При оценке возможности инвестирования в недвижимость часто бывает так, что арендаторы недвижимости могут рассказать лучшую историю.

Когда команда Skyline AI гарантирует инвестицию, один из важных факторов вращается вокруг получения информации о компании, управляющей недвижимостью.

Арендаторы ценят их обслуживание? Считают ли арендаторы, что эта недвижимость является лучшим продуктом, и готовы ли за нее платить больше? Хорошо ли справляется управляющий с получением максимальной прибыли от собственности?

Мы считаем, что наилучшая ценность может быть получена от собственности, если она будет предлагать хороший продукт и хорошее обслуживание арендаторов. Хорошая сделка для инвестиционного менеджера должна быть хорошей сделкой для арендаторов. Если им нравится недвижимость и они ценят обслуживание, они будут чувствовать, что окупаются, и вполне логично, что лучший продукт будет стоить дороже.

Если многие из арендаторов недвижимости считают, что необходимо улучшить несколько ключевых вещей - например, возможно, желательны определенные удобства в квартире, то может быть хорошей идеей инвестировать капитал в их добавление.

По этой причине, несмотря на то, что Skyline AI обрабатывает сотни различных источников о финансовых показателях собственности, геопространственной среде и многом другом, важная часть нашего анализа вращается вокруг мнения арендатора, и особенно о настроениях арендаторов.

Вот где в игру вступает анализ онлайн-обзоров арендаторов с помощью NLP.

Извлечение информации с помощью обработки естественного языка

Используя алгоритмы НЛП, мы смогли понять структуру текстовых фраз и извлечь полезную информацию. При анализе отзывов пользователей, как правило, нас интересуют:

  • Настроение - мы хотим определить эмоциональную окраску отзыва. Настроения могут быть положительными, нейтральными, отрицательными или смешанными.
  • Сущности. Сущности - это такие объекты, как управляющие компании, люди, места и местоположения.
  • Ключевые фразы - мы хотим выделить ключевые фразы, которые появляются в обзоре. Например, обзор проблемы с тараканами может вернуть тараканов в качестве ключевой сущности, имена людей из группы управления недвижимостью, название собственности и факт наличия некоторой проблемы.

Получение обзоров недвижимости

Раньше было много веб-сайтов, на которых арендаторы могли оценивать недвижимость. Однако, как и случай, когда Yelp устаревает с обзорами ресторанов Google Maps, Google Maps в значительной степени сделал эти сайты избыточными, поскольку похоже, что арендаторы уже оценивают на Google Maps больше, чем на других сайтах.

Карты Google предлагают простые в использовании серверные и клиентские API для получения отзывов, в частности, API сведений о месте с использованием идентификатора места.

https://maps.googleapis.com/maps/api/place/details/output?parameters

Ответ от API выглядит так (формат JSON):

Определение эмоционального настроения отзыва

Итак, если API возвращает рейтинг («1» в случае с JSON выше), зачем нам самим анализировать настроение?

Что ж, рассмотрим следующий обзор (имя автора подвергнуто цензуре):

Это, очевидно, ошибка - это 0-звездочный обзор, которому по какой-то причине была присвоена 5-звездочная оценка.

Если мы закончим обучением модели, основанной на таких неправильных ярлыках, наша модель в конечном итоге подумает, что называть пожилую женщину «девочкой» по телефону желательно. Войдите в НЛП

Amazon Comprehend

Amazon Comprehend - это сервис AWS на основе машинного обучения, который позволяет легко находить идеи и взаимосвязи в тексте. Он использует предварительно обученную модель для анализа текста, чтобы получить о нем представление. Эта модель постоянно обучается на большом объеме текста, поэтому вам не нужно предоставлять данные для обучения, если вы не хотите использовать службу для обучения пользовательской модели.

Используя AWS SDK для Python (Boto), мы могли бы сделать простой запрос в Comprehend, чтобы проанализировать тот же обзор, что и раньше. Мы будем использовать функцию detect_sentiment:

Это ответ:

Как мы видим, Comprehend классифицировал текст как имеющий отрицательное мнение с уровнем достоверности ›99%. Довольно круто.

Итак, какие сущности связаны с этим негативным мнением арендатора?

Информация о ключевых сущностях и фразах

Выполнение того же кода с функцией detect_key_phrases вместо этого дает следующее:

Мы можем обнаружить жалобы на:

  • Офис
  • Руководство
  • Отключение электроэнергии во время дождя

Все очень полезно для нашего анализа.

Резюме

Мы видели, что с помощью нескольких API-интерфейсов мы можем собирать и анализировать отзывы, чтобы получить представление о настроениях арендаторов и выявить потенциальные проблемы с недвижимостью.

Проведение такого же типа анализа по сотням обзоров может помочь нам лучше понять компании по управлению недвижимостью, инвестиционных менеджеров и те вопросы, к которым чувствительны арендаторы.

Это очень мощные инструменты для улучшения качества недвижимости и лучшего понимания ее потенциала добавления стоимости.

Кроме того, мы можем сделать все это с помощью современных сервисов НЛП на основе машинного обучения, таких как Amazon Comprehend, которые могут улучшить наивную схему простого использования рейтинговой системы какой-либо третьей стороны, такой как Google Maps.