RSS header - this is hidden

Data science har blitt nøkkelen for god eiendomsanalyse

Skrevet av Haakon Ødegaard Dato: 10.aug.2020


Det er mye snakk om proptech og digitalisering i eiendomsbransjen, og det er ikke alltid like lett å få taket på hva dette egentlig innebærer i det daglige. For oss som jobber med analyse er «Data science» et mye mer relevant begrep. I denne bloggen «letter vi litt på sløret» om hvordan vi jobber med å måle og strukturere innsikt om tilbudssiden i utleiemarkedet, og måling av blant annet kontorledighet.

Vi bør videre fra enkle prosenttall for ledighet

Arealledighet i utleiemarkedet av næringsarealer, og særlig innen kontor, er et mål som er å anse som «melk og brød» i markedsrapporteringer. De fleste har et forhold til ledighetstallet av natur, som den prosentvise andelen av markedet som til enhver tid står ubrukt. Er det høyt kan det virke alarmerende, og er det lavt, kan det kanskje være en indikasjon på at leieprisene er på vei opp som følge av stor etterspørsel etter arealer. Med omfattende analyse av ledighetsdata kan vi dykke litt dypere ned i hvordan de ulike delmarkedene fungerer, ut over et enkelt prosenttall. Dette gir oss helt ny innsikt som kan utfordre hvordan vi tradisjonelt vurderer ulike markeder.Market Report for commercial real estate from Eiendomshuset Malling & Co


Ledighet er utfordrende å måle, men mye data er nøkkelen

La oss aller først kommentere måten ledighet måles på. Nesten uansett målemetode vil man ha noen utfordringer med nøyaktighet og betydning av tallene som måles. Definering av relevant område, vurdering av tidspunkt og sesongeffekter, tellemetode og hyppighet av målingen er bare noen av utfordringene man må ta stilling til. Skal man for eksempel telle arealer som er i bruk, men som likevel annonseres som ledig? Skal man telle med arealer som ikke er i bruk, og heller ikke annonseres?

Etter utallige vurderinger internt, er vår anbefaling å basere seg på mye data; altså over lang tid med hyppige oppdateringer og med et geografisk område over en viss minimumsstørrelse. For oss som jobber med å beregne disse tallene er det en hel del kompliserende faktorer som gjør det utfordrende å måle ledigheten, og ingen måling blir helt perfekt og uten feil. Likevel mener vi å ha en svært god metode, som også kan gi oss og kundene veldig mye mer innsikt enn bare ledighetstallet, ved å strukturere, vaske og berike datasettet på en smart måte. Til det har vi ansatt en egen person; Stian Røstgård, med stillingstittel BI-utvikler (BI = Business Intelligence). 

LES OGSÅ: Datadreven innsikt gir våre kunder konkurransefortrinn

Malling_Co_Analyse_1934

BI-utvikler Stian Røstegård 

potensialet er stort for å utnytte eksisterende datasett og visualisere disse

«Data cleansing», «data transformation», «data consolidation» og «data enrichment» er nøkkelord for vår BI-utvikler Stian når han jobber med våre datasett som gjøres tilgjengelig for beslutningstakere gjennom visualiseringsplattformen Microsoft Power BI. Sammen jobber hele vårt analyseteam med nye ideer for hvordan vi kan bruke dataene vi har til ny og nyttig innsikt, samt hvordan vi kan koble dette med nye datasett.

Ledighetsmålingene er godt eksempel på dette, og er for oss mye mer enn prosenttall. Vår satsning på Business Intelligence, dataanalyse og visualisering har også avdekket mye uutnyttet potensial i de dataene vi allerede har tilgjengelig. Ved å kombinere flere datasett blir de sammen mye mer verdt enn hver for seg, og gjør at vi kan beskrive markedet på helt nye måter.

For