ДалееСледующее руководство
ИИ для агентов по недвижимости
Приложения
РУКОВОДСТВО ПО ПРИМЕНЕНИЮ
ИИ для андеррайтинга коммерческой недвижимости использует извлечение документов и языковые модели для извлечения данных из реестров арендной платы, операционных отчетов, договоров аренды и меморандумов о предложениях в структурированные модели, а затем помогает аналитикам управлять денежными потоками и изучать рынки.
Это важно, поскольку ввод данных — самая медленная часть андеррайтинга. Автоматизация позволяет командам проверять больше сделок, но любая ошибка извлечения напрямую влияет на чистый операционный доход и стоимость.
Андеррайтинг коммерческой недвижимости означает оценку дохода, который она будет приносить, и его стоимости. Исходные данные поступают из беспорядочных документов. В списке арендной платы перечислены все апартаменты или апартаменты, арендатор, даты аренды, арендная плата, уступки и депозиты. Заключительный двенадцатимесячный операционный отчет (Т-12) показывает фактические доходы и расходы. Договоры аренды содержат условия, которые определяют будущие денежные потоки, такие как эскалация, варианты продления, возмещение расходов, прекращение расходов и право на прекращение действия договора. Меморандум о предложении включает все это в собственные маркетинговые прогнозы продавца. Инструменты искусственного интеллекта работают в основном на этапе извлечения. Модели оптического распознавания символов и макетов читают PDF-файлы и сканы. Затем языковые модели находят поля и сопоставляют их со схемой, например, сортируя сорок статей расходов продавца по стандартным категориям кредитора. Инструменты абстракции аренды собирают ключевые положения в сводную таблицу. Структурированные выходные данные передаются в модель Excel или на такую платформу, как ARGUS Enterprise, где аналитик управляет дисконтированным денежным потоком. Анализ рынка – это второе применение. Модели суммируют сопоставимые продажи и аренду, строительные трубопроводы, демографические данные и альтернативные данные, такие как количество пешеходов. Языковые модели хорошо умеют превращать это в читаемое повествование. Они не являются источником цифр, и любую цифру, которую обычный чат-бот предоставляет без источника данных, следует рассматривать как непроверенную. Основное заблуждение заключается в том, что ИИ ценит собственность. Решающие предположения, такие как рост арендной платы, вакантность, капитальные расходы и предельная ставка выхода, являются суждениями, и небольшие изменения в них влияют на стоимость больше, чем скорость добычи. Автоматизированные модели оценки достаточно хорошо работают для домов, продажи которых происходят часто и одинаково. Коммерческих транзакций меньше, и каждая из них уникальна, поэтому автоматическая оценка гораздо менее надежна. Документы продавца также вселяют оптимизм продавца. Более быстрое прочтение оптимистичного Т-12 по-прежнему остается оптимистичным Т-12.
Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты.
Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять.
Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения.
Извлечение, вероятно, станет рутинной частью программного обеспечения для андеррайтинга, так же, как OCR стало рутиной для кредиторской задолженности. Тогда фирмы будут конкурировать за качество данных и суждения, а не за нажатие клавиш. Языковые модели, связанные с лицензированными данными о компаниях и листингах, могут ускорить исследование рынка, но только в том случае, если каждое число связано с набором данных, которому доверяет фирма. Кредиторы и инвестиционные комитеты, вероятно, будут спрашивать, как проверялись данные, полученные с помощью ИИ, так же, как они сейчас спрашивают об отчетах третьих сторон. Ограничения останутся прежними: скудные данные о транзакциях, продавцы, представляющие свои цифры в лучшем свете, и предположения, которые ни одна модель не может сделать от имени инвестора.
Аналитик по закупкам загружает меморандум о предложении и отсканированный список арендной платы за 180-квартирный жилой комплекс. Инструмент заполняет шаблон Excel компании данными о составе единиц, арендной плате на месте и сроках аренды, а аналитик связывает итоговые данные с источником.
Кредитная группа кредитора имеет модель карты отчета заемщика за 12 месяцев на стандартном плане счетов. Это указывает на единовременное возмещение по страховке, которое привело к увеличению других доходов.
Розничный инвестор имеет LLM абстрактное описание пятидесяти договоров аренды с положениями о совместной аренде и выселении, затем вручную проверяет отмеченные пункты, прежде чем моделировать, что произойдет, если основной арендатор уйдет.
Брокер составляет описание субрынка с помощью искусственного интеллекта, а затем заменяет все данные об аренде и вакансиях цифрами из лицензированных данных компании, прежде чем оно попадает в книгу продаж.
Автоматизация сломанного процесса может усугубить существующие проблемы.
Команды могут чрезмерно автоматизировать и исключить необходимое человеческое суждение.
Качество может ухудшиться, если результаты не будут оцениваться постоянно.
Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения.
Определите человеческие контрольно-пропускные пункты перед полной автоматизацией.
Обучайте пользователей подсказкам, путям эскалации и стандартам качества.
Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность.
Free newsletter
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ИИ для андеррайтинга коммерческой недвижимости использует извлечение документов и языковые модели для извлечения данных из реестров арендной платы, операционных отчетов, договоров аренды и меморандумов о предложениях в структурированные модели, а затем помогает аналитикам управлять денежными потоками и изучать рынки. Это важно, поскольку ввод данных — самая медленная часть андеррайтинга. Автоматизация позволяет командам проверять больше сделок, но любая ошибка извлечения напрямую влияет на чистый операционный доход и стоимость.
Значение равно NOI, разделенному на ставку ограничения. 1,2 млн долларов США / 0,06 = 20,0 млн долларов США и 1,2 млн долларов США / 0,0625 = 19,2 млн долларов США, поэтому повышение на 25 базисных пунктов снижает стоимость на 800 000 долларов США.
Итоговые суммы арендной платы должны соответствовать фактическому доходу от аренды, указанному в отчете о прибылях и убытках. Пробел указывает на проблему извлечения или данных.
Продажи домов происходят часто и одинаково, что подходит для автоматизированной оценки. Коммерческие продажи редки, и каждая сделка индивидуальна.
Из-за неповторяющихся статей NOI выглядит выше, чем текущая доходность объекта, поэтому андеррайтеры удаляют их.
Доходность по долгу равна NOI, разделенному на сумму кредита. В отличие от DSCR, он не зависит от процентной ставки или амортизации.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
ИИ для агентов по недвижимости
Приложения