又到了集中供地的季节。在土地测算工作中，项目的模拟售价是一个关键测算因素，而在实际测算过程中地产人往往会因为缺少数据而不得不依赖人工估算。👇
在缺少数据和算法的情况下，不得不“拍脑袋”
但在产业互联网和数字化不断发展的今天，定量化的土地投策研究变得可行，机器学习辅助地产决策的技术已经日渐成熟。地产人在进行土地投策时，有更多科学的工具可选。
投资清单就是一款包含了数据科学预测的土地研策平台，专为地产投策开发。目前聚焦在重庆，投资清单包含了对2022年第一批次集中供地的统一测算。
点击文末小程序卡片即可免费使用投资清单
脉策投资清单是如何使用机器学习帮助地产人“估价”的？点击视频获得答案👇。
01
老练的地产投资人不会支付比类似资产成交价更高的价格来购买标的资产。因此行业上通常使用市场比较法进行产品定价，即用标的产品跟其他类似竞品进行成交价格的对标，进行权重调整，从而得出估值。
寻找最合适的类似竞品，一般来说指标有以下4个维度：
【地理位置】是否相近，越相近越好，如距市中心距离，与竞品之间的距离等；
【周边区位】是否相似，越相似越好，如距高架、地铁远近，周边商业、教育医疗设施等；
建筑【内部属性】是否相似，越相似越好，例如建筑风格、梯户比、面积、户型等；
【市场指标】是否相近，越临近越好，如成交时间、去化率等。
结合这些方法论，脉策结合自身城市数据科学的优势，提出【城市空间价值模型法】。
首先扩大样本池，通过统计学相似性算法，筛选出全市域范围内客观指标上真正相似的竞品。为了能给土地找到全市层面的相似竞品，脉策在海量样本中，通过计算机自主学习，获取了4个对居住地产价格变化影响最大的特征及相应的分组规则，并依此将竞品分为8组。
然后扩大并量化指标维度，将传统对比法的【地理】、【区位】、【内部属性】、【市场指标】四大维度进行梳理和细分，形成具有统计关联意义的68项元素。再进一步运用机器学习算法，获取【价值指标】与【价格】之间客观定量的规律关系，从而得出预测标的产品定价的数学模型。
不同类别的竞品组定位不同，应该使用不同的定价模型。在这里脉策对每个竞品类进行单独分析，从68种内外部要素中筛选保留31种影响较大、数据较全的变量入模，运用机器学习算法，从数据中获取不同因素对房价的客观影响系数（权重）。相比市场比较法人为判定的主观性，脉策给出的模型指标更丰富，打分也更客观。
由此，我们获得了预测标的房产的定价，也就是投资清单里的【模拟售价】。
值得一提的是，【模拟售价】与实际定价的差异度并非越低越好，而是稳定在10%~15%的误差范围，这样才能够捕捉整体区域的合理差异。这个指标反映了该时段内，标的产品在统计学上最接近其【本身价值】的价格。该模型结果也正在为万科、金地、龙湖等多家头部房企的投拓人员提供参考。目前脉策还在不断改进模型，为行业提供更加精准、客观的技术支持。
所以还等什么，不要再自己费力找数据、做计算了。喝杯咖啡，让脉策【投资清单】小程序帮你解决烦恼吧~👇
脉策科技