Tekoäly kiinteistöjen arvonmäärityksen ja sijoitusvalinnan työkaluna

Abstract

Tässä kandidaatintyössä tarkastellaan tekoälyä kiinteistöjen arvonmäärityksen ja sijoitusvalinnan työkaluna. Tarkoituksena on selvittää tekoälyn hyödyntämisestä seuraavat mahdolliset edut ja haitat, sekä tehdä sen perusteella arvio tekoälyn integroinnin kannattavuudesta. Teoriapohjana toimii aiheita käsittelevä kirjallisuus, sekä akateemiset artikkelit. Työ on toteutettu kirjallisuuskatsauksena, jossa yhdistellään useita lähteitä.

Kiinteistöpuolen datan keräämisessä voidaan havaita potentiaalisia ongelmakohtia. Esimerkiksi kiinteistöjen kuntokartoitus on yksi sijoitusvalinnan osa, joka tulisi saattaa standardoituun datapohjaiseen muotoon, jotta tekoälyä voisi tehokkaasti integroida osaksi arvonmääritystä tai sijoitusvalintaa. Kaikki dataan liittyvät ongelmat ovat kuitenkin ratkaistavissa eri keinoin.

Työn johtopäätöksenä voidaan todeta, että datan prosessoinnin ja tallentamisen sekä muiden tekoälyyn liittyvien ongelmien ratkaisemisen jälkeen on mahdollista saavuttaa arvokkaita etuja. Kustannuksia voidaan alentaa arvonmäärityksen ja sijoitusvalinnan puolelta. Kasvava tuottopotentiaali on myös huomattavaa, sillä tekoälyllä sijoitusvalintaa voidaan suorittaa moninkertaisesti suuremmasta valintajoukosta kuin manuaalisella suodattamisella.

Kiinteistömarkkina on osin tehoton, jos sitä verrataan vaikka julkiseen osakepörssiin. Kiinteistödatan standardisoinnin epäsuoriin vaikutuksiin voi siis kuulua yleisen kiinteistömarkkinan tehostuminen. Tällä olisi isossa kuvassa monia positiivisia seurauksia, niin sijoittajien kuin yksityisten asunnon omistajienkin näkökulmasta. Tämä kandidaatintyö tarjoaa myös pohjan jatkotutkimuksille, jossa voidaan tarkastella käytännön menetelmiä kiinteistödatan standardisoimiseksi ja tallentamiseksi.

This bachelor's thesis examines artificial intelligence as a tool for property valuation and investment selection. The aim is to identify the potential benefits and drawbacks of using AI and to evaluate the practicality of its integration. The theoretical foundation is based on relevant literature and academic articles. The work has been conducted as a literature review, combining multiple sources.

In collecting data for property-related purposes, potential problem areas can be identified. For example in property condition assessments, which is a key part of investment selection, should be standardized into a data-based format to effectively integrate AI into property valuation or investment decisions. However, all data-related problems are solvable through various means.

The conclusion of this thesis is that, after addressing issues related to data processing and storage, as well as other AI-related challenges, significant advantages can be achieved. Costs can be reduced in property valuation and investment selection. The growing potential for profit is also notable, as AI allows for investment selections from a much larger pool than manual filtering.

The real estate market is quite inefficient compared to, for example, the public stock market. Therefore, the indirect effects of standardizing real estate data may include the overall efficiency improvement of the real estate market. This could have many positive consequences from the perspectives of both investors and private homeowners. This bachelor's thesis also lays the groundwork for further research into practical methods for standardizing and storing real estate data.