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

septiembre 11, 2019

Por Jay Marling, Presidente y Fundador, Capright

El tema de la película Moneyball de 2011 ha alimentado innumerables iniciativas de Big Data. Esta adaptación del libro de 2003 de Michael Lewis con el mismo nombre, relata la búsqueda de los Atléticos de Oakland para crear un equipo competitivo con un presupuesto limitado. El gerente general del equipo, Billy Beane (interpretado por Brad Pitt), confía en Peter Brand (interpretado por Jonah Hill), un asistente nerd, que utiliza el análisis estadístico para superar a otros equipos de MLB que confían erróneamente en los prejuicios tradicionales de los cazatalentos de béisbol experimentados. De esta manera, Moneyball cristaliza el poder de Big Data y sirve como una parábola de innovación analítica.

A primera vista, la industria de bienes raíces comerciales parece madura para este tipo de innovación. Después de todo, la adopción de soluciones tecnológicas para CRE ha sido notablemente lenta, los datos están descentralizados y los profesionales de bienes raíces aún dependen en gran medida de las versiones de las mismas herramientas y metodologías para hacer su trabajo que están en uso desde hace 20 años. No es sorprendente que el lamento común de que CRE está "detrás de los tiempos" ha generado una miríada de nuevas empresas CREtech con narrativas nítidas y atractivas sobre cómo los participantes del mercado pueden usar sus soluciones de "Big Data" para crear más valor y hacer una mejor decisión de compra / venta: en otras palabras, jugar Moneyball con sus portafolios de CRE. Pero estas nuevas empresas se aprovechan principalmente de la lujuria colectiva por una bala de plata. Una mirada más honesta revela que la aplicación de los principios de Big Data en CRE tiene algunas limitaciones masivas.

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.

El Componente del Comportamiento
La aplicación de los principios de Big Data en CRE se complica aún más por la dificultad de predecir el comportamiento y las motivaciones de los participantes del mercado. En las industrias que producen una cantidad significativa de datos estandarizados, es posible hacer inferencias útiles sobre los comportamientos que rodean las transacciones. En contraste, las transacciones en CRE son casi siempre situaciones únicas donde se desconocen las motivaciones complejas de las partes. Las negociaciones y decisiones no se toman por algoritmo, sino por seres humanos con todo tipo de anomalías de comportamiento, a menudo sentados frente a frente en la mesa. De esta manera, la gran cantidad de dimensiones de comportamiento únicas dificulta aún más la aplicación de los principios de Big Data en CRE.

Las ventajas provienen de "Little Data"
Es fácil entender por qué tantos en la industria de CRE han estado siguiendo el llamado de sirena del remedio de Big Data: al destinar muchos recursos a las iniciativas de Big Data, una plataforma puede afirmar que tiene una ventaja material sobre sus competidores. Sin embargo, hasta la fecha, estas iniciativas han arrojado pocos resultados concretos, lo que significa que estas afirmaciones equivalen a poco más que exageraciones de mercadeo.

El enfoque de CREtech en los aspectos similares a Moneyball de "Big Data" está mal orientado y es impulsado principalmente por académicos o expertos en tecnología fuera de la industria que tienen poca experiencia en el mercado cotidiano de CRE. Muchos profesionales de CRE, por otro lado, tienen una comprensión innata de que las verdaderas ganancias provienen del arduo trabajo de capturar, curar y analizar datos anómalos relevantes para activos y estrategias específicas. Estos "Datos Pequeños" a menudo no encajan en categorías ordenadas y requieren una experiencia y un juicio importantes de la industria para interpretarlos. Por esta razón, los esfuerzos tecnológicos que se centran en acelerar la organización de "Little Data" de CRE son los que están destinados a tener el mayor impacto al final.