News

Não existe “Moneyball” no mercado imobiliário comercial

September 11, 2019

Por Jay Marling, Presidente e Fundador, Capright

O tema do filme Moneyball de 2011 alimentou incontáveis iniciativas para o Big Data. A adaptação do autointitulado livro de Michael Lewis de 2003, narra a jornada do Oakland Athetics’s para estruturar um time competitivo com um orçamento limitado. O gerente geral, Billy Beane (interpretado por Brad Pitt) aposta todas as suas fichas no assistente intelectual Peter Brand (interpretado por Jonah Hill) que utiliza a análise estatística para driblar outras equipes da MLB, que confiam erroneamente nos conceitos tradicionais dos olheiros de beisebol experientes. Dessa maneira, Moneyball condensa o poder do Big Data e serve como uma parábola da inovação analítica.

À primeira vista, o setor imobiliário comercial parece amadurecido o suficiente para esse tipo de inovação. Afinal, a adoção de soluções tecnológicas para o CRE tem sido notavelmente lenta, os dados são descentralizados e os profissionais do setor imobiliário ainda confiam amplamente nas versões das mesmas ferramentas e metodologias usadas há 20 anos. Não é de surpreender que a reclamação comum de que o CRE esteja “atrasado” tenha gerado uma miríade de startups de tecnologia para o CRE, com narrativas nítidas e atraentes sobre como os participantes do mercado podem usar suas soluções de “Big Data” para criar mais valor e comprar / vender melhor decisões, em outras palavras, jogue Moneyball com seus portfólios  de CRE. Mas essas empresas iniciantes estão apenas aproveitando o desejo coletivo por uma bala de prata. Um olhar mais honesto revela que a aplicação dos princípios de Big Data no CRE possuí enormes limitações.

Dados não padronizados
A abordagem “Big Data” funciona melhor quando os dados implícitos pertencem a resultados distintos que podem ser facilmente capturados e tabulados. O beisebol está repleto desse tipo de dados (por exemplo, bolas, strikes, rebatidas, corridas, saídas, jogadas, erros etc.), assim como outros setores, como logística e varejo. Por outro lado, o CRE possui uma grande quantidade de dados subjetivos pertencentes a ativos únicos que são medidos de modo contínuo. Fatores como “condições da propriedade” e “localização” ainda são amplamente subjetivos e não há acordo sobre como classificá-los definitivamente. Grandes bases de dados geográficos de celulares ou cartão de crédito podem ser usadas para fazer inferências sobre um local específico, mas o problema é que esses dados refletem apenas uma pequena fração dos aspectos desse local. Além disso, a qualidade desse local é dinâmica e sujeita a inúmeras externalidades, influências e opiniões que se transformam ao longo do tempo.

Falta de dados suficientes
É muito mais fácil coletar informações do Big Data quando existe uma abundância de dados padronizados. Os ativos de CRE são únicos e operam em pequenos micro-mercados competitivos. Como tal, normalmente não há dados suficientes para permitir uma análise estatística significativa. Enquanto um excesso de 30 pontos de dados padronizados é necessário para considerar um resultado estatisticamente significativo, um ativo CRE terá dados de talvez apenas cinco concorrentes relevantes. Entre os acadêmicos, a forma favorita de resolver a escassez de dados é importar grandes quantidades de dados de ativos semelhantes que operam em diferentes mercados. No entanto, esse tipo de extrapolação é errado, porque não há como controlar com precisão os inúmeros fatores que influenciam um determinado micro-mercado. Em outras palavras, as preferências do mercado em, digamos, Seattle são muito diferentes das de Houston e tentar extrair conclusões significativas de uma mistura de dados é um processo complicado.

O componente comportamental
A aplicação dos princípios de Big Data no CRE é ainda mais complicada pela dificuldade de prever o comportamento e as motivações dos participantes do mercado. Em indústrias que produzem uma quantidade significativa de dados padronizados, é possível fazer inferências sobre comportamentos que envolvem transações. Por outro lado, as transações no CRE são quase sempre situações únicas em que as motivações complexas das partes são desconhecidas. Negociações e decisões não são tomadas por algoritmos, mas por seres humanos com todo tipo de anomalia comportamental, muitas vezes sentados frente a frente na mesa um do outro. Dessa forma, a infinidade de dimensões comportamentais dificulta ainda mais a aplicação dos princípios de Big Data no CRE.

A vantagem está em “Little Data”
É fácil entender por que tantos na indústria de CRE seguem o chamado do Big Data: lançando muitos recursos em iniciativas de Big Data, uma plataforma que pode afirmar que possui uma vantagem material sobre seus concorrentes. No entanto, até o momento, essas iniciativas produziram poucos resultados concretos, o que significa que essas reivindicações representam pouco mais do que um  “marketing hype”.

O foco da CREtech nos aspectos semelhantes ao Moneyball do “Big Data” é inexato e é principalmente orientado por acadêmicos ou especialistas em tecnologia de fora do setor, que têm pouca experiência no mercado diário de CRE. Muitos profissionais de CRE, por outro lado, têm uma compreensão inata de que os verdadeiros ganhos advêm do trabalho minucioso de capturar, organizar e analisar dados anômalos relevantes para ativos e estratégias específicas. Esses “Little Data” geralmente não se encaixam em “caixas organizadas” e exigem experiência e julgamento do setor para serem interpretados. Por esse motivo, os esforços de tecnologia que se concentram na aceleração da organização de “Little Data” do CRE são aqueles destinados a causar o maior impacto no final.