Smart Bolighandel

During the reporting period, the project has worked on the following main points. 1) Analysis method for assessing the condition of a second-hand home. Development of several model alternatives where the collective term is BoligScore. These are advanced NLP / machine learning methods that are trained on historical condition data where the goal is to achieve a data-driven method for assessing the condition of a home-based on the documentation available in connection with the transaction. Several versions have been developed, tested, and iterated. The methods have also been tested against domain experts in the field of technical conditions. The project also conducts studies on how BoligScore can be used for the comparison of homes based on condition. In addition, several user studies have been conducted on how the results from the BoligScore methods can be presented to the stakeholders in the value chain, as it is essential that these players gain access, understand, and can use the results from the methods in their decision-making processes. 2) A prediction method that includes the technical condition of the home in automatic valuation models for second-hand homes. This can have the potential to strengthen the BoligScore methods, so that the decision support models becomes even more powerful for end users. This has also been tested against peers and presented on ReCapNet - Digitalization and Real Estate. 3) Automatic quality assessment of appraiser report summary based on NLP / machine learning. This is especially important, as abstracts and free text content are often a source of conflict. 4) Method for predicting the risk of conflict based on technical conditions. The model has been developed on Gradient Tree Boosting algorithms. There is still work to be done to be able to separate homes where there is a conflict and homes where there is no conflict, based on the technical condition. Work is being done on new and improved covariates - in addition to research on other issues that lead to conflict. Qualitative and quantitative surveys have also been conducted against all stakeholders in the second-hand real estate market to gain insight that can improve project results when the project is to be commercialized.

-

Vi vil gi bruktboligkjøpere, og andre aktører, et bedre bilde av en boligen tilstand ved å sammenstille og presentere informasjon på en mer helhetlig, riktig og forståelig måte. Dette åpner muligheten for det vi kaller datadrevet boligkjøp, hvor vi gir kjøper en lettfattelig totaloversikt over tilstand, risiko og kostnader basert på data fra en rekke ulike datakilder. Ideen i prosjektet er å utvikle en ny metode og tilhørende mobile applikasjoner og analyseverktøy for å bedømme tilstanden til en bruktbolig, basert på en smart analyse og kobling av data. Metoden skal være objektiv, håndtere risiko for ukjente feil og mangler, og gi et estimat på utbedrings- og bokostnader. Prosjektet vil også utvikle en ny datadrevet metode for boligkjøperforsikring og forbedret prising av husforsikring som er tilpasset bruktboligens tilstand, og således senke usikkerheten for både kjøper, megler og forsikringsselskap. Målet er å få en smartere bolighandel og færre konflikter etter boligsalget. Informasjonen som skal til for å gjøre et velbegrunnet og trygt boligkjøp finnes i form av takstrapport, tilstandsrapport, matrikkel, kartdata, prisstatistikk og offentlige dokumenter m.m. Problemet er at disse er vanskelig å finne frem til og tolke for lekpersoner. Det er også krevende for en kjøper å vurdere risiko for mangler og ukjente feil som kan føre til kostbare utbedringer. Eiendomsmeglere har også utfordringer med å sette seg inn i boligens tekniske tilstand grunnet lite fagkunnskaper og korte tidsfrister. Per i dag er det ingen aktører som kombinerer rådata fra de fragmenterte datakildene, og ingen som utfører systematisk risikoanalyse og estimater basert på disse dataene. Partnerne i konsortiet utgjør de beste fra sine felter innenfor domenene eiendom (Vendu, DNB Eiendom, NTF, Ambita), forsikring (Norwegian Broker, INSR) og forskning (Norsk Regnesentral, Universitet i Bergen og NTNU Handelshøyskolen).