All Posts By

Makk Árpád

Ingatlanok árazása

By | Data Science | No Comments

Az ingatlanok értéke könnyen összegezhető a telek elhelyezkedése, nagysága, befektetett különböző erőforrások értéke alapján. Ezzel szemben az ára nehezebben meghatározható egy “dinamikusan” változó környezetben, ahol más és más célok keverékével találnak újabb gazdára az ingatlanok.

Egyre nagyobb arányban jelenik meg a spekuláns, vagy kiadási célra vásárló kereslet, ami könnyen felborítja a piac megszokott működését. Emiatt az elmúlt években az ingatlan értékét kevésbé latba véve, az aktuális piacon lévő hasonló ingatlanok árát súlyozva volt helyesebb meghatározni az ingatlan árát. A problémát tovább nehezítette, hogy ezt az árazást elég sűrűn újra a piachoz kellett igazítani, hiszen akár egy hónap elteltével hasonló ingatlanok ára is százalékokkal változhatott. Ebben a kérdéskörben lehettünk segítségére egy projekt keretei között egy ingatlanközvetítő cégnek.

Mivel a jelenben szeretnénk megkapni az ingatlan árát és nem előrevetíteni ennek a változását egy következő periódusra, így a probléma egy egyszerű regresszióval is leírható. Első lépésként meg kell különböztetnünk a cél és magyarázó változót. A cél az ingatlan ára, a magyarázók pedig azok az attribútumok, amik legjobban meg tudják magyarázni az ár alakulását. Bár ezek a tényezők akár régiónként is nagy részben változhatnak, azonban legtöbb esetben a következő változók jelentik a minimum követelményt egy ingatlan árának a meghatározásához:

  • Időpont

Az ingatlan meghirdetésének vagy keresésének az időpontja. Elegendő az év-hónap esetleg a negyedév feltüntentése, így könnyebben követhető mely negyedévekben volt nagyobb az emelkedés vagy csökkenés, vagy ennek kombinációja, ami volatilitást szült. Fontos megjegyezni, hogy a meghirdetett ár és a ténylegesen eladásra került ingatlan ára között nem csupán marginális eltérések lehetnek, hiszen a meghirdetett ár, nem biztos, hogy fix és a vásárló is lehet elég szemfüles, hogy jól tud alkudni. Ezt nagyban befolyásolja, hogy az eladó milyen gyorsan akar túladni a ingatlanon.

  • Ingatlan tulajdonságai

Az ingatlan tulajdonságait két nagy csoportba sorolhatjuk. Az első és talán legfontosabb a különböző méretek, mint ingatlan, terasz, telek területek, szobák száma és ezek kialakítása, belmagasság és további az ingatlan állapotát nem tükröző adottságok. Ne feledkezzünk meg természetesen az építés évéről és a kiépített infrastruktúráról sem.

A szembetűnőbb és egyben szubjektívabb elemek fedik le az ingatlan állapotát, amit egyszerűség kedvéért egy szimpla pontozási rendszerrel is megoldhatunk, azonban, ha csak egy ötös skálát veszünk alapul, akkor nagy különbségek lehetnek akár az átlagos, akár a luxus ingatlanok között és nem jelölhetjük csupán hármassal az előbbit és ötössel az utóbbit. Ebben lehetnek segítségünkre a leírások, amelyek tartalmazhatják, hogy felújított vagy esetleg arra szoruló az ingatlan. Ha ezeket is alapul szeretnénk venni az ingatlan árának becslésnél, akkor ezeknek a mondatoknak a dekódolása is szükséges. Csak ezeket a leírásokat felhasználni a modellezéshez természetesen kockázatos, hiszen ez az egyéntől függ, hogy hogyan írja le az adott tényezőket, azonban kiegészítésének biztos segítség lehet.

  • Környék és elhelyezkedés

Nem mehetünk el szó nélkül az ingatlan elhelyezkedése mellett, hiszen hasonló ingatlan akár Pesten, vagy Budán helyezkedik el, vagy esetleg más és más városokban, az nagyon megszabja, hogy minek mennyi is az ára. Fontos megemlíteni az ingatlan esetében, hogy merre néz, hiszen nem mindegy, hogy egy csendes belső udvarra, vagy a forgalmas utca felé. Emellett számba kell venni az ingatlan közelségében lévő szolgáltatási lehetőségeket is, amelyek iránti igény életciklusonként eltérő lehet. Hiszen fiatalon még fontos, hogy akár a szórakozóhelyek, akár az iskola elérhetők legyenek, későbbiekben a munkahely, bevásárlási lehetőségek, gyógyszertár majd az óvoda, iskola, stb.
A közelben lévő szolgáltatások azonosításához a bárki számára elérhető OpenStreetMap-et használtunk, ami a Google Maps-hez hasonlóan nem csak az úthálózatokat, de a különböző szolgáltatásokat is felöleli a régiókban. A projekt során az ingatlanok koordinátáit felhasználva gyűjtöttük össze a közelségükben található szolgáltatásokat, amelyek pozitívan hathatnak az árak alakulására. Emellett összegeztük a tömegközlekedési lehetőségeket és a nagyobb utazási csomópontokat.

