Bạn có thể sử dụng nền tảng ActableAI để dự đoán giá cho thuê hoặc giá bán của bất động sản. Một kênh phân phối bất động sản có một dữ liệu lớn về các tài sản hiện tại và quá khứ có thể tìm ra được đâu là đặc tính quan trọng của các loại tài sản ảnh hưởng đế giá thuê. Qua đó agency có thể phân bổ nhu cầu cũng như chiến lược giá trên các tài sản để xây dựng năng lực cạnh tranh và tính hiệu quả của vận hành.
Sau khi tải bộ dữ liệu lên Actable AI, nhóm đại lý có thể sử dụng phân tích tương quan và nhanh chóng nhận thấy rằng số phòng, diện tích, số phòng tắm có tương quan thuận với giá thuê cuối cùng và số ngày trên thị trường có tương quan nghịch với nhau. Có lẽ nó không đáng ngạc nhiên nhưng yên tâm hơn về những gì một đại lý bất động sản có kinh nghiệm đã biết. Những hiểu biết này sẽ cho phép định giá tối ưu để tài sản cho thuê nhanh hơn với giá trị thị trường mong muốn vì ở lại lâu hơn trên thị trường sẽ có hậu quả tiêu cực đối với giá cả và doanh thu của đại lý.
Phân tích tương quan cũng cho thấy hồi quy tuyến tính cho từng yếu tố tương quan. Với một cái nhìn thoáng qua về hệ số hồi quy, nhà phân tích biết rằng trung bình, việc tăng một phòng ngủ làm tăng giá thuê $ 1,079 mỗi tháng. Thêm 1 sqft làm tăng giá thuê thêm 3,3 đô la mỗi tháng và mỗi ngày trên thị trường giảm giá thuê 21 đô la mỗi tháng. Mặc dù phân tích tương quan rất hữu ích trong việc hiển thị các mối quan hệ tuyến tính, nhưng nó không tiết lộ tất cả các mối quan hệ của mục tiêu dự đoán và các yếu tố dự đoán của nó. Để tiết lộ các mối quan hệ phức tạp hơn, người ta có thể sử dụng phân tích hồi quy phi tuyến tính của chúng tôi để dự đoán giá cho thuê và khả năng dự đoán của các biến.
Một phân tích hồi quy mô hình hóa và dự đoán một biến liên tục (ví dụ: tiền lương, giá cả, doanh số). Sử dụng phân tích hồi quy của Actable AI, người dùng có thể chỉ cần chọn giá cho thuê làm mục tiêu dự đoán và các thuộc tính khác làm công cụ dự đoán, bất kỳ ai cũng có thể dễ dàng xây dựng mô hình dự đoán và tạo dự đoán chỉ bằng vài cú nhấp chuột. Khi phân tích kết thúc chạy, nó sẽ trả về kết quả dự đoán và mỗi dự đoán đóng góp bao nhiêu vào dự đoán cuối cùng (giá trị Shapley). Ví dụ: hàng được đánh dấu cho thấy giá thuê dự đoán của tài sản là $ 4,734.6. Thực tế là nó có 3 phòng ngủ làm tăng thêm 873.4 đô la so với giá thuê trung bình và vị trí ở trung tâm thành phố giảm giá 1.82 đô la.
Phân tích cũng cho thấy hiệu suất của nó trên tập dữ liệu xác thực (chọn ngẫu nhiên từ dữ liệu ban đầu, chúng không được sử dụng để đào tạo mô hình). Ví dụ, phân tích này cho thấy khả năng dự đoán rất mạnh của mô hình R2 là 0,99 (tối đa là 1) và sai số bình phương trung bình gốc (RMSE) là khoảng 45,3 đô la. Các yếu tố dự đoán lớn nhất cho giá thuê là số phòng, số phòng tắm và địa điểm. Xếp hạng tầm quan trọng cho thấy tầm quan trọng của mỗi biến đối với các dự đoán.
Tập dữ liệu bao gồm các thuộc tính cho thuê ví dụ với 7 biến và hơn 5000 hàng. Nó có thể được sử dụng để chạy các dự đoán khác nhau và thiếu hoàn thành giá trị. Tập dữ liệu bên dưới đã đầy và bạn có thể xóa một số phần cho dự án dự đoán của mình. Dưới đây là 7 biến.
number_of_rooms: tổng số phòng trong khách sạn
number_of_bathrooms: tổng số phòng tắm
SQFT: tổng diện tích của tài sản
Vị trí: Vị trí được phân loại là "Tuyệt vời", "Tốt" và "Kém"
days_on_market: ngày từ khi niêm yết đến khi cho thuê
Vùng lân cận: Khu phố thực tế
rental_price: giá thuê thực tế
