WO2022064545A1 - 売却予測装置、売却予測方法および記録媒体 - Google Patents

売却予測装置、売却予測方法および記録媒体 Download PDF

Info

Publication number
WO2022064545A1
WO2022064545A1 PCT/JP2020/035670 JP2020035670W WO2022064545A1 WO 2022064545 A1 WO2022064545 A1 WO 2022064545A1 JP 2020035670 W JP2020035670 W JP 2020035670W WO 2022064545 A1 WO2022064545 A1 WO 2022064545A1
Authority
WO
WIPO (PCT)
Prior art keywords
customer
data
sale
prediction
sell
Prior art date
Application number
PCT/JP2020/035670
Other languages
English (en)
French (fr)
Inventor
聡 榊原
悠介 岩崎
章夫 川地
祐哉 榛澤
暁宇 宋
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US18/026,499 priority Critical patent/US20230360153A1/en
Priority to PCT/JP2020/035670 priority patent/WO2022064545A1/ja
Priority to JP2022551451A priority patent/JPWO2022064545A5/ja
Publication of WO2022064545A1 publication Critical patent/WO2022064545A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal

Definitions

  • This disclosure relates to a sale prediction device, etc. that predicts customers who may sell a house.
  • the sales person of the house maker can create contact opportunities with new or existing customers, implement various measures, and lead to sales promotion.
  • the timing of selling a home varies from customer to customer.
  • Patent Document 1 discloses an information processing device that predicts the closing probability of a real estate transaction for reference in determining the selling price of real estate or adjusting the closing price.
  • Patent Document 1 predicts the probability of closing a real estate transaction for a customer who indicates an intention to sell, and does not predict a customer who may sell a house.
  • One of the purposes of the present disclosure is to provide a sale prediction device or the like that predicts a customer who may sell a house.
  • the sale forecasting device which is the first aspect of the present disclosure, is Based on the forecast model that predicts the customers who may sell the house generated based on the residence / customer data, sale record data and property assessment data, and the residence / customer data and property assessment data of the target customer.
  • a sale prediction method that predicts customers who may sell a house It has an output means to output the predicted customer.
  • the second aspect of the present disclosure is Based on the prediction model that predicts the customers who may sell the house generated based on the residence / customer data, sale record data and property assessment data, and the residence / customer data and property assessment data of the target customer. , Predict customers who may sell their homes and output the predicted customers.
  • the sale forecasting program which is the third aspect of this disclosure, is Based on the forecast model that predicts the customers who may sell the house generated based on the residence / customer data, sale record data and property assessment data, and the residence / customer data and property assessment data of the target customer. , Predict customers who may sell their homes and let the computer perform the output of the predicted customers.
  • the sale forecast program may be stored in a non-temporary recording medium that can be read and written by a computer.
  • the purpose is to provide a sale prediction device, etc. that predicts a customer who may sell a house.
  • FIG. 1 is a block diagram showing an example of the configuration of the sale prediction system according to the first embodiment.
  • the sale prediction system shown in FIG. 1 includes a sale prediction device 10 and a database 20.
  • An example of the sale prediction device 10 is a computer.
  • An example of database 20 is memory or storage.
  • the sale prediction device 10 includes a learning unit 11, a sale prediction unit 12, and an output unit 13.
  • the database 20 stores the residence / customer data 21, the sale record data 22, the property assessment data 23, and the forecast model data 24.
  • FIG. 2 is a data structure showing an example of the residence / customer data 21.
  • the house / customer data 21 shown in FIG. 2 includes customer information, land information, and building information.
  • the residence / customer data 21 is not limited to this information.
  • Customer information is information indicating the attributes of the customer, and includes items such as customer ID, gender, age, address, occupation, annual income, family structure, land ownership, purchase history (property), customer rank, and loan balance. Includes the data to be.
  • the customer information is not limited to the above items, and may include other items that may affect the selling behavior of the customer, such as SNS (Social Network Service) history.
  • SNS Social Network Service
  • Land information is information indicating the attributes of land, and includes data including, for example, location, area, use area, ground information, surrounding environment, building coverage ratio / floor area ratio, direction, road surface, view / air permeability, and the like. ..
  • the surrounding environment is information on facilities related to life around the house. Facilities include, for example, commercial facilities, medical facilities, schools, parks and the like.
  • the land information is not limited to the above items, and may include other items that may affect the selling behavior of the customer.
  • Building information is information indicating the attributes of a building, for example, building date (age), building structure, total floor area / building area, floor plan, housing performance information, equipment information, garden / garage information, reform information, defects. Includes data on items (physics, law, psychology).
  • Equipment information includes electrical equipment such as lighting, outlets, and interphones, air conditioning equipment such as air conditioning and ventilation fans, and water supply and drainage equipment such as kitchens, toilets, and bathrooms.
  • the garden / garage information includes information regarding the presence / absence and size of the garden or garage.
  • the remodeling information includes repairs to the interior and exterior of the building, repairs to equipment such as baths, toilets, and kitchens, the amount of repairs, and the date of repair.
  • the building information is not limited to the above items, and may include other items that may affect the selling behavior of the customer.
  • FIG. 3 is a data structure showing an example of sales record data 22.
  • the sale record data 22 shown in FIG. 3 includes sale information, customer information, land information, and building information.
  • the sale information is information on the sale of a house that has been closed in the past.
  • the sale information includes, for example, data having items such as a negotiation ID, a sale price, a sale price, a sale period, a delivery date, and a negotiation charge ID.
  • the customer information, land information, and building information in the sale record data of FIG. 3 may be data of items used for the customer information, land information, and building information shown in FIG.
  • FIG. 4 is a data structure showing an example of property assessment data.
  • the property assessment data 23 shown in FIG. 4 includes assessment information, land information, and building information.
  • the valuation information is information related to the valuation of the property.
  • the valuation information includes, for example, data including valuation ID, customer ID, valuation date, valuation price (land cost, building cost), tax, valuation charge ID, and the like.
