4 Giugno 2020
Real Estate Focus Session 2
Portfolio Investimenti
Time Activity
09:30 Introduzione, Anna Ruzzene, Associate Partner, Real Estate & EPM, PwC Italia
09:35 AI nel Real Estate, Elena Santi, Manager, D&A, PwC Italia
09:45 Portfolio Investimenti Insight, Nicola Pozzi, Senior Manager, EPM, PwC Italia con Pietro Olia, SAP Italia
10:10 AR/VR nel Real Estate, Lorenzo Montagna, Senior Advisor, PwC Italia
10:20 Demo: Project Portfolio Management, Davide Mambrini e Pietro Olia, SAP Italia
10:35 Q&As
Agenda
2
Artificial Intelligence nel Real Estate
Presentation by Elena Santi
4 Giugno 2020
Quando devono essere prese decisioni sui valori di vendita e locazione degli immobili , ci si trova a dover valutare molteplici fonti dati:
• Dati pubblici ufficiali forniti da istituzioni come Banca d’Italia, Istat
• Dati relativi alla collocazione geo-territoriale degli immobili
• Dati sul livello di attrattività della zona che si sta analizzando
Nasce quindi l’esigenza di creare una soluzione che permetta di integrare le suddette informazioni fornendo degli indicatori sintetici che aiutino a prendere decisioni in modo mirato sulle opportunità di investimento del medio e lungo periodo
Investment Analysis: il contesto
PwC Solution: Come utilizzare l’AI nella stima dei prezzi immobiliari
“INVESTMENT ANALYSIS”
• Un algoritmo dedicato che analizza lo sviluppo del mercato immobiliare. Ai fini dell'identificazione di "hot spot" immobiliari, le fonti di dati utilizzate saranno le seguenti: : 1. dati diffusi da fonti pubbliche e affidabili, come ISTAT, Banca d'Italia e Autorità fiscale italiana (Agenzia delle Entrate).
2. dati da Google Maps o Bing, per raccogliere un dettaglio all'interno del quartiere (ad esempio per strada) selezionando i punti di interesse: scuole, supermercati, ospedali, ecc.
3. dati interni, forniti dal cliente, relativi a affitti e vendite (se esistenti)
SEGMENTAZIONE PER ASSET CLASSDELIVERABLES PRINCIPALI
• La seguente stima dei KPI come output degli algoritmi implementati:
1. Prezzi futuri previsti per metro quadrato (mq), suddivisi per destinazione d'uso, per diversi sotto-mercati;
2. La variazione di valore prevista del valore precedente (%) suddivisa per destinazione d'uso;
3. I valori di noleggio stimati previsti (ERV) in € / mq suddivisi per destinazione d'uso;
4. Evoluzione ERV associata (%) suddivisa per destinazione d'uso;
• Un framework analitico proprietario supportato da tecniche analitiche avanzate;
• Uno strumento di esplorazione dei dati sotto forma di prototipo di interfaccia dashboard.
Investment Analysis: deliverables
RESIDENTIAL 2 LOGISTIC / INDUSTRIAL 3 OFFICES/TERTIARY
RETAIL (i.e. mall) HOTELS RENEWABLE ENERGIES
4 5 6
1
METODOLOGIA PER IL FORECASTING NEL REAL ESTATE:
Sulla base del mercato selezionato, verranno fornite le stime KPI finali al livello più disaggregato. A partire dai dati più disaggregati, le aggregazioni successive dei KPI possono raggiungere il livello di dettaglio desiderato e il risultato verrà visualizzato in soluzioni visive
Outcomes
presentation and delivery
Una volta che l'algoritmo basato su Machine Learning è stato testato e validato sui nuovi dati per stabilirne la precisione, questo sarà implementato in modo che possa prevedere in modo automatico il valore futuro delle variabili target.
Seguiranno ulteriori certificazioni per valutare l’affidabilità dei risultati.
Model
Implementation
Viene effettuata un'analisi preliminare per identificare possibili fonti di dati disponibili relative al mercato immobiliare specifico locale.
