Article

Coup de projecteur sur une start-up : PriceHubble dynamise les solutions d’AVM

La start-up suisse PriceHubble se place parmi les pionniers des modèles de valorisation automatique pour l’immobilier (AVM, pour Automated Valuation Models). Elle a recours au big data et au machine learning pour générer des analyses, des valorisations et des prévisions automatiques pour les marchés immobiliers.

juin 21, 2018

La start-up suisse PriceHubble se place parmi les pionniers des modèles de valorisation automatique pour l’immobilier (AVM, pour Automated Valuation Models). Elle a recours au big data et au machine learning pour générer des analyses, des valorisations et des prévisions automatiques pour les marchés immobiliers.

Loeiz Bourdic, qui pilote PriceHubble France, explique ce que cette solution apporte au marché immobilier et donne son avis sur le niveau de développement actuel des modèles d’AVM et des outils d’analyse prédictive pour l’immobilier en Europe.

What are the key ingredients for a successful shopping area?

Comme votre solution PriceHubble fonctionne-t-elle ?

Nous avons recours au big data et au machine learning pour améliorer la transparence des marchés immobiliers, avec des solutions d’analyse, de valorisation et de prévision pour les actifs immobiliers.

Loeiz Bourdic, Directeur PriceHubble France

Nous avons recours au big data et au machine learning pour améliorer la transparence des marchés immobiliers, avec des solutions d’analyse, de valorisation et de prévision pour les actifs immobiliers.

Nous commençons par collecter un grand nombre de données en lien directement ou indirectement avec les marchés immobiliers : des données open source, des données issues de partenariats ou des données que nous collectons et consolidons en interne.

Pour les marchés de l’immobilier résidentiel ou d’entreprise, nous collectons un très grand nombre de données historiques sur les transactions, les offre, les taux de vacance, la demande placée, ou encore les entreprises locataires qui occupent chaque immeuble.

Afin d’enrichir notre analyse, nous intégrons également un grand nombre de données sur les bâtiments (âge, typologie, caractéristiques du bâtiment, etc.), et sur l’environnement urbain : données socio-économiques (sur les résidents, les emplois et les entreprises), données urbaines (commerces, restaurants, écoles, etc.), données de transport, ou encore des données sur les évolutions en cours ou à venir (nouvelles infrastructures de transport, permis de construire, projets urbains, gentrification, etc.).

Nous utilisons ensuite des algorithmes de machine learning pour établir précisément le lien entre les caractéristiques d’un actif et de sa localisation d’une part, et sa valeur d’autre part (en termes de prix de marché ou de loyer de marché). Cette approche nous permet d’estimer très précisément la valeur d’un actif, mais également de prévoir l’impact d’évolutions urbaines sur cette valeur, comme par exemple l’impact du Grand Paris Express.

À quels besoins immobiliers la technologie élaborée par PriceHubble répond-elle ?

Nous relevons les défis fondamentaux auxquels la plupart des acteurs du secteur de l’immobilier sont confrontés en permanence : accéder à des données fiables et à jour pour prendre des décisions plus éclairées ; valoriser un bien immobilier de manière fiable, précise et rapide ; anticiper les dynamiques de marché et l’impact des évolutions urbaines en cours et à venir.

Où en est l’adoption des AVM dans le secteur immobilier ?

De nombreux acteurs développent des solutions d’AVM pour le secteur de l’immobilier, mais ces modèles ne répondent à notre avis que partiellement aux besoins du secteur. Nous allons plus loin que la simple valorisation automatique, en travaillant sur deux volets qui nous semblent essentiels : l’analyse prospective et l’expérience utilisateur.

L’analyse prospective permet d’aller plus loin que la valeur d’un actif aujourd’hui, et met à profit le big data et le machine learning pour anticiper l’évolution de la valeur et les dynamiques de marché, à court et moyen terme.

L’expérience utilisateur est quant à elle fondamentale pour faciliter l’adoption de ces nouvelles technologies. Elle passe par le développement de solutions intuitives, simples et agréables à utiliser.