  • the assessed price is calculated by the transaction broker as the price at which the property is likely to be sold.
  • the appraisal price is calculated by comparing it with the latest sale case of a property with similar conditions to the property (house) to be assessed. Therefore, the assessed price differs for each transaction broker.
  • the seller determines the selling price with reference to a plurality of assessed prices.
  • the land information and building information in the property assessment data of FIG. 4 may be the data of the items used in the land information and building information shown in FIG.
  • the predictive model data includes a plurality of predictive models generated by the learning unit 11. Predictive models are generated by machine learning algorithms based on data on home sales. The generated predictive model is a model that predicts customers who may sell their home.
  • the data related to the sale of a house is, for example, sales record data and property assessment data.
  • the sale prediction device 10 includes a learning unit 11, a sale prediction unit 12, and an output unit 13.
  • the learning unit 11 acquires the residence / customer data 21, the sale record data 22, and the property assessment data 23 from the database 20.
  • the learning unit 11 performs machine learning using the acquired house / customer data 21, sale record data 22, and property assessment data 23, and calculates (generates) a prediction model and various parameters related to the prediction model.
  • the learning unit 11 learns, for example, using the house / customer data 21 and the property assessment data 23 having a sale record as explanatory variables and whether or not the sale record data 22 has been sold as an objective variable, and generates a prediction model.
  • the learning unit 11 registers the generated prediction model and various parameters in the database 20, and updates the prediction model data 24.
  • the learning unit 11 generates a prediction model using heterogeneous mixed learning including FAB inference (Factorized Asymptotic Bayesian Inference) and the like.
  • the method of heterogeneous mixture learning is disclosed in, for example, Patent Document 2.
  • the learning unit 11 generates a prediction model composed of a plurality of prediction formulas which are regression equations and selection conditions of the prediction formulas.
  • a plurality of regularities (prediction formulas) from the residence / customer data 21, the sale record data 22, and the property assessment data 23 and the condition data (house / customer data, sale record data, Property assessment data) is derived.
  • FIG. 5 is a diagram showing an example of a prediction model.
  • the prediction model shown in FIG. 5 is represented by a plurality of classified prediction formulas (patterns 1, 2, 3, 4, 5) and a tree structure based on selection conditions.
  • Conditional expressions are assigned to the internal nodes of the tree structure, and each prediction expression is assigned to the leaf node.
  • One conditional expression using a feature amount such as "Is the construction of a specific place completed?" Is assigned to the internal node.
  • the learning unit 11 has described an example of generating a prediction model by heterogeneous mixture learning, which is one of white box type machine learning, but the present invention is not limited to this, and decision tree learning and a general linear model are used. You may.
  • the learning unit 11 may generate a predictive model using other white box type machine learning.
  • the prediction model generated by the learning unit 11 can use other known machine learning methods such as deep learning and neural networks.
  • the sale prediction unit 12 acquires a prediction model from the prediction model data 24 of the database 20, inputs the information of the target customer's residence / customer data 21 and the property assessment data 23 into the acquired prediction model, and outputs a value. obtain. For example, in the case of the above prediction model, the sale prediction unit 12 determines the degree of influence (weight differs depending on the pattern) of each item (age, etc.) according to each classified pattern (prediction formula) as an actual value (building). The score is calculated by multiplying each of them by (Y year, etc.). The sale prediction unit 12 predicts a customer who may sell a house by using, for example, house / customer data and property assessment data that have not been sold. In addition, you may predict the customers who may sell the house by using the house / customer data and the property assessment data that have been sold.
  • FIG. 6 is a diagram showing an example of a prediction model and the degree of influence on sales.
  • customers are classified into any of patterns 6, 7, and 8 using “XX construction” and “age” (see FIG. 6).
  • the sale prediction unit 21 calculates the customer's score using the parameters based on the customer's residence / customer data 21 in each of the classified patterns. For example, if the parameters in the classified pattern are YY inspection completed, guaranteed construction experience, population density of the building site, and customer satisfaction, the sale prediction unit 21, the value of each parameter is normalized (average is 0, Process the value so that the variance becomes 1).
  • the sale prediction unit 21 adds up the calculated values to obtain the customer's score. At this time, the calculated parameter values may be weighted and the weighted values may be added up to obtain a customer score.
  • the above calculation method is an example, and the score may be calculated using more parameters.
  • the sale prediction unit 12 regards a customer with a higher score as a customer who is more likely to sell a house, and generates a customer list by arranging the customers with the highest score in descending order.
  • the generated customer list is passed to the output unit 13.
  • the sale prediction unit 12 extracts customers who may sell the house based on the output value. It is preferable that the sale prediction unit 12 also extracts the reason why the customer was extracted, that is, the parameter which is the factor (the basis of the prediction) that the score of the customer is high, at the time of extracting the customer.
  • the output unit 13 outputs a customer candidate who satisfies a predetermined condition in relation to the sale as a result of the prediction by the sale prediction unit 12.
  • a customer satisfying a predetermined condition means, for example, that the score calculated by the sale prediction unit 12 is equal to or higher than a predetermined value.
  • the output unit 13 When the output unit 13 receives the customer list in which the customer candidates generated by the sale prediction unit 12 are listed, the output unit 13 displays it on the display unit (not shown) of the sale prediction device 10 or the terminal of the sales person (not shown). (Not shown).
  • the output unit 13 outputs, for example, a customer list.
  • An example of a customer list is data in which information about a customer ranking, a customer ID, and a predictor (calculation basis) is used as an item.
  • the customer ranking is a ranking in which customers are arranged in descending order of score.
