Helsingin Sanomat pohtii 1.8.2018 julkaistussa artikkelissaan voittaako tekoäly ihmisen asunnon hinnan arvioinnissa. Artikkelissa mainitaan, että asuntojen hintojen ja myyntiaikojen arviointi ovat olleet kiinteistönvälittäjien osaamisen ydintä, mutta uudet, tekoälyä hyödyntävät laskurit mahdollistavat teoriassa samaan lopputulokseen pääsyn jokaiselle asuntoaan myyvälle ilman kiinteistönvälittäjän apua.
Blok, Kiinteistömaailma ja Etuovi.com ovat tuoneet markkinoille uusia hintalaskureita, jotka pohjautuvat toteutuneisiin asuntokauppoihin tietyllä postinumeroalueella. Vaikka hintalaskureissa käytettävän datan määrä on valtava, ei asuntojen hintoja pystytä satunnaisten tekijöiden, kuten Helsingin Sanomissa esimerkkinä mainitun paikalle sattuneen ostajakunnan, vuoksi arvioimaan 100 prosentin tarkkuudella. Lienee kuitenkin ajan kysymys, koska tekoälyä hyödyntävät hintalaskurit tarkentuvat entisestään ja kiinteistönvälittäjien rooli asuntokaupoissa muuttuu.
Voitaisiinko vastaavia hintalaskureita käyttää kiinteistöarvioinnissa yksittäisiä asuntoarvioita laajemmin? Asuntokaupoista saatava data näyttää vielä toistaiseksi olevan osittain tarkempaa ja myös helpommin käsiteltävässä muodossa kuin kiinteistökaupoista saatava data. Epäilen kuitenkin, että kiinteistökaupoista kerätään lähes yhtä paljon tietoa, mutta tiedon käyttäminen ei ole järjestelmällistä, sillä kaikilla ei ole pääsyä kattavaan tietokantaan.
Markku Mäkiaho toi esille Suomen Kiinteistöarviointiyhdistyksen 40v juhlaseminaarin kommenttipuheenvuorossaan, kuinka kiinteistönomistajat joutuvat tilaamaan arvioita tiuhaan tahtiin – eikä arvioiden tilaaminen ole halpaa. Mäkiaho huomautti lisäksi, että kiinteistöarvioijan vaihtamisesta aiheutuu lähes aina arvojen heilahtelua.
Kiinteistöjen hintalaskuri voisi tuoda ratkaisun moneen Mäkiahon mainitsemaan ongelmaan: arviointiprosessia voitaisiin yksinkertaistaa ja nopeuttaa laskurin avulla. Se voisi myös tuoda kaivattua johdonmukaisuutta ja vakautta esimerkiksi arvioitsijan vaihdon yhteyteen. Laskuri tuskin korvaisi arvioijaa täysin, mutta voisi toimia hyvänä pohjana ja työkaluna arviointiprosessissa. Se voisi jopa mahdollistaa sen, että kiinteistönomistaja tekisi itse alustavan arvion laskurin avulla, jonka arvioija vahvistaisi myöhemmin prosessin aikana. Kiinteistöarvioijan vahvistus arvolle on varmasti rahoittajien ja tilintarkastajien näkökulmasta välttämättömyys myös tulevaisuudessa.
Jää nähtäväksi kenellä – jo olemassa olevalla vai uudella osaajalla – riittää uskallusta tuoda tekoäly osaksi kiinteistöarviointia.
KIINTEISTÖARVIOINTIIN TEKOÄLYÄ
Ei ole uusi asia tuo tekoäly kiinteistöarviointiin. Jo yhdistyksen 10 –vuotis juhlajulkaisussa kerroin ajatuksistani otsikolla ”Kiinteistöarvioinnin työasema”. Tänä päivänä esittämäni työaseman toiminnot voisi rakentaa vaikka älypuhelimeen.
Kiinteistöarvioinnin ongelma ei ole koskaan ollut menetelmien puuttuminen. Vajausta on ollut aina luotettavasta markkinatiedosta eli toteutuneista kaupoista. Kiinteistöjen kauppahintarekisterin ylläpitäjä maanmittauslaitos kerää omaan käyttöönsä lisätietoja. Itselläni oli tapana aktiiviurani aikana käydä paikallisissa maanmittauskonttoreissa tutkimassa kaupanvahvistajien ilmoituksia, joihin oli lyijykynällä jälkeenpäin täydennetty tärkeää tietoa kaupan kohteista. Yhtyen Mäkiahon esitykseen, jos nuo tiedot ovat vieläkin salaisia, ne pitäisi nopeasti julkistaa.
