Sélection automatique de biens comparables : Positionnement et statistiques pertinentes

• Comment positionner un bien sur le marché face à des biens comparables ?
• Comment calculer des statistiques sur un échantillon pertinent ?

Cet article présente un algorithme permettant de répondre de manière efficace à ces questions. A partir d’une adresse et des caractéristiques d’un bien de référence, cet outil d’aide à la décision, basé sur nos données de marché et notre expertise des méthodes de machine learning, permet de trouver les biens comparables ainsi que leur niveau de correspondance avec un score compris entre 0 et 100.

Cette fonctionnalité est d'ores-et-déjà disponible dans nos solutions Agent 360, ADB 360, Invest 360 ainsi que via l'API Yanport.

---

Afin de permettre à nos utilisateurs d’évaluer ou de positionner un bien le plus précisément possible sur son marché, nous avons développé un algorithme pointu de recherche de biens comparables. L’utilisateur peut, suivant ses besoins, donner plus de poids à une des caractéristiques dans le calcul du score de similarité. Notre méthode s’appuie sur notre algorithme de construction de zones d’analyse afin de s’assurer que les biens similaires sélectionnés soient dans une zone pertinente du point de vue de l’adresse du bien de référence.

Au travers des deux cas d’usages ci-dessous, nous illustrons la pertinence de notre solution pour positionner un bien ou calculer des statistiques pertinentes.

Cas d’usage #1 : Positionnement de marché adapté

Pour illustrer la flexibilité de cet algorithme, prenons l’exemple d’une maison de 100 m² avec un grand terrain de 1 000 m², mise à la vente au prix de 400 000 €, sur la commune de Mions (69), dans la proche banlieue de Lyon. Voyons maintenant comment l’utilisation des poids dans l’algorithme peut permettre d’affiner le positionnement avec des résultats plus pertinents.

Dans un premier temps, si l’on se contente des poids par défaut, on va donner une importance forte à la localisation du bien et assez peu à la taille du terrain. En réponse de l’outil, nous aurons alors des biens comparables proches géographiquement mais assez différents en caractéristiques, notamment sur la taille du terrain. Les 5 biens comparables avec le score de similarité le plus élevé ont des terrains dont la superficie est comprise entre 222 et 688 m².

Si la localisation est le critère le plus important, alors c’est parfait; mais si dans cet exemple nous souhaitons mettre en valeur la superficie du terrain, qui est une caractéristique rare et recherchée, alors nous pouvons modifier les poids pour lui donner plus d’importance. Les biens comparables ayant les meilleurs scores seront plus loin, mais avec des tailles de terrain autour de 1 000 m².

Les cartes ci-dessous illustrent les différences de scores suivant les poids de chaque caractéristique. Sur la figure 2, les biens les plus éloignés ont un score plus important lorsqu’on privilégie la surface de terrain car celle-ci est plus proche des 1000 m² du bien de référence (en vert sur les cartes). Réciproquement, sur la figure 1, les biens les plus proches ont un score plus important (différence négative) lorsque l’on privilégie la localisation dans la méthode de notation.

Cas d’usage #2 : Statistiques de marché pertinentes

Pour positionner un bien sur le marché, évaluer l’intérêt d’une potentielle rénovation et calculer des statistiques pertinentes, il est nécessaire de sélectionner efficacement des biens comparables. Partons d’un appartement de 70 m² pour 3 pièces dans le second arrondissement de Lyon avec un DPE F. Cette dernière caractéristique est essentielle pour cet exemple, nous y associons donc un poids important dans la requête de biens similaires. Dans un premier temps, nous recherchons les biens similaires à notre bien d’intérêt.

Nous supposons que le DPE de notre appartement d’intérêt a bénéficié des travaux et s'établit maintenant à B. Nous faisons donc la même recherche, ce qui nous donne d’autres biens et une nouvelle distribution de prix. Afin d’évaluer l’intérêt de notre algorithme par rapport à une recherche simple, nous recherchons, dans l’ensemble de l’arrondissement, les biens ayant de bons DPE (entre A et C) d’un côté, et les biens ayant de mauvais DPE (de D à G) de l’autre*.

Le graphique en figure 3 illustre les distributions de prix au m² des quatre ensembles de biens (deux ensembles de biens similaires et deux ensembles sur Lyon 2). Les lignes horizontales indiquent les médianes de chaque ensemble. D’une part, l’utilisateur peut évaluer l’intérêt d’effectuer des travaux à l’aide notamment de la différence entre les médianes de prix au m² (5 150 vs 4 250€/m²). D’autre part, on remarque des différences nettes entre les distributions des biens similaires et leurs équivalents sur l’ensemble de l’arrondissement (6 140€/m² pour les bons DPE et 5 270€/m² pour les mauvais). Ceci s’explique notamment par le fait que notre algorithme va d’abord construire une zone pertinente du point de vue de l’IRIS de départ pour rechercher des biens similaires.

*Les 4 requêtes se concentrent sur les biens en cours de publication dont une annonce a été publiée dans les 6 derniers mois.

💡 Découvrez cette fonctionnalité directement dans nos solutions Agent 360, ADB 360, Invest 360 ainsi que via l'API Yanport.