  • the sell forecast factor is a parameter that has had a greater influence on the calculation of the score. For example, if the building age, remodeling information, floor plan, age of customer information, family structure, etc. have a great influence on the parameters, these are linked to each customer (for example, customer ID). It is output as a factor of sales forecast.
  • FIG. 7 is a flow chart showing an example of the operation of the sale prediction device 10.
  • the learning unit 11 of the sale prediction device 10 acquires the residence / customer data 21, the sale record data 22, and the property assessment data 23 from the database 20.
  • the learning unit 11 generates a prediction model for predicting a customer who may sell a house based on the house / customer data 21, the sale record data 22 and the property assessment data 23 (step S11).
  • the learning unit 11 registers the generated prediction model in the prediction model data 24 of the database 20.
  • the sale prediction unit 12 acquires the residence / customer data 21 and the prediction model data 24 including the prediction model from the database 20.
  • the sale prediction unit 12 predicts the customers who may sell the house based on the prediction model which predicts the customers who may sell the house and the residence / customer data of the target customer (step). S12).
  • the sale prediction unit 12 hands over the customer who may sell the house to the output unit 13.
  • the output unit 13 outputs a customer candidate satisfying a predetermined condition among the predicted customers (step S13).
  • the output unit 13 may output a list of customer candidates as a customer list.
  • the output unit 13 transmits, for example, a customer list to a terminal (illustrated) of a sales person.
  • the sales person can improve the sales efficiency by giving priority to the customers included in the customer list in the sales activities.
  • the learning unit 11 generates a prediction model for predicting a customer who may sell a house based on the house / customer data, the sale record data, and the property assessment data, and the sale prediction unit. 12 predicts a customer who may sell a house based on the generated prediction model and the target customer's residence / customer data and property assessment data.
  • the output unit 13 outputs a customer candidate satisfying a predetermined condition among the predicted customers. This makes it possible to predict which customers are likely to sell their home.
  • the sale prediction device 30 according to the second embodiment includes a configuration excluding the learning unit 11 of the sale prediction device 10 according to the first embodiment.
  • the sale prediction device 30 of the second embodiment uses the prediction model data 24 stored in the database 20 of the first embodiment.
  • the prediction model data 24 includes a prediction model and the like generated by the learning unit 11 of the first embodiment.
  • FIG. 8 is a block diagram showing an example of the configuration of the sale prediction device according to the second embodiment.
  • the sale prediction device 30 shown in FIG. 8 includes a sale prediction unit 32 and an output unit 33.
  • the sale prediction unit 32 and the output unit 33 have the same functions as the sale prediction unit 12 and the output unit 13 of the first embodiment.
  • the sale prediction unit 32 predicts a customer who may sell a house generated based on the house / customer data, the sale record data, and the property assessment data, and the house / customer data and the property of the target customer. Predict potential customers to sell their homes based on valuation data.
  • the sale record data, the property assessment data, and the residence / customer data the same data as the sale record data 22, the property assessment data 23, and the residence / customer data 21 described in the first embodiment are used.
  • the output unit 33 outputs a customer who is predicted to sell the house.
  • the output unit 13 outputs customer candidates satisfying a predetermined condition among the predicted customers.
  • the output unit 33 of the sale prediction device 30 of the second embodiment removes the restriction due to a predetermined condition in the output unit 13.
  • FIG. 9 is a flow chart showing an example of the operation of the sale prediction device 30 of the second embodiment.
  • the sale prediction unit 32 acquires the prediction model data 24, the residence / customer data 21, and the property assessment data 23 from the database 20.
  • the prediction model data 24 includes a prediction model that predicts a customer who may sell a house generated based on the residence / customer data 21, the sale record data 22, and the property assessment data 23.
  • the sale prediction unit 32 predicts customers who may sell the house based on the house / house data 21, the property assessment data 23, and the prediction model (step S22).
  • the output unit 33 outputs the predicted customer (step S22).
  • the sale prediction device 30 of the second embodiment can predict customers who are likely to sell a house, like the sale prediction device 10 of the first embodiment.
  • the components of the sale prediction apparatus shown in FIGS. 1 and 8 can be realized by using, for example, any combination of the computer 60 and the program shown in FIG. ..
  • the computer 60 includes the following configuration.
  • a storage device 65 for storing the program 64 and other data.
  • a drive device 67 that reads / writes the recording medium 66.
  • -Communication interface 68 -I / O interface 69 for inputting / outputting data
  • Each component of the sale prediction device in each embodiment of the present application is realized by the CPU 61 acquiring and executing the program 64 that realizes these functions.
  • the program 64 that realizes the functions of each component of the sale prediction device is stored in the storage device 65 or the RAM 63 in advance, and is read by the CPU 61 as needed.
  • the program 64 may be supplied to the CPU 61 via the communication network, or may be stored in the recording medium 66 in advance, and the drive device 67 may read the program and supply the program to the CPU 61.
  • the sale prediction device may be realized by any combination of an information processing device and a program that are separate for each component.
  • a plurality of components included in the sale prediction device may be realized by any combination of one computer 60 and a program.
  • each component of the sale prediction device is realized by other general-purpose or dedicated circuits, processors, etc. or a combination thereof. These may be composed of a single chip or may be composed of a plurality of chips connected via a bus.
  • each component of the sale prediction device may be realized by a combination of the above-mentioned circuit or the like and a program.
  • each component of the sale prediction device When a part or all of each component of the sale prediction device is realized by a plurality of information processing devices, circuits, etc., the plurality of information processing devices, circuits, etc. may be centrally arranged or distributed. You may.
  • the information processing device, the circuit, and the like may be realized as a form in which each is connected via a communication network, such as a client-and-server system and a cloud computing system.
  • Sale prediction device 11 Learning unit 12 Sale prediction unit 13 Output unit 20 Database 21 House / customer data 22 Sale record data 23 Property assessment data 24 Predictive model data 30 Sale prediction device 32 Sale prediction unit 33 Output unit 60 Computer