Erityisesti kiinteistökauppojen osalta kaikki saatava tieto on tärkeää, koska kauppoja tehdään niin vähän.
Jo 1980 –luvulla Kiinteistöarviointiyhdistys tutki hermoverkkojen käyttöä kiinteistöarvioinnissa. Tällöin hanke lopetettiin. Olisiko nyt aika tekoälylle.
Tietojärjestelmäavusteinen arviointi vai tekoälyjohtoinen arviointi?
Yhä laajempien tietomassojen hallintaan tarvitaan luonnollisesti yhä parempia tietojärjestelmiä arviojien työn tueksi. Ongelmat alkavat siinä vaiheessa kun sokeasti luotetaan tekoälyn kaikkivoipaisuuteen arvioinnissa.
Olipa arviokohde sitten osakehuoneisto, kiinteistö tai vaikkapa liiketila, niin pelkkiin tilastoihin voi hyvin harvoin luottaa. Lähdetietojen oikeellisuuden ja arviokohteesta hankitun datan merkityksen ymmärtäminen arviokohteen yksilöllisen arvon kannalta on ja pysyy inhimillisenä prosessina.
Tekoälyyn pohjautuvissa palveluissa olisikin syytä tarkistaa ensimmäisenä mikä on algoritmin laatijan pätevyys kiinteistöarvioinnissa. Mikäli algoritmin laatijalla ei ole oikeaa osaamista kiinteistöarvioinnissa, niin tuskinpa matemaattisia laskutoimituksia suorittava ohjelmakaan on sen viisaampi.
Olemassa olevista netissä toimivista ”arviointiautomaateista” olisi syytä vaatia kunnon menetelmäkuvaus käytettävistä arvioinnin perusteista ja selkeä raportti, jolla todetaan kuinka luotettavaan lopputulokseen menetelmällä on päästy.
Realialla oli yli 10 vuotta sitten vastaava toteutuneeseen kauppahintatietoon perustunut arviointipalvelu netissä. Tein kyseisen palvelun toiminnan tarkkuuttamiseksi arviot lähes 1000 myytyyn tai myynnissä olevaan kohteeseen. Tuolloin aidosti tunnistetuissa kohteissa menetelmän tarkkuus nousi yli 90% tarkkuuteen verrattuna ihmisen tekemään arvioon. Haasteita silloin aiheutui lähinnä käytettävissä olleiden kartta-aineistojen ja paikkatietojen rajoitteet. Valitettavasti tuo palvelu ei enää samalla tarkkuudella ole käytössä.
Koska jo esim. kauppahintatilastojen lähtötiedoissa on niin paljon puutteita (peruskorjaukset, tontin omistussuhteet yms), niin pelkkään tekoälyyn perustuvat laskurit eivät tuota luotettavaa kiinteistöarviointia eikä niiden antamiin arvoihin kannata luottaa – tämä olisi varsinkin kuluttaja-asiakkaiden syytä tietää. Sen sijaan yhä laajenevan sähköisen tietoaineiston analysointiin ja hyödyntämiseen avustavat tietojärjestelmät ovat erittäin tervetulleita työkaluja luotettavaan -osaavien arvioijien suorittamaan – arviointitoimintaan.
Data on ongelma toimitila-AVM:n (Automated Valuation Model) rakentamisen suhteen, mutta CAMA (computer assisted mass appraisal) palikoita voisi rakennella – ellei sellaisia ole jo käytössä. Tietysti niitä on kaikilla arvioitsijoilla jokapäiväisessä käytössä – onhan?
Tällaisia CAMA-palikoita voisi olla esimerkiksi
* automaattisia – ja näin ollen siis objektiivisia(!) – vertailukauppojen hakukoneita. Näissä moottorina voisi toimia jokin etäisyysmitta: Mahalanobis, euklidinen, jne …
* kassavirtojen – vuokrat, hoitokulut, korot, jne. – simulointityökalut
Asuntopuolella dataa on periaatteessa riittävästi saatavissa, ainakin teoriassa. Datan kunnolliseen(!) putsaamiseen kuluu kyllä työaikaa, mutta toisaalta toisesta päästä voidaan saada aikasäästöjä. Edellä mainittujen menetelmien lisäksi voidaan rakentaa varsinaisia automatisoituja arvonmääritysmallejakin – jopa sellaisia, että ne toimivat.