  • KSH adatok

Az ingatlanok árát befolyásolja a település de a régió adottságai is. Beszélhetünk akár a balatoni borvidék közelségéről, vagy a munkanélküliségi rátáról a körzetben, vagy egyszerűen az új lakások számáról. Bár nagy átlagban nem játszik nagy szerepet a régió KSH adatai, azonban ezeket a tényezőket is szükséges figyelembe venni, hogy minél pontosabb árat prediktálhassunk.

Természetesen az érdeklődőnek nem szükséges tudnia, hogy milyen messze helyezkedik el telkéhez a legközelebbi bevásárlóközpont, vagy mennyi az átlagkereset a településén, elegendő, ha csak a fontosabb tulajdonságait megosztja az ingatlanáról. De természetesen minél több információt oszt meg a felhasználó, annál pontosabban tud a modellünk prediktálni.

A fenti képen az ingatlan és régió tulajdonságait láthatjuk és ezek hatását az árra, ha a skála piros, akkor növeli az ingatlan árát, kékkel jelölve fordított az irány. Ezek a hatások az első pár változó esetében jól is látható, hiszen a bruttó és nettó méret növekedésével az ingatlan ára is egyre nagyobb lesz, de befolyásolja a korábban említett tranzakciós vagy kikiáltási ár is és hogy mikor lett létrehozva az ingatlan hirdetés.

De pontosan mi is mondja meg az árat és ez mennyire pontos, kérdezheti jogosan a felhasználó. Már a változókból is jól látható, hogy nem feltétlenül van meg minden egyes változó között a lineáris kapcsolat, így a lineáris regressziónál komplexebb modellezésre volt szükségünk. Hogy a felhasználóknak továbbra is egyszerű maradjon az értelmezés, egy döntési fák csoportjából álló modellezés mellett döntöttünk. Ekkor az egyes fák csupán gyenge tanulóként jelennek meg, csak a változók egy részével találkoznak, azonban ezek információk összevetésével egy erős tanuló hozható létre.

Bár elsőre meggyőzőnek tűnik, azonban mi lehet a probléma ezzel a modellezéssel? Az információk összevetésével átlagolás történik, ami információ vesztéssel is jár, azonban a nagy számban előforduló átlagos ingatlanok esetében nagyon jól működik az eljárás. Tehát az átlagos panelek, lakások, családi házak becslése megfelelő lesz, azonban a hatalmas loftok, vagy rózsadombi ingatlanok esetében alul becsli a modell az ingatlan árát.

Megnyugtatásul ez a probléma is kezelhető, ha a tanuló halmazokat rögtön ennek tudatában alakítjuk ki, hogy az egyedibb jellemzőkkel bíró ingatlanokat próbáljuk egy szegmensbe rakni és ezekre a kialakult csoportokra különböző modelleket fejleszteni. Ennek köszönhetően mindenki a lehető legjobb árat kaphatja meg a piacnak megfelelően pár perc alatt és nem kell átfésülni az összes hasonló ingatlant, hogy megszabhassuk a legjobb árat.

Fejlesztésünk eredményét az ingatlanközvetítő cég a dolgozóik támogatására használja, vagyis az ingatlanközvetítő kolléga a lakás adatainak megadása után azonnal kap egy becsült irányárat. Ezt összevetheti a saját vagy az eladó elképzeléseivel, így könnyebben kialakul egy reális eladási ár.

Az ajánlórendszerek használata ma már igen elterjedt, aki ilyen megoldást tervez bevezetni, több szolgáltató dobozos terméke közül is választhat. A döntés előtt érdemes azonban mérlegelni, hogy ezek a standardizált megoldások megfelelően illeszkednek-e a szolgáltatáshoz vagy a szolgáltatás speciális jellege miatt érdemes inkább egy egyedi megoldás fejlesztésében gondolkozni. Az alábbi írásban egy ingatlan ajánló rendszer fejlesztését mutatjuk be, amelynek bevezetésével a harmadával sikerült megnövelni az ingatlan megtekintések számát és a tényleges tranzakciók növekedéséhez több, mint 10%-kal járult hozzá.