从历史上看，商业房地产(CRE)情报已经通过经纪公司或公司结构在人与人之间传播下来。虽然这似乎现在正在发挥作用，但我认为CRE行业的未来包括这种人类智能和基于技术的系统的组合。目前，这些基于知识的系统的混合使用人工智能(AI)系统，如机器学习(ML)和自然语言处理(NLP)。基于人工智能的系统与人类智能相结合，可以帮助推动我们的房地产开发和咨询业务。
作为一家商业房地产开发和投资公司，我们的办公室每天都使用基于技术的应用程序，并在特定任务中的大多数步骤中使用。随着越来越多的公司寻求在简化其内部系统的同时专注和区分其服务产品，CRE中技术工具的使用正在增长和扩展。现有许多已经支持该行业的技术应用，包括财务分析，资产和物业管理，租赁分析，销售平台等。CRE公司还从Loopnet，CoStar，LandVision等其他CRE来源收集数据。结合使用时，这些工具可以帮助我们提高工作效率和准确性。但是，数据源是分开的和通用的，因此不是特定于任务的。从可用位置自动获取数据并将其编译为可用的，任务特定格式的能力将为行业增加巨大价值。这是我看到人工智能发挥作用的地方。
我认为可以从使用机器学习中受益的组织过程包括：
•市场规划：
我们需要使用人口统计和其他排名标准来了解和评估一个或多个零售公司的特定地理区域或城市的零售可行性。
•选址：
我们进行了大量的选址排名活动，以便在经批准的市场中找到优质网站。
•可比分析：
如果从零售角度选择的站点作为可行目标，我们需要进行可比较的分析，以确定哪些潜在站点最成功。
我们将机器学习应用于我们业务的目标是开发和实施智能站点选择的独特过程。在商业房地产业务中，大多数零售商，经纪人和开发商执行复杂且耗时的过程来识别优质站点。我们应用机器学习的希望是简化流程 - 节省时间并减少错误 - 并增加最终的成功因素。
到那里怎么走
在查看流程中涉及的步骤时，首先要制定整体市场策略，以确定城市或更大地理区域内的一般区域。在使用机器学习组装大量排名数据之后，公司应该能够通过热映射突出显示首选区域。将这些结果与关于交通模式，零售中心等的人类情报相结合，CRE公司可以为市场设定目标。
确定市场区域后，更接近人口普查区块或城市街区，以更好地确定目标机会。使用数据库和机器学习的组合，将潜在站点与其他市场中的现有站点进行比较，以确定潜在收入/成功的排名或分数(分析预测)。有几种现成的基于ML的站点选择系统，例如SiteZeus和LocateAI。这些系统需要大量数据输入才能提供真实的预测结果。将这些系统和其他系统与站点相关数据的标准化数据库结构集成在一起可以生成一个实时工具，为预测性站点选择提供智能基本映射。
为了将NLP实施到业务组织中，该流程涉及简化内部操作，以节省时间并更好地快速采取行动。这将带来差异化的竞争优势。许多公司利用大量人力资源进行许多不同的搜索，以识别，量化和执行新的机会。使用主要文本阅读NLP简化这些流程可以减少运营和工资支出，并缩短流程时间表。
例如，市场研究部门使用NLP过程通过许多可用属性列表进行文本阅读，搜索关键词和短语，可以隔离特定属性以供人类分析师审阅。此外，对于特定属性研究，所有权数据的部分存储在各种基于web的位置中。使用文本读取NLP和属性所有者的名称，我们可以扫描已识别的匹配源。在研究租户联系信息时，我们发现这些职位的人员经常更换公司和地点。能够通过公司名称，地理区域和名称通过行业出版物和相关数据库进行文本阅读将为CRE公司节省大量时间和精力。
使用基于AI的房地产选址工具是人和机器共同努力开发更准确和有效的分析市场和场地的方法的主要例子。希望，随着这些系统的微调和更广泛的使用，数据输入应用程序将发展为将许多数据源集成到一个能够真正改善CRE集体智慧的有凝聚力的工具中。