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.
Прослушайте это руководствоОзвучено ИИ · ~3 min
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.
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.
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.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
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