Data exploration
Applicare metodologie basate su Machine Learning per acquisire dati tradizionali e correlazioni non tradizionali per aumentare l'accuratezza delle previsioni.
Dal punto di vista degli indicatori, le nostre variabili target terranno conto anche
degli indicatori
macroeconomici, industriali, socioeconomici e demografici. I risultati della fase di modellizzazione saranno testati sia da un punto di vista tecnico (econometrico e statistico) sia da un punto di vista industriale.
Modelling
E’ possible raccogliere dati rilevanti che descrivono sia il prezzo di vendita che il prezzo di affitto per metro quadrato sulla base di fonti pubbliche e di pagamento. Dati interni (ad es. Prezzo di affitto e vendita per mq di transazioni registrate), fonti pubbliche sia nazionali (es. ISTAT, Banca d'Italia) che istituzioni internazionali (es. Banca per gli insediamenti internazionali, F.M.I. , FED, Dati GIS) saranno inclusi. Saranno prese in considerazione solo le fonti più convincenti e riconosciute
Data collection and preparation
Investment Analysis: metodologia
Investment Analysis: data collection
GIS data| Luoghi di interesse da Google Map o Bing
7
Per la stima dei KPI, oltre ai
dati statistici ufficiali, verranno
utilizzati i dati dei Luoghi di
interesse ottenuti da Google, in
quanto rilevanti sui prezzi al
mq.
Investment Analysis: presentazione risultati
Structured data | Esempio : dati di Roma per zona
8
Prezzo di vendita per metro quadrato, EUR/m²
Le stime verranno visualizzate utilizzando un software geografico come nell'esempio a fianco.
Le aree con un valore potenziale
stimato più elevato saranno
facilmente riconoscibili dal loro
colore.
Real Estate
Portfolio Investimenti Insight
4 Giugno 2020
10
Investment Decision Making
Asset Development Point of PwC
view Performance
Management
Tenant Intake Property
Management Facility
Management
6 1
2 3
4 5
EPM Business Plan
Ciclo di vita dell’Asset
11
C-level è 13%
pienamente soddisfatto del
loro attuale modello di pianificazione
75% Gestisce il Business Plan con Excel
71% Integra i dati dalle differenti funzioni organizzative (i.e.
Finance, Property, Construction)
64% Ha un modello standard per il modello di pianificazione aziendale
64% Modelli fino alla singola unità immobiliare
1 2
3
5
6
7
8
Common Issue
Molteplicità di fogli excel Assenza di integrazione
Elevata complessità nel calcolo dei flussi finanziari
Minor tempo per l’analisi del dato Mancanza di strumenti di controllo Tempi elevati di elaborazione manuale
Impossibilità di confrontare le rendite e le profittabilità dei diversi asset
Notevoli difficoltà o impossibilità di simulare l’impatto finanziario di nuovi scenari (es Covid-19)
4
Business Plan in Italia
Il processo gioca un ruolo cruciale nel processo decisionale, tuttavia appena il 13% del C-level è soddisfatto del loro modello attuale
12
Sap Analytics Cloud (Sac)
La soluzione SAP Analytics Cloud (SAC) combina soluzioni di Enterprise Performance Management (EPM) con analisi e modelli di calcolo predittivi per ottenere i seguenti benefici:
1 2 3
5 6 7 8
Produzione reportistica standard e personalizzata
Sistema integrato a livello di gruppo
Affidabilità e auditabilità del dato
Minor tempo per l’analisi del dato
Automatizzazione del flusso dati proveniente dalle fonti alimentanti
Minor tempo dedicato al controllo del dato a vantaggio dell’analisi
Possibilità di versioning all’interno dei processi di pianificazione
Strutturare un processo a livello corporate 4
Principal Advantages
Pianificazione flessibile e operativa
Possibilità di correlare funzioni in input per anticipare eventuali azioni correttive
Analisi di sensitivity real time
Miglior precisione delle stime 9
10 11 12 Consuntivo
Variabili Esogene
Predictive engine
Budget &
Forecast
Input
SAC
Input
Output
Input Elaborazione Input
Predictive EPM
SAP ANALYTICS CLOUD
