No hay tal cosa como "Moneyball" en bienes raíces comerciales

septiembre 11, 2019

By Jay Marling , President and Founder, Capright

The subject of the 2011 film Moneyball has fueled countless Big Data initiatives. This adaptation of Michael Lewis’s 2003 book of the same name chronicles the Oakland Athletics’ quest to create a competitive team on a limited budget. The team’s general manager, Billy Beane (played by Brad Pitt), relies on Peter Brand (played by Jonah Hill), a nerdy assistant, who uses statistical analysis to outperform other MLB teams that mistakenly rely on the traditional biases of experienced baseball scouts. In this way, Moneyball crystallizes the power of Big Data and serves as a parable of analytical innovation.

At first glance, the commercial real estate industry seems ripe for this kind of innovation. After all, the adoption of technology solutions for CRE has been remarkably slow, data is decentralized, and real estate professionals still largely rely on versions of the same tools and methodologies to do their jobs that have been in use for 20 years. Not surprisingly, the common lament that CRE is «behind the times» has spawned a myriad of CREtech startups with crisp, compelling narratives about how market participants can use their «Big Data» solutions to create more value and make better buy/sell decisions—in other words, play moneyball with their CRE portfolios. But these startups are primarily capitalizing on the collective lust for a silver bullet. A more honest look reveals that the application of Big Data principles in CRE has some massive limitations.

Datos no estandarizados
El enfoque de «Big Data» funciona mejor cuando los datos subyacentes pertenecen a resultados discretos que pueden capturarse y tabularse fácilmente. El béisbol está lleno de este tipo de datos (por ejemplo, bolas, strikes, sencillos, base por bola, outs, carreras, errores, etc.) y también lo están otras industrias como la logística y la venta minorista. En contraste, CRE tiene una gran cantidad de datos subjetivos pertenecientes a activos únicos que se miden en una secuencia. Factores como «condición de propiedad» y «ubicación» todavía están en gran medida en el ojo del espectador y no hay acuerdo sobre cómo calificarlos definitivamente. En los márgenes, se pueden usar grandes extensiones de datos geográficos de teléfonos celulares o tarjetas de crédito para hacer inferencias sobre una ubicación específica, pero el problema es que estos datos solo reflejan una pequeña fracción de los aspectos de esa ubicación. Además, la calidad de esa ubicación es dinámica y está sujeta a innumerables externalidades, influencias y gustos que se transforman con el tiempo.

No hay suficientes datos
Es mucho más fácil recopilar información de Big Data cuando existe una gran cantidad de variables de datos estandarizados. Los activos de CRE son únicos y operan en pequeños micro mercados competitivos. Como tal, generalmente no hay suficientes datos para permitir un análisis estadístico significativo. Mientras que se requiere un exceso de 30 variables de datos estandarizados para considerar un resultado estadísticamente significativo, un activo CRE típico tendría variables de datos de quizás solo cinco competidores relevantes. Entre los académicos, la mejor forma de resolver la escasez de datos es importar grandes cantidades de datos de activos similares que operan en diferentes mercados. Sin embargo, este tipo de extrapolación es defectuoso porque no hay forma de controlar con precisión la miríada de factores que influyen en un micromercado en particular. Dicho de otra manera, las preferencias del mercado en, digamos, Seattle son muy diferentes de las de Houston, y tratar de sacar inferencias significativas de una mezcla de sus datos es un negocio dudoso.

The Behavioral Component
The application of Big Data principles in CRE is further complicated by the difficulty of predicting the behavior and motivations of market participants. In industries that produce a significant amount of standardized data, it is possible to make useful inferences about the behaviors surrounding transactions. In contrast, CRE transactions are almost always unique situations where the complex motivations of the parties are unknown. Negotiations and decisions are made not by algorithms, but by human beings with all sorts of behavioral anomalies, often sitting across the table from each other. Thus, the large number of unique behavioral dimensions makes the application of Big Data principles in CRE even more difficult.

Advantages Come from «Little Data»
It’s easy to understand why so many in the CRE industry have been following the siren call of the Big Data fix: by dedicating significant resources to Big Data initiatives, a platform can claim to have a material advantage over its competitors. However, to date, these initiatives have yielded few concrete results, meaning these claims amount to little more than marketing hype.

CREtech’s focus on the Moneyball -like aspects of «Big Data» is misguided and driven primarily by academics or technology experts outside the industry who have little experience in the day-to-day CRE market. Many CRE professionals, on the other hand, have an innate understanding that true gains come from the hard work of capturing, curating, and analyzing anomalous data relevant to specific assets and strategies. This «Small Data» often doesn’t fit into neat categories and requires significant industry expertise and judgment to interpret. For this reason, technology efforts that focus on accelerating the organization of CRE’s «Little Data» are the ones destined to have the greatest impact in the end.