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

住宅を売却する可能性のある顧客を予測する売却予測装置等を提供する。売却予測装置は、邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測する売却予測部と、予測された顧客を出力する出力部を備える。

Description

売却予測装置、売却予測方法および記録媒体
　本開示は、住宅を売却する可能性のある顧客を予測する売却予測装置等に関する。
　住宅メーカーの営業担当者は、住宅を売却する可能性のある顧客を知ることで、新規又は既存顧客との接触機会を創出し、種々の施策を実施して販売促進につなげることができる。しかし、住宅を売却するタイミングは顧客ごとに異なる。
　営業活動を支援するシステムとして、特許文献１は、不動産の売り出し価格の決定又は成約価格の調整の参考のために不動産取引の成約確率を予測する情報処理装置を開示する。
特開２０１７－１６３２１号公報 米国公開特許ＵＳ２０１４／０２２２７４１号公報
　しかしながら、特許文献１の開示技術は、売却の意思を示す顧客のために不動産取引の成約確率を予測するものであり、住宅を売却する可能性のある顧客を予測するものではない。本開示の目的の１つは、住宅を売却する可能性のある顧客を予測する売却予測装置等を提供することにある。
　本開示の第１の観点である売却予測装置は、
　邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測する売却予測手段と、
　予測された顧客を出力する出力手段を備える。
　本開示の第２の観点である売却予測方法は、
　邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある客を予測する予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測し、予測された顧客を出力する。
　本開示の第３の観点である売却予測プログラムは、
　邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測し、予測された顧客を出力することをコンピュータに実行させる。
　売却予測プログラムは、コンピュータが読み書き可能な非一時的な記録媒体に格納されていても良い。
　本開示によれば、住宅を売却する可能性のある顧客を予測する売却予測装置等を提供することにある。
第１実施形態による売却予測装置とデータベースの構成の一例を示すブロック図である。 邸・顧客データのデータ構造の一例を示す図である。 売却実績データのデータ構造の一例を示す図である。 物件査定データのデータ構造の一例を示す図である。 予測モデルの一例を示す図である。 予測モデルと条件分岐と影響度の一例を示す図である。 第１の実施形態に係る売却予測装置の動作の一例を示すフロチャートである。 第２の実施形態に係る売却予測装置の構成の一例を示すブロック図である。 第２の実施形態に係る売却予測装置の動作の一例を示すフロチャートである。 コンピュータのハードウェア構成の一例を示すブロック図である。
　＜第１の実施形態＞
　第１の実施形態による売却予測システムについて図面を用いて説明する。図１は、第１の実施形態による売却予測システムの構成の例を示すブロック図である。図１に示す、売却予測システムは、売却予測装置１０、データベース２０を備える。売却予測装置１０の一例は、コンピュータである。データベース２０の一例は、メモリまたはストレージである。
　売却予測装置１０は、学習部１１、売却予測部１２、出力部１３を備える。データベース２０は、邸・顧客データ２１、売却実績データ２２、物件査定データ２３、予測モデルデータ２４を格納する。
　（データベース）
　図２は、邸・顧客データ２１の一例を示すデータ構造である。図２に示す邸・顧客データ２１は、顧客情報、土地情報、建物情報を含む。邸・顧客データ２１は、これらの情報に限られない。
　顧客情報は、顧客の属性を示す情報であり、例えば、顧客ＩＤ、性別、年齢、住所、職業、年収、家族構成、土地所有有無、購買履歴（物件）、顧客ランク、ローン残債などを項目とするデータを含む。なお、顧客情報は、上記の項目に限られず、ＳＮＳ（Social Network Service）履歴等、顧客の売却行動に影響を与えうるその他の項目を含んでいてもよい。
　土地情報は、土地の属性を示す情報であり、例えば、所在地、面積、用途地域、地盤情報、周辺環境、建蔽率/容積率、方位、道路面、眺望／通気性などを項目とするデータを含む。周辺環境は、住宅周辺の生活に関連する施設の情報である。施設は、例えば、商業施設、医療施設、学校、公園などである。なお、土地情報は上記の項目に限られず、顧客の売却行動に影響を与えうるその他の項目を含んでいてもよい。
　建物情報は、建物の属性を示す情報であり、例えば、建築日（築年数）、建物構造、延床面積/建築面積、間取り、住宅性能情報、設備情報、庭／ガレージ情報、リフォーム情報、瑕疵（物理、法律、心理）を項目とするデータを含む。設備情報は、照明・コンセント・インターホンなどの電気設備と、冷暖房、換気扇などの空調設備と、キッチン、トイレ、浴室などの給排水設備に関する情報を含む。庭／ガレージ情報は、庭やガレージの有無、大きさに関する情報を含む。リフォーム情報には、建物の内装、外装の修繕、及び、バス、トイレ、キッチンなどの設備の修繕と、それら修繕金額、および、修繕実施日が含まれる。建物情報は、上記の項目に限られず、顧客の売却行動に影響を与えうるその他の項目を含んでいてもよい。
　図３は、売却実績データ２２の一例を示すデータ構造である。図３に示す売却実績データ２２は、売却情報、顧客情報、土地情報、建物情報を含む。売却情報は、過去に取引が成立した住宅の売却に関する情報である。売却情報は、例えば、商談ID、売出価格、売却価格、売出期間、引渡日、商談担当IDなどを項目とするデータを含む。なお、図３の売却実績データにおける顧客情報、土地情報、建物情報は、図２に示す顧客情報、土地情報、建物情報に用いる項目のデータであってもよい。
　図４は、物件査定データの一例を示すデータ構造である。図４に示す物件査定データ２３は、査定情報、土地情報、建物情報を含む。査定情報は、物件の査定に関する情報である。査定情報は、例えば、査定ID、顧客ID、査定日、査定価格（土地代、建物代）、税金、査定担当IDなどを項目とするデータを含む。
