Todos los sectores de actividad se han beneficiado del impacto que el Big Data y la Inteligencia Artificial tiene, muy especialmente aquellos relacionados con las finanzas y, en particular, todos los aspectos relacionados con la gestión de activos.
Cualquier activo, como puede ser un inmueble o una acción de una empresa participada sufre variaciones en su valoración a lo largo del tiempo, lo que afecta a los estados financieros de las compañías, que se ven obligadas a estimar su valor periódicamente, con el objetivo de tener actualizado el impacto de estos activos en sus cuentas. En particular, el Banco de España, a través de la orden ECO 805/2003, obliga a las entidades financieras y aseguradoras a la actualización de la valoración de sus activos inmobiliarios, lo que supone, en la práctica, un fuerte coste para las compañías financieras y fondos de inversión que, típicamente, tienen una gran cartera de inmuebles.
Este es solo uno de los casos en los que a las entidades financieras y fondos les interesa valorar su cartera de activos inmobiliarios de forma que puedan tener una estimación a priori del cambio en el valor de los mismos de una forma rápida y con un coste bajo. ¿Cómo puede ayudar el Big Data y la Inteligencia Artificial en este caso?
El Big Data y la Inteligencia Artificial puede ayudar a las entidades financieras y fondos de inversión a valorar su cartera de activos inmobiliarios para tener una estimación del cambio en el valor de los mismos de forma rápida y con un coste bajo.
Desde hace muchos años, las compañías de tasación y valoración han desarrollado modelos de valoración automática (Automated Valuation Models, AVMs) para atacar este problema que, a menudo, se basaba en el conocimiento experto del mercado para establecer una serie de fórmulas con las que estimar el valor.
Este paradigma ha cambiado absolutamente una vez que se han comenzado a construir grandes bases de datos, tanto de tasaciones (información que registran estas compañías con las características de los inmuebles y la valoración presencial de un experto) como de testigos (información de terceros que recogen valoraciones, que pueden venir de distintos canales como portales inmobiliarios) sobre los que aplicar inteligencia. Toda esta información, junto con datos del contexto sociodemográfico de las zonas donde se encuentran los inmuebles, o contexto macroeconómico, permite entrenar modelos de Machine Learning que, ante las características de un nuevo inmueble, emiten un valor estimado del mismo. Este tipo de funcionalidad permite a todo tipo de entidades las siguientes aplicaciones:
- Obtener un valor orientativo del precio sin los costes asociados a una tasación o valoración tradicional o previamente a una tasación que involucre una visita presencial.
- Descubrir tasaciones o valoraciones muy alejadas de un valor teórico estimado por los algoritmos, sirviendo como contraste de dichas actuaciones.
- Obtener predicciones sobre tendencias de mercado partiendo de modelos entrenados sobre valoraciones realizadas recientemente y extrapolando a toda una cartera de activos.
- Valoraciones de inmuebles para el cálculo de distintas primas de seguros.
- Realizar prospección para inversiones concretas a partir de las tendencias descubiertas.
En PiperLab hemos desarrollado modelos de valoración automática de activos inmobiliarios utilizando diferentes metodologías, siempre utilizando modelos predictivos y adaptándonos a los principales métodos de valoración utilizados por las entidades tasadoras:
- Método de comparación por testigos: Es el método más ampliamente utilizado. El valor del activo inmobiliario se obtiene por comparación con valores conocidos para otros activos similares (testigos).
- Método residual: Se utiliza para valoración de terrenos en los que se va a llevar a cabo una promoción inmobiliaria. La tasación se obtiene estimando el valor de venta esperado para la promoción, y restando del mismo todos los gastos asociados como costes de construcción o beneficio del promotor.
- Método del coste: Es utilizado para edificaciones, y consiste en valorarlas como suma del coste del terreno, costes de construcción y demás gastos asociados, suponiendo que se reedifican en el momento actual. Sobre el valor obtenido, se aplica la depreciación sufrida por la antigüedad del inmueble.
- Método de actualización: Este método es útil para la valoración de activos que generan rentas periódicas como, por ejemplo, un local comercial o una explotación agrícola. Consiste en tener en cuenta, además del valor residual del propio activo, su capacidad para producir rentas en el futuro.
Para la aplicación de todos estos métodos es muy importante conocer con detalle las características propias del activo a valorar, así como del entorno en el que se encuentra ubicado. Conociendo la localización concreta de cada activo y utilizando fuentes de información públicas, es posible enriquecer la información añadiendo variables que caracterizan la zona donde se encuentra en función de:
- Renta y actividad económica
- Características sociodemográficas
- Tipología y características de las edificaciones
- Servicios disponibles
Una vez elegida la metodología de valoración que se va a utilizar y habiendo generado una base de datos suficientemente rica, es posible generar un modelo de valoración automática (AVM) que sea capaz de inferir con un buen nivel de precisión el valor de un activo a partir de su información disponible.
Para ello realizamos los siguientes pasos:
- Análisis y reducción del conjunto de variables: habitualmente generamos, a partir de los datos disponibles, cientos (e incluso miles) de variables candidatas para ser utilizadas por el modelo de valoración. Es conveniente realizar un análisis para encontrar las variables más importantes y descartar aquellas que no sean estadísticamente relevantes, ya que pueden introducir “ruido” en nuestro modelo.
- Análisis de interacciones entre variables: existen variables que, por interacción con otras, cambian completamente su efecto. Por ejemplo, en valoración de viviendas plurifamiliares, cuanto más alta es la planta en la que se encuentra una vivienda mayor suele ser su valor, siempre y cuando el edificio cuente con un ascensor. En el caso de que no se disponga de ascensor el efecto es el opuesto, cuanto más alta es la planta, menor es el valor de la vivienda. Siendo capaces de identificar este tipo de interacciones, podemos generar variables que aporten capacidad predictiva al modelo.
- Entrenamiento del modelo de valoración: una vez seleccionadas las variables a utilizar, mediante un sistema de Machine Learning automatizado de desarrollo propio, entrenamos diferentes modelos de predicción a partir de los datos, seleccionando el más adecuado dependiendo de si lo que primamos es la explicabilidad de las valoraciones, la precisión o un balance entre ambas.
- Revisión de los resultados y explicación de las predicciones: con el modelo entrenado, lo aplicamos sobre un conjunto de activos que hemos reservado con el propósito de evaluar su rendimiento. También evaluamos el efecto que tienen las diferentes variables sobre las valoraciones del modelo y revisamos su coherencia. Este proceso suele implicar varias repeticiones de uno varios de los pasos previamente descritos, realizando modificaciones hasta que se obtiene un modelo con un rendimiento satisfactorio.
- Despliegue y operativización del modelo: Para finalizar, se realiza el despliegue del proceso de generación de variables y la aplicación del modelo seleccionado sobre las mismas, realizando la integración necesaria con las fuentes de información disponibles y con los sistemas que van a utilizar las valoraciones automáticas. Además, se desarrolla el software por encima de los modelos que permita ser integrado dentro de los sistemas de información de la compañía (evaluaciones en batch, APIs, etc.)
Desde PiperLab, desarrollamos soluciones a medida para entidades financieras, empresas de asesoría y consultoría financiera, o entidades de tasación y valoración inmobiliaria, creando tanto modelos de valoración automática como modelos predictivos del valor y tendencias de mercado, adecuando la metodología a la especificidad de cada caso y naturaleza de cada cliente.
(Los autores de este artículo son Alejandro Municio, Data Scientist, y Alejandro Llorente, co-fundador de PiperLab)