Nous développons donc toujours nos solutions en collaboration étroite avec nos clients, pour coller au plus près à leurs problématiques métiers et à leurs modes de travail. Nous travaillons avec des banques, des intermédiaires de crédit ou des compagnies d’assurance qui veulent mieux accompagner et conseiller leurs clients. Nous travaillons également avec des investisseurs institutionnels, des promoteurs immobiliers et des sociétés de gestion, pour mettre en œuvre de nouvelles stratégies d’investissement, analyser plus rapidement des opportunités ou encore optimiser leur gestion de portefeuille.

Comment garantissez-vous la qualité de vos sources de données et de vos prédictions ?

La qualité de nos valorisations et de nos prévisions repose sur deux piliers : la qualité de nos données et la qualité de nos algorithmes. Pour les données, nous mettons donc tout en œuvre pour avoir en permanence les données les plus détaillées, les plus exhaustives et les plus fiables possibles. Pour nos algorithmes, nous avons constitué une équipe de data scientists issus des meilleures formations européennes, pour développer les meilleurs algorithmes possibles, et offrir à nos clients ce qui se fait de mieux en termes de machine learning.

Nous sommes par ailleurs tout à fait transparents avec nos clients sur les données que nous possédons et les méthodes que nous utilisons. Nous sommes convaincus que cette transparence vis-à-vis de nos clients ne fera que renforcer leur confiance à l’égard de nos solutions. Elle nous permet également de bénéficier de leurs expériences et de leurs conseils sur les nouvelles données et signaux que nous pouvons intégrer.

Quels sont les principaux freins à la généralisation des solutions d’AVM ?

Le principal frein à la généralisation des AVM est réglementaire, car l’expertise ou la valorisation d’un actif immobilier, qu’il s’agisse de tertiaire ou de résidentiel, engage celui qui la signe. Historiquement, ces expertises ont donc été réalisées par des experts immobiliers « humains » qui engagent leur responsabilité.

Mais le principal moteur de développement des AVM est lui aussi réglementaire. La gestion du risque de crédit immobilier en France en est un parfait exemple. En France, historiquement, la gestion du risque de crédit repose sur la solvabilité des ménages et non sur la valeur du sous-jacent (le bien immobilier). Cependant, les évolutions réglementaires récentes, et notamment la Directive Crédit, remettent le bien immobilier au centre de la gestion du risque, et il est maintenant demandé aux acteurs bancaires de valoriser les biens immobiliers sous-jacents. Cette évolution réglementaire pose un problème fondamental de passage à l’échelle : il sera impossible de valoriser « à la main » des millions de biens immobiliers.

Les pays européens, comme par exemple la Suisse ou le Royaume Uni, qui ont mis en place tôt ces obligations de valorisation pour la gestion des risques, ne s’y sont pas trompé : ils ont intégré les AVM aux processus réglementaires, et ce depuis 10 voire 15 ans.

Quelles sont les opportunités dans le domaine de l’automatisation des prévisions ?

Au-delà de la valorisation d’un actif immobilier aujourd’hui, le défi consiste en effet à tirer parti des algorithmes pour développer des outils de prospective et d’analyse prédictive, pour anticiper les dynamiques de marché et les dynamiques urbaines. Quel sera l’impact d’une nouvelle infrastructure de transport sur la valeur d’un bien ou d’un portfolio ? Quelles sont les dynamiques de gentrification en cours ? Quelle sera la situation du marché local à horizon 3 ou 5 ans ?

Le facteur différenciant pour les investisseurs immobiliers dans les années à venir, reposera sur leur capacité à prendre les bonnes des décisions et faire les bons arbitrages. Et cette réactivité sera directement liée à leur capacité à intégrer rapidement toutes les informations sur les dynamiques de marché actuelles et futures. Les outils d’analyse et de prévision automatique pour les marchés immobiliers sont donc amenés à jouer un rôle prépondérant dans les années qui viennent. Ils ne viennent pas en remplacement de l’humain, mais aideront les gérants à prendre de meilleures décisions d’investissement.

Profil de la start-up

Date de création : 2016
Effectif : plus de 25 salariés
Principaux investisseurs : particuliers et entreprises, dont SwissLife et Helvetia
Implantations : Suisse, France et Allemagne
Marchés visés : immobilier résidentiel et d’entreprise