　査定価格は、取引仲介業者によって、物件が売却できそうな価格として算出される。例えば、査定価格は、査定対象の物件（住宅）と似通った条件の物件の最新売却事例と比較して算定される。このため取引仲介業者ごとに査定価格は異なる。売主は、複数の査定価格を参考にして売出価格を決定する。なお、図４の物件査定データにおける土地情報、建物情報は、図２に示す土地情報、建物情報で用いる項目のデータであってもよい。
　予測モデルデータは、学習部１１によって生成された複数の予測モデルを含む。予測モデルは、住宅売却に関するデータに基づき、機械学習アルゴリズムによって生成される。生成された予測モデルは、住宅を売却する可能性がある顧客を予測するモデルである。住宅売却に関するデータとは、例えば、売却実績データ、物件査定データである。
　（売却予測装置）
　第１の実施形態の売却予測装置について図面を用いて説明する。図１において、売却予測装置１０は、学習部１１、売却予測部１２、出力部１３を備える。学習部１１は、データベース２０から邸・顧客データ２１、売却実績データ２２、物件査定データ２３を取得する。学習部１１は、取得した邸・顧客データ２１、売却実績データ２２、物件査定データ２３を用いて機械学習を実施し、予測モデル、および、予測モデルに関連する各種パラメータを算出（生成）する。学習部１１は、例えば、売却実績のある邸・顧客データ２１と物件査定データ２３を説明変数、売却実績データ２２から売れたか否かを目的変数として学習を行い、予測モデルを生成する。学習部１１は、生成された予測モデル、各種パラメータをデータベース２０に登録し、予測モデルデータ２４を更新する。
　例えば、学習部１１は、ＦＡＢ推論（Factorized Asymptotic Bayesian Inference）等を含む異種混合学習を用いて予測モデルを生成する。なお、異種混合学習の手法は、例えば特許文献２に開示されている。具体的には、学習部１１は、回帰式である複数の予測式と、予測式の選択条件で構成される予測モデルを生成する。学習部１１では、学習アルゴリズムにより、邸・顧客データ２１、売却実績データ２２、物件査定データ２３から複数の規則性（予測式）とそれが成立する条件データ（邸・顧客データ、売却実績データ、物件査定データ）が導出される。
　図５は、予測モデルの一例を示す図である。図５に示す予測モデルは、分類分けされた複数の予測式（パターン１、２、３、４、５）と選択条件による木構造で表現される。木構造の内部ノードには条件式、葉ノードには、各予測式が割り当てられる。内部ノードには、例えば、「特定箇所の工事を実施済み？」のような特徴量を使用した条件式が１つ割り当てられる。なお、上記では、学習部１１が、ホワイトボックス型の機械学習の一つである異種混合学習によって予測モデルを生成する例で説明したが、これに限られず、決定木学習、一般線形モデルを用いてもよい。例えば、学習部１１は、他のホワイトボックス型の機械学習を用いて予測モデルを生成してもよい。あるいは、学習部１１で生成される予測モデルは、ディープラーニング、ニューラルネットワーク等、その他公知の機械学習の手法を用いることができる。
　売却予測部１２は、データベース２０の予測モデルデータ２４から予測モデルを取得し、対象となる顧客の邸・顧客データ２１及び物件査定データ２３の情報を、取得した予測モデルに入力して出力値を得る。例えば、上記の予測モデルの場合、売却予測部１２は、分類分けされた各パターン（予測式）に従って各項目（築年数等）の影響の度合（パターンによって重みが異なる）を実際の値（築Y年等）へそれぞれ掛け合わせることでスコアを算出する。売却予測部１２は、例えば、売却実績のない邸・顧客データと物件査定データを使って、住宅を売却する可能性のある顧客を予測する。なお、売却実績のある邸・顧客データと物件査定データを使って、住宅を売却する可能性のある顧客を予測してもよい。
　図６は、予測モデルと売却への影響度の一例を示す図である。図６に示す予測モデルでは「ＸＸ工事を実施」、「築年数」を用いて顧客をパターン６、７、８のいずれかに分類する（図６参照）。売却予測部２１は、分類された各パターンにおいて、当該顧客の邸・顧客データ２１に基づくパラメータを用いて顧客のスコアを算出する。例えば、分類されたパターンにおけるパラメータが、ＹＹ点検実施済み、保証工事経験、建築地の人口密度、顧客満足度である場合、売却予測部２１、各パラメータの値を正規化処理(平均が０、分散が１になるように値を加工する)にて算出する。売却予測部２１は、算出された値を合算して顧客のスコアとする。このとき、算出されたパラメータの値に重みをかけ、重み付き値を合算して顧客のスコアとしてもよい。なお、上記の算出手法は一例であり、より多くのパラメータを使用してスコアを算出してもよい。
　なお、売却予測の実行結果（予測した顧客リストの客が実際に物件を売却したか等）のデータを予測モデルにフィードバックしてもよい。
　売却予測部１２は、スコアの高い顧客ほど、住宅を売却する可能性が高い顧客と捉え、スコアの高い顧客から降順に並べて、顧客リストを生成する。生成された顧客リストは出力部１３に引き渡される。
　売却予測部１２は、当該出力値に基づき、住宅を売却する可能性のある顧客を抽出する。売却予測部１２は、顧客の抽出時に、当該顧客が抽出された理由、すなわち、当該顧客のスコアが高くなる要因（予測の根拠）であるパラメータを一緒に抽出することが好ましい。
　出力部１３は、売却予測部１２による予測の結果、売却との関連性において所定の条件を満たす顧客候補を出力する。所定の条件を満たす顧客とは、例えば、売却予測部１２が算出するスコアが所定の値以上であることを指す。
　出力部１３は、売却予測部１２が生成した顧客の候補がリスト化された顧客リストを受け取ると、売却予測装置１０の表示部（図示せず）に表示する、又は、営業担当者の端末（図示せず）に送信する。
　出力部１３は、例えば、顧客リストを出力する。顧客リストの一例は、顧客順位、顧客ID、予測要因（算出根拠）についての情報を項目とするデータである。顧客順位は顧客をスコアの高い順に並べた順位である。売却予測要因は、スコアの算出にあたり、より大きな影響を与えたパラメータである。例えば、建物情報の築年数、リフォーム情報、間取り、さらに、顧客情報の年齢、家族構成などが大きな影響を与えたパラメータである場合、これらが各々の顧客（例えば、顧客ID等）に紐づけられる売却予測の要因として出力される。
