Slik kan maskinlæring skape et bedre boligmarked

98 % av nordmenn eier egen bolig i løpet av livet, og boliginvesteringen er som regel den største investeringen vi gjør. Likevel har de fleste begrenset innsikt i hva egen bolig faktisk er verdt, og det kreves i dag betydelig innsats å sette seg inn i boligmarkedet. Dagens boligmarked minner om aksjemarkedet på 80-tallet. Det er et marked som ikke er transparent. Dette medfører en særlig risiko for privatpersoner som oftest er de med mangelfull informasjon. I verste fall kan det resultere i å selge til for lav pris eller å kjøpe til overpris.

Alva er et oppstartsselskap som mener at en sentral brikke i et transparent boligmarked er en pålitelig, tilgjengelig og automatisk verdsettelse av bolig. Dette vil gjøre privatpersoner bedre i stand til å forankre sine beslutninger i data. En av grunnene til at det ikke finnes en slik automatisk verdsettelse av bolig i dag er ganske enkelt at det er et komplekst marked. Hver av de ca. 2,5 millioner boligene i Norge er unike. I tillegg varierer markedsdynamikken fra sted til sted. Denne variasjonen betyr at det er vanskelig å lage robuste matematiske modeller med tradisjonelle fremgangsmåter.

Maskinlæring er imidlertid godt egnet til å takle en slik utfordring. I praksis er det tre forskjellige teknologidrivere som nå skaper nye muligheter:

1. Skalerbar prosessorkraft gjennom tjenester som Amazon Web Services.

2. Maskinlæringsalgoritmer som er tilgjengelig gjennom “Open source”-biblioteker utviklet av verdens fremste ingeniører og data scientists.

3. Data er lettere tilgjengelig og «produksjonen» av data i digital form er i sterk vekst.

Alva utnytter disse tre driverne i arbeidet med å lage et automatisk verdiestimat for boliger.

1. Skalerbar prosessorkraft

Alva leier all hardware av Amazon Web Services (AWS). I utviklingen av maskinlæringsmodeller har man ofte behov for kraftige datamaskiner. Man skal behandle store datamengder og gjøre omfattende kalkulasjoner. Dette gjelder både når man skal teste ut nye modeller og når en ferdig modell skal kjøre i “produksjon”. Dersom man skulle kjøpt inn disse maskinene selv ville det krevd investeringer på millioner av kroner. I tillegg hadde det tatt betydelige deler av selskapets tilgjengelige arbeidskraft, krevd større lokaler og tatt lang tid å få på plass.

I stedet kan man ved hjelp av noen tastetrykk klargjøre svært kraftige datamaskiner og kun betale for den tiden maskinen er i bruk. Dette gjøre at et lite selskap som Alva får tilgang til maskinvare av øverste kvalitet uten å måtte gjøre store investeringer som var nødvendig for bare få år siden.

2. Maskinlæringsalgoritmen

For å estimere verdien til en bolig benytter Alva en type maskinlæringsalgoritme basert på beslutningstrær, en type algoritme som er mye brukt innen maskinlæring. Et beslutningstre ligner på den vanligste metoden for verdsettelse av bolig, en såkalt komparativ analyse. Analysen går ut på at man finner et sett med lignende boliger som nylig har blitt solgt i samme område. Deretter sammenligner man disse boligene, vurderer de ulike karakteristikkene og resonnerer seg frem til en verdi. En maskinlæringsalgoritme tar i prinsippet den samme tilnærmingen. Man kan se på beslutningstreet som en stegvis algoritme for å velge ut sammenlignbare salg.

Figur 1: Hver forgrening i besluningstreet gjør sammenligningsgrunnlaget mer relevant

Det er imidlertid mange fremgangsmåter for å sette opp en slik stegvis algoritme. For eksempel kan man legge til eller fjerne nivåer og man kan gjøre om på inndelingen i hvert nivå. Kanskje burde man ha intervaller på 5 kvadratmeter i stedet for 10 kvadratmeter som i steg 3 i figur 1? Valgene man tar vil påvirke utvalget man sitter igjen med og følgelig resultatet. I teorien er det uendelig mange måter å strukturere et slikt beslutningstre på, men det er ikke åpenbart hva som er den mest optimale strukturen.

Heldigvis er dette noe vi kan bruke de kraftige maskinene vi har tilgjengelig til å finne ut av. Ved å benytte en spesiell type maskinlæringsalgoritme kan maskinen generere tusenvis av beslutningstrær, hvert av disse med ulik struktur. Alle disse testes deretter på reelle eksempler og man legger vekt på de modellene som gir best resultater. På denne måten slipper man eksplisitt programmering av hvordan utvelgelsen skal gjøres.

Figur 2: Ved å teste ut et stort antall forskjellige strukturer kan man prøve seg frem til den modellen som gir best resultat.

3. Data

En person som har observert mange boligsalg i et bestemt område vil ha bedre forutsetninger for å verdsette en bolig enn en som ikke har sett noen boligsalg. Det samme gjelder for en maskinlæringsmodell; den har behov for «treningsdata». Jo mer treningsdata modellen har jo bedre vil den være til å estimere boligverdi. Det er med andre ord helt avgjørende å ha et godt datagrunnlag. I Alva legges det derfor ned et betydelig arbeid i å forbedre og utvide datagrunnlaget. Det er fort gjort å undervurdere jobben som må gjøres før man har et datasett som kan benyttes i en maskinlæringsalgoritme. Ofte er den jobben langt mer tidkrevende enn å lage selve modellen.

Med andre ord handler maskinlæring i praksis veldig mye mer enn en avansert algoritme. Ettersom stadig flere av disse modellene er tilgjengelige gjennom «open source», er det sannsynligvis ikke metodikken eller algoritmene som vil gi konkurransefortrinnet for et selskap som Alva. I stedet er det domenekunnskapen kombinert med evnen til å anskaffe, prosessere og benytte data som skaper konkurransefortrinnet. Derfor bør også fokus rettes mot datafangst og utvikling av en «data pipe» med høy ytelse.

Automatisk verdsettelse av boliger som er til å stole på vil åpne for nye muligheter for mange aktører i boligmarkedet. For eksempel kan bankene lage automatiserte løsninger for refinansiering der du kan få innvilget nytt boliglån i løpet av sekunder. Eiendomsmeglere kan tenke nytt rundt sine tjenester og kundeopplevelser. Det kanskje mest spennende er mulighetene for nye aktører og forretningsmodeller som åpnes– det gjelder tross alt den største investeringen for de fleste av oss.

Alva utvikler teknologi som skaper et transparent boligmarked. Alvas automatiske verdsettelsesmodell er tilgjengelig gjennom et API. I tillegg utvikler selskapet nettsiden www.virdi.no. Selskap ble startet av Ambita, Bakken & Bæck, Sprint Consulting og Skyfall Ventures som alle er på eiersiden. Alva har allerede flere av de største aktørene i boligmarkedet som sine kunder.

✉ Synes du det er interessant å lese det vi skriver om? Meld deg på nyhetsbrevet vårt og motta spennende lesning og invitasjoner til relevante seminarer rett i innboksen din.