Make this article seo compatible, Let there be subheadings for the article, be in french, create at least 700 words
La technologie entre en scène
A côté de ces possibilités, l’intégration d’un outil d’intelligence artificielle (IA) peut également être une solution. Lorsque l’IA a commencé à prendre de l’ampleur dans le secteur immobilier, la plupart des capitaux d’investissement ont été investis dans des produits destinés aux consommateurs, tels que ZillowZestimate ou les solutions de marketing prédictif.
Lancé en 2006, le Zillow Zestimate exploite des documents publics pour fournir des estimations de la valeur de chaque maison dans un quartier donné. Ces types de produits destinés aux consommateurs ont suscité beaucoup d’intérêt de la part des investisseurs. Dans le même temps, le marketing prédictif a également gagné en popularité. Les agents ont commencé à utiliser la modélisation prédictive pour déterminer quelle personne dans un quartier, ou quelle personne dans une liste de contacts, était la plus susceptible d’inscrire sa propriété dans un avenir proche.
L’accent mis sur l’aide aux courtiers dans le recrutement et la gestion d’équipe grâce à l’IA est resté limité jusqu’à plus récemment. En 2016, Robert Keefe a été le pionnier de ce créneau avec Relitix, ouvrant la voie à une nouvelle vague d’entreprises innovantes dans le secteur. L’IA peut aider à rationaliser le processus de recrutement dans l’immobilier en exploitant des données provenant de diverses sources pour identifier les candidats possédant les compétences et l’adéquation culturelle souhaitées.
« La ressource la plus rare dans l’immobilier est le temps du directeur de courtage », a déclaré Keefe à HousingWire. « J’ai pensé que les outils et technologies de données émergents, associés au MLS et à d’autres données au niveau des agents, nous permettraient d’exploiter cette ressource de temps rare et de rendre une heure de temps de gestion 10 fois plus productive grâce aux super pouvoirs des données.
Des entreprises comme Relitix, Technologies du loup solitaire, Courtisé, Kit de courtage et MoxiWorks proposer des outils d’IA pour rationaliser le processus de recrutement des agents. Ces entreprises exploitent différentes techniques telles que l’analyse prédictive et l’apprentissage automatique (y compris les sous-ensembles de l’apprentissage actif et de l’apprentissage profond) pour prévoir les performances futures d’un agent.
L’apprentissage profond est une forme plus avancée d’apprentissage automatique. Il utilise plusieurs couches séquentielles d’apprentissage automatique pour produire des réponses très raffinées et nuancées, et constitue la base des grands modèles de langage d’IA tels que ChatGPT qui sont devenus répandus au cours de l’année écoulée.
Lorsque les données d’entraînement étiquetées ne sont pas disponibles (c’est-à-dire qu’il existe des données mais pas de « réponses »), les ingénieurs de données peuvent utiliser l’apprentissage actif pour que l’IA crée un ensemble de données plus petit avec des points de données plus importants pour examen et étiquetage par des évaluateurs humains. Cet ensemble de données plus petit peut remplacer les grands ensembles de données entièrement étiquetés sans qu’il soit nécessaire d’étiqueter autant d’exemples.
L’objectif de ces outils d’analyse est d’améliorer la prise de décision des experts en convertissant les données brutes en informations, inférences ou modèles prédictifs pouvant faciliter les processus opérationnels. L’analyse est mieux considérée comme un processus répétitif dans lequel les modèles prédictifs sont continuellement affinés et améliorés.
« Les données abondent certainement dans le domaine immobilier. En fait, c’est l’existence de données dans ce secteur qui facilite les approches analytiques avancées », a déclaré Sean Soderstrom, co-fondateur et PDG de Courted, une société basée à New York et fondée en 2021.
« Le problème, cependant, est que la grande majorité des maisons de courtage utilisent des données historiques pour prendre des décisions de recrutement », a-t-il ajouté. « Courted a montré qu’il existe une volatilité importante dans la production d’agents d’une année à l’autre.
« Sans l’IA, il est presque impossible de distinguer un agent dont les années les plus vendues sont en retard ou en avance à grande échelle. Vous pouvez éventuellement le faire si vous avez un lien avec cet agent et que vous connaissez profondément son activité, mais il est impossible de parcourir toutes ces informations pour tous les agents qui pourraient convenir à votre maison de courtage, étant donné qu’il y a un million et demi d’agents dans le pays. »
Soulager les points douloureux
Les entreprises ont identifié trois problèmes principaux dans la manière dont les courtiers étaient recrutés dans le passé.
Premièrement, la production d’un individu a tendance à être très volatile d’une année à l’autre. Deuxièmement, chaque agent a une probabilité variable de changer de maison de courtage à un moment précis. Enfin, les recruteurs peuvent avoir du mal à créer le bon message qui attirera un agent spécifique.