　次に、第１の実施形態の売却予測装置１０の動作について図面を用いて説明する。図７は、売却予測装置１０の動作の一例を示すフロチャートである。売却予測装置１０の学習部１１は、データベース２０から邸・顧客データ２１、売却実績データ２２と、物件査定データ２３を取得する。学習部１１は、邸・顧客データ２１、売却実績データ２２と物件査定データ２３に基づき、住宅を売却する可能性のある顧客を予測する予測モデルを生成する（ステップS１１）。学習部１１は、生成した予測モデルをデータベース２０の予測モデルデータ２４に登録する。
　売却予測部１２は、データベース２０から邸・顧客データ２１と、予測モデルを含む予測モデルデータ２４を取得する。売却予測部１２は、住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データとに基づいて、住宅を売却する可能性のある顧客を予測する（ステップS１２）。売却予測部１２は、住宅を売却する可能性がある顧客を出力部１３に引き渡す。
　出力部１３は、予測された顧客のうち、所定の条件を満たす顧客候補を出力する（ステップS１３）。出力部１３は、顧客の候補のリストを顧客リストとして出力してもよい。出力部１３は、例えば、顧客リストを営業担当者の端末（図示）に送信する。営業担当者は、当該顧客リストに含まれる顧客を優先して営業活動することで、営業効率を上げることができる。
　（第１の実施形態の効果）
　第１の実施形態によれば、学習部１１が、邸・顧客データ、売却実績データ及び物件査定データに基づき、住宅を売却する可能性のある顧客を予測する予測モデルを生成し、売却予測部１２が、生成された予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測する。出力部１３は、予測された顧客のうち、所定の条件を満たす顧客候補を出力する。これにより、住宅を売却する可能性の高い顧客を予測することができる。
　＜第２の実施形態＞
　本開示の第２の実施形態について図面を用いて説明する。第２の実施形態に係る売却予測装置３０は、第１の実施形態に係る売却予測装置１０の学習部１１を除いた構成を備える。第２の実施形態の売却予測装置３０は、第１の実施形態のデータベース２０に格納された予測モデルデータ２４を用いる。予測モデルデータ２４は、第１の実施形態の学習部１１によって生成された予測モデル等を含む。
図８は、第２の実施形態に係る売却予測装置の構成の一例を示すブロック図である。図８に示す売却予測装置３０は、売却予測部３２、出力部３３を備える。売却予測部３２、出力部３３は、第１の実施形態の売却予測部１２、出力部１３と同様の機能を有する。
　売却予測部３２は、邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データと物件査定データに基づいて、住宅を売却する可能性のある顧客を予測する。ここで、売却実績データ、物件査定データ、邸・顧客データは、第１の実施形態に記載した売却実績データ２２、物件査定データ２３、邸・顧客データ２１と同様のデータを用いる。
　出力部３３は、住宅を売却すると予測された顧客を出力する。第１の実施形態の売却予測装置１０において、出力部１３は、予測された顧客のうち、所定の条件を満たす顧客候補を出力していた。第２の実施形態の売却予測装置３０の出力部３３は、出力部１３における所定の条件による制約を除いている。
　図９は、第２の実施形態の売却予測装置３０の動作の一例を示すフロチャートである。図９に示すように、第２の実施形態の売却予測装置３０によれば、売却予測部３２は、データベース２０から予測モデルデータ２４と、邸・顧客データ２１および物件査定データ２３を取得する。予測モデルデータ２４には、邸・顧客データ２１、売却実績データ２２と物件査定データ２３に基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルが含まれる。売却予測部３２は、邸・住宅データ２１、物件査定データ２３及び予測モデルに基づき、住宅を売却する可能性のある顧客を予測する（ステップS２２）。出力部３３は、予測された顧客を出力する（ステップS２２）。
　第２の実施形態の売却予測装置３０は、第１の実施形態の売却予測装置１０と同様に、住宅を売却する可能性の高い顧客を予測することができる。
　（ハードウェア構成）
　各実施形態において、図１、８に示す売却予測装置における各構成要素の一部又は全部は、例えば、図１０に示すコンピュータ６０とプログラムとの任意の組み合わせを用いて実現することも可能である。コンピュータ６０は、一例として、以下のような構成を含む。
　　・ＣＰＵ６１
　　・ＲＯＭ６２
　　・ＲＡＭ６３
　　・プログラム６４および他のデータを格納する記憶装置６５
　　・記録媒体６６の読み書きを行うドライブ装置６７
　　・通信インターフェース６８
　　・データの入出力を行う入出力インターフェース６９
　本願の各実施形態における売却予測装置の各構成要素は、これらの機能を実現するプログラム６４をＣＰＵ６１が取得して実行することで実現される。売却予測装置の各構成要素の機能を実現するプログラム６４は、例えば、予め記憶装置６５やＲＡＭ６３に格納されており、必要に応じてＣＰＵ６１が読み出す。なお、プログラム６４は、通信ネットワークを介してＣＰＵ６１に供給されてもよいし、予め記録媒体６６に格納されており、ドライブ装置６７が当該プログラムを読み出してＣＰＵ６１に供給してもよい。
　各装置の実現方法には、様々な変形例がある。例えば、売却予測装置は、構成要素毎にそれぞれ別個の情報処理装置とプログラムとの任意の組み合わせにより実現されてもよい。また、売却予測装置が備える複数の構成要素が、一つのコンピュータ６０とプログラムとの任意の組み合わせにより実現されてもよい。
　また、売却予測装置の各構成要素の一部又は全部は、その他の汎用または専用の回路、プロセッサ等やこれらの組み合わせによって実現される。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。
　売却予測装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組み合わせによって実現されてもよい。
　売却予測装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　以上、本実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
１０　売却予測装置
１１　学習部
１２　売却予測部
１３　出力部
２０　データベース
２１　邸・顧客データ
２２　売却実績データ
２３　物件査定データ
２４　予測モデルデータ
３０　売却予測装置
３２　売却予測部
３３　出力部
６０　コンピュータ