Pekka peräänkuuluttaa kunnon menetelmäkuvauksia – ne todellakin olisivat tarpeen. Samaten AVM-aihepiiriin liittyvissä arviointistandardeissa edellytetään riittävää menetelmäosaamista työkalun käyttäjiltä.
Asuntopuolella ammattikäytössä erinäisiä AVM/CAMA -kehikoita on Suomessa ainakin parilla isolla arviontitalolla (JLL, Newsec) ja muutamilla sijoitustoimintaa(kin) harjoittavilla yhtiöillä. Näistä ei kovin moni ole uskaltautunut antamaan menetelmäkuvausta – tiedän vain yhden tahon, jolla on ollut rohkeutta tai kykyä kertoa kuinka tekee mallinnuksen. Muut eivät joko ole uskaltaneet tai haluavat pitää liikesalaisuutena. Ehkä ihan pienimmät detaljit voisivat olla liikesalaisuuksia, mutta edes datan ja menetelmän (GLS/LSDV/ML, random forest, neuroverkko, GWR, …) kertominen auttaisi arvioimaan toimivuutta.
Kansainvälisesti portfoliotasolla riittävänä tarkkuutena AVM-mallille pidetään, jos vähintään puolet testiaineistosta [vertailu toteutuneeseen tai ulkopuoliseen ”perinteiseen” arvioon] poikkeaa enintään +/- 10 prosenttia mallin mukaisesta. JLL:n ja Oravan käyttämissä malleissa tuo tavoite saavutetaan. Portfoliotasolla poikkeamat ovat tyypillisesti enimmillään +/- 2% luokkaa, useimmiten kuitenkin +/- 1% sisällä.
Kaikkia malleja ei voi käyttää kaikkiin kohteisiin, joten pitää rakentaa liputusmekanismeja s.e. jotain 1800-luvun puutalokohdetta ei arvioida aineistolla, joka koostuu käytännössä kokonaan 1970-luvulla tai myöhemmin rakennetuista kerrostaloista. Samaten, miljoonatason arvokohteet eivät yleensä ole arvioitavissa AVM/CAMA kehikolla – ellei arvokohteista ole todella paljon dataa käytössä,
Kyllä – tekoälylle olisi aika ja tilaus. Yksi ongelma varmaan on alan standardeissa, joissa AVM/CAMA menetelmiin juurikaan ole otettu kantaa. EVS:n mukaan menetelmiä voidaan käyttää, mutta vain ja ainoastaan jonkinlaisen lähtöarvon määrittämiseen arvioitsijan tiukassa valvonnassa. RICS on ottanut varovaisesti positiivisen kannan. IVS kehikon osalta 2018-19 pitäisi tulla keskustelupaperi aiheesta. EU-tason sääntelyssä ainakin AIF-direktiivissä AVM sallitaan.
EVSn tiukka kanta perustunee prof. Matysiakin raporttiin, jossa todettiin ettei ole riittävästi evidenssiä riittävästä tarkkuudesta. Posiviitinen RICS-kanta perustunee jenkkiregulaatiolle (esim. USPAP, IAAO ovat myötämielisiä) sekä sille, että korkein oikeustaho Britanniassa on jokin aika sitten todennut, että (ainakin yhdessä käyttötarkoituksessa) automaattiset mallit ovat parempia, luotettavampia ja selvästi tarkempia kuin ”ihmisarvioitsijan” laskelmat.
Toinen ja kolmas ongelma on ehkä kvanttiosaamisessa sekä siinä, että käyttöönotto edellyttää aikapanostusta mallinnuksen rakentamiseen ja riittävään dataputsaukseen ja imputointiin.
Neljäs – ja varmaankin suurin – ongema on aina välillä havaitsemani vihamielisyys ja epäluuloisuus näitä laskennallisia menetelmiä kohtaan.
Aiheeseen liittyvää tuoretta lukemistoa voisi olla esim.
Kauko – d’Amato eds. (2009). Mass appraisal methods – an international perspective for property valuers, Wiley-Blackwell
ja
d’Amato – Kauko eds. (2017). Advanced in automated valuation modelling – AVM after the non-agency mortgage crisis, Springer