księgowość, system najmu i obsługa techniczna nie mają wspólnego źródła, sensownym krokiem przed modelem jest hurtownia danych, czyli jedno miejsce, do którego trafiają uporządkowane dane z różnych źródeł.

Jak zacząć: od jednego ryzyka i jednego portfela

Projekt predykcji nie musi obejmować od razu wszystkich ryzyk i budynków. Najlepiej sprawdza się kolejność, w której każdy etap daje wartość niezależnie od następnego:

1. Przegląd danych: skąd pochodzą, jak długa jest historia, jak często zdarzały się zaległości i nieprzedłużenia.
2. Wybór jednego ryzyka, najczęściej zaległości czynszowych, i precyzyjna definicja zdarzenia.
3. Proste reguły ostrzegawcze ustalone z zarządcami, które od razu trafiają do codziennej pracy.
4. Pierwszy model sprawdzony na danych historycznych i porównany z regułami.
5. Wynik ryzyka z uzasadnieniem przy karcie najemcy oraz działania przypisane do progów.
6. Stały pomiar trafności i rozszerzenie na kolejne ryzyka, np. nieprzedłużenie umów.

Już trzeci krok często daje zauważalną różnicę, bo zespół zaczyna reagować na sygnały, które wcześniej ginęły w arkuszach. Model uczenia maszynowego poprawia potem precyzję, ale nie zastępuje dobrze ułożonego procesu. Podstawy uczenia maszynowego w praktyce pomagają ocenić propozycję dostawcy, zanim firma zamówi model. Część firm korzysta z modułów analitycznych wbudowanych w gotowe systemy do zarządzania najmem. To dobry początek, jeśli wszystkie dane są w jednym narzędziu. Gdy firma łączy kilka systemów, ma nietypowy portfel albo chce budować prognozy na własnych danych operacyjnych, lepiej sprawdza się rozwiązanie projektowane pod jej procesy. Przed decyzją opłaca się przejść warsztaty product discovery, na których ustala się, jakie decyzje ma wspierać prognoza i czy dane na to pozwalają.

Budujemy oprogramowanie dla branży nieruchomości, w tym systemy do zarządzania najmem, panele klienta i narzędzia analityczne zintegrowane z księgowością i portalami. Jeśli chcesz sprawdzić, czy Twoje dane o najmie wystarczą do pierwszej prognozy, skontaktuj się z zespołem Boring Owl.