Claims (10)

  1. 　邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測する売却予測手段と、
    　予測された顧客を出力する出力手段と、
    を備える、売却予測装置。
  2. 　前記予測モデルを生成する学習手段を更に備える、
    請求項１に記載の売却予測装置。
  3. 　前記学習手段が生成する前記予測モデルは、複数の予測式と当該予測式の選択条件で構成される、
    請求項２に記載の売却予測装置。
  4. 　前記学習手段は、前記邸・顧客データ、前記売却実績データ、又は、前記物件査定データを条件データとし、前記予測モデルの候補から、前記予測式と前記予測式が成立する条件データを導出して前記予測モデルを生成する、
    請求項３に記載の売却予測装置。
  5. 　前記売却予測手段は、前記予測された顧客に用いられた前記予測モデルにおいて予測に寄与する項目を予測要因として抽出する、
    請求項４に記載の売却予測装置。
  6. 　前記売却予測手段は、前記予測された顧客に用いられた前記予測モデルにおいて寄与率が所定の条件を満たす項目を予測要因として抽出する、
    請求項４に記載の売却予測装置。
  7. 　前記出力手段は、前記予測された顧客と、前記予測された顧客に関連する前記予測要因を含む顧客リストを出力する、
    請求項５又は６に記載の売却予測装置。
  8. 　前記出力手段は、予測された顧客のうち、所定の条件を満たす顧客候補を出力する、請求項１から７のいずれか１つに記載の売却予測装置。
  9. 　邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測し、
    　予測された顧客を出力する
    売却予測方法。
  10. 　邸・顧客データ、売却実績データ及び物件査定データに基づき生成された住宅を売却する可能性のある顧客を予測する予測モデルと、対象となる顧客の邸・顧客データ及び物件査定データとに基づいて、住宅を売却する可能性のある顧客を予測し、
    　予測された顧客を出力する
    ことをコンピュータに実行させる、売却予測プログラムを格納する記録媒体。
PCT/JP2020/035670 2020-09-23 2020-09-23 売却予測装置、売却予測方法および記録媒体 WO2022064545A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US18/026,499 US20230360153A1 (en) 2020-09-23 2020-09-23 Sell prediction device, sell prediction method, and recording medium
PCT/JP2020/035670 WO2022064545A1 (ja) 2020-09-23 2020-09-23 売却予測装置、売却予測方法および記録媒体
JP2022551451A JPWO2022064545A5 (ja) 2020-09-23 売却予測装置、売却予測方法および売却予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/035670 WO2022064545A1 (ja) 2020-09-23 2020-09-23 売却予測装置、売却予測方法および記録媒体

Publications (1)

Publication Number Publication Date
WO2022064545A1 true WO2022064545A1 (ja) 2022-03-31

Family

ID=80845612

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/035670 WO2022064545A1 (ja) 2020-09-23 2020-09-23 売却予測装置、売却予測方法および記録媒体

Country Status (2)

Country Link
US (1) US20230360153A1 (ja)
WO (1) WO2022064545A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7455254B1 (ja) 2023-03-24 2024-03-25 東京瓦斯株式会社 予測装置及びプログラム