Pour résoudre ces problèmes, les sociétés de recrutement basées sur la technologie exploitent les données de plusieurs services de référencement (MLS), qui font l’objet d’une ingénierie de données méticuleuse pour générer des profils d’agent complets. Ces profils sont ensuite soumis à une analyse comparative par rapport à une cohorte pertinente d’agents. Des indicateurs de performance clés tels que les volumes de ventes, le temps moyen passé par les annonces sur le marché et les ratios vente/prix catalogue sont évalués.
De plus, les modèles d’apprentissage automatique et d’analyse prédictive prévoient le volume de production d’un agent pour l’année suivante et évaluent la probabilité de chiffre d’affaires pour une maison de courtage spécifique.
Par exemple, la « notation du risque de changement » de Relitix est utilisée pour évaluer la probabilité relative qu’un agent change de maison de courtage au cours des trois prochains mois. Les recruteurs l’utilisent pour hiérarchiser les listes de recrutement et les managers l’utilisent en conjonction avec les efforts de fidélisation des agents.
Parallèlement, l’évaluation du « potentiel de recrue » de l’entreprise mesure le potentiel de réussite des agents ayant moins de 36 mois d’expérience en MLS. Il permet aux recruteurs de découvrir des agents à haut potentiel avec une expérience limitée au milieu du grand nombre de nouveaux agents.
Enfin, les « notes d’efficacité des annonces » évaluent les agents sur leur efficacité à clôturer leurs annonces. Chaque agent de la MLS se voit attribuer une note (A à F) chaque mois, 20 % du pool total d’agents recevant l’une des cinq notes. Les agents notés « A » représentent les 20 % les plus performants du pool et on peut compter sur eux pour clôturer les inscriptions les plus difficiles avec un haut niveau de fiabilité.
À l’inverse, les agents notés « F » n’ont pas réussi à clôturer des inscriptions relativement faciles et ont un nombre surdimensionné d’inscriptions annulées, expirées ou retirées par rapport à leurs pairs. L’algorithme d’apprentissage automatique de Relitix est recyclé chaque mois pour refléter les conditions actuelles du marché et pour garantir que la notation est ajustée en fonction de la difficulté de cotation et des conditions locales de l’offre et de la demande.
« Cela va devenir une mesure particulièrement importante dans les prochaines années », a déclaré Keefe, le fondateur de Relitix. «Nous produisons cette qualité sur le pool d’agents depuis 2019.»
Informations de niveau supérieur
Joshua Paul, vice-président des opérations chez ONE Sotheby’s International Realty, utilise les outils de recrutement d’IA de Courted. Ils lui permettent de se préparer efficacement avant de rencontrer un candidat et contribuent à rendre les conversations plus personnalisées et plus intentionnelles, a-t-il déclaré.
D’un simple coup d’œil, Paul peut accéder aux détails des transactions annuelles d’un agent et à leurs résultats selon divers indicateurs de performance clés. Il peut également consulter des analyses prédictives pour prévoir les performances potentielles d’un agent.
« Je peux comprendre l’ensemble des activités de l’agent en moins de 20 minutes, de sorte que lorsque j’ai une conversation en personne avec l’agent, j’ai l’impression d’avoir effectué une quantité substantielle de recherches », a déclaré Paul.
Dans ces cas-là, l’IA permet d’identifier certains des points hauts et bas de la production d’un agent. Bien qu’il n’y ait pas de « boule de cristal » lorsqu’il s’agit d’agents immobiliers, l’IA peut aider à comparer une sélection, selon Nick Weitekamp, vice-président exécutif de Immobilier Ouest des États-Unisune maison de courtage qui utilise les outils Relitix.
« Relitix nous donne un peu plus d’informations sur le potentiel d’un agent, sur la base des mesures déjà intégrées à Relitix », a déclaré Weitekamp. «C’est un bon genre de sujet de conversation.
« Lorsque nous discutons avec différents agents, cela nous donne un peu plus d’informations sur cette boule de cristal. Ce n’est pas parfait. Mais cela aide simplement à orienter la conversation sur ce que ces agents pourraient devenir s’ils bénéficiaient d’un peu plus de soutien, d’un peu plus de formation, d’un peu plus de concentration sur leur entreprise.
En fin de compte, en matière de recrutement, la proposition de valeur d’une entreprise est essentielle. De nombreuses maisons de courtage offrent des incitations financières, telles que des bonus initiaux en espèces et en actions ou de meilleurs partages, pour inciter davantage d’agents à les rejoindre. Mais la culture, la technologie, le support et d’autres facteurs peuvent être de solides arguments en faveur de l’intégration d’un plus grand nombre d’agents.
La plupart des grandes maisons de courtage immobilières cotées en bourse investissent massivement dans leurs fonctions de recrutement. Certains choisissent même d’investir dans leur technologie pour recruter des agents.
Selon Soderstrom, le recrutement assisté par l’IA peut contribuer à uniformiser les règles du jeu pour les acteurs du secteur immobilier. Il permet aux grandes entreprises d’obtenir un meilleur retour sur investissement pour leurs efforts de recrutement tout en fournissant aux petites entreprises des outils puissants qui leur permettent de rivaliser avec des concurrents plus grands et mieux capitalisés.