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004303131A (ja) * 2003-04-01 2004-10-28 Daiwa House Ind Co Ltd 投資仲介システム，投資仲介方法，投資仲介装置及び投資仲介プログラム
JP2015179553A (ja) * 2015-07-07 2015-10-08 Ｎｔｔ空間情報株式会社 不動産登記申請情報検索装置及び不動産登記申請情報検索方法ならびにそのプログラム
US20150324939A1 (en) * 2014-03-09 2015-11-12 Ashutosh Malaviya Real-estate client management method and system
JP2017016321A (ja) * 2015-06-30 2017-01-19 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
WO2017056368A1 (ja) * 2015-09-30 2017-04-06 日本電気株式会社 最適化システム、最適化方法および最適化プログラム
US20170330231A1 (en) * 2016-05-10 2017-11-16 LTRAC LLC dba ProspectNow Method and system to display targeted ads based on ranking output of transactions
JP2018156295A (ja) * 2017-03-16 2018-10-04 ヤフー株式会社 情報検索装置、情報検索方法及び情報検索プログラム
JP2019101955A (ja) * 2017-12-07 2019-06-24 株式会社マーキュリー 不動産売買当事者情報交換システム
JP2019179319A (ja) * 2018-03-30 2019-10-17 富士通株式会社 予測モデル作成装置、予測モデル作成方法および予測モデル作成プログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004303131A (ja) * 2003-04-01 2004-10-28 Daiwa House Ind Co Ltd 投資仲介システム，投資仲介方法，投資仲介装置及び投資仲介プログラム
US20150324939A1 (en) * 2014-03-09 2015-11-12 Ashutosh Malaviya Real-estate client management method and system
JP2017016321A (ja) * 2015-06-30 2017-01-19 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
JP2015179553A (ja) * 2015-07-07 2015-10-08 Ｎｔｔ空間情報株式会社 不動産登記申請情報検索装置及び不動産登記申請情報検索方法ならびにそのプログラム
WO2017056368A1 (ja) * 2015-09-30 2017-04-06 日本電気株式会社 最適化システム、最適化方法および最適化プログラム
US20170330231A1 (en) * 2016-05-10 2017-11-16 LTRAC LLC dba ProspectNow Method and system to display targeted ads based on ranking output of transactions
JP2018156295A (ja) * 2017-03-16 2018-10-04 ヤフー株式会社 情報検索装置、情報検索方法及び情報検索プログラム
JP2019101955A (ja) * 2017-12-07 2019-06-24 株式会社マーキュリー 不動産売買当事者情報交換システム
JP2019179319A (ja) * 2018-03-30 2019-10-17 富士通株式会社 予測モデル作成装置、予測モデル作成方法および予測モデル作成プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7455254B1 (ja) 2023-03-24 2024-03-25 東京瓦斯株式会社 予測装置及びプログラム

Also Published As

Publication number Publication date
JPWO2022064545A1 (ja) 2022-03-31
US20230360153A1 (en) 2023-11-09

Similar Documents

Publication Publication Date Title
Kuşan et al. The use of fuzzy logic in predicting house selling price
Wong Contractor performance prediction model for the United Kingdom construction contractor: Study of logistic regression approach
RVSPK et al. Digital literacy, business uncertainty & economic performance: An empirical study of small businesses in Sri Lanka
Morano et al. Bare ownership evaluation. Hedonic price model vs. artificial neural network
Turnbull et al. Why do vacant houses sell for less: holding costs, bargaining power or stigma?
Agusdinata et al. Supporting interventions to reduce household greenhouse gas emissions: A transdisciplinary role-playing game development
Hui et al. The roles of developer’s status and competitive intensity in presale pricing in a residential market: A study of the spatio-temporal model in Hangzhou, China
WO2022064545A1 (ja) 売却予測装置、売却予測方法および記録媒体
Jaghargh et al. An analytical approach to estimate structural and behavioral impact of renewable energy power plants on LMP
Tayaran et al. A Framework for Online Reverse Auction Based on Market Maker Learning with a Risk‐Averse Buyer
Ja'afar et al. Application of machine learning in analysing historical and non-historical characteristics of heritage pre-war shophouses
US20170124471A1 (en) Determining demand response impact scores and target customer group for energy saving events
Coven The Impact of Institutional Investors on Homeownership and Neighborhood Access
Safari et al. A screening method for lowering customer acquisition cost in small commercial building energy efficiency projects
Kumar A conceptual model for automation of product dynamic pricing and sales promotion for a retail organization
Zutshi et al. Simulation and forecasting of digital pricing models for an e-procurement platform using an agent-based simulation model
Ying et al. How to make project plans trustworthy: an investigation based on multi-criteria contractor selection
JP7494924B2 (ja) 住宅営業支援装置、住宅営業支援方法および住宅営業支援プログラム
Das et al. Segmentation analysis in human centric cyber-physical systems using graphical lasso
Rutherford et al. Foreclosure, quality and spillover in residential markets
Sápi The international practice of statistical property valuation methods and the possibilities of introducing automated valuation models in Hungary
US12002108B2 (en) Systems and methods for generating a home score and modifications for a user
WO2021192856A1 (ja) 住宅営業支援装置、住宅営業支援システム、住宅営業支援方法および記録媒体
US20230342862A1 (en) Systems and Methods for Generating a Home Score and Modifications for a User
US12002107B2 (en) Systems and methods for generating a home score and modifications for a user

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20955139

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022551451

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20955139

Country of ref document: EP

Kind code of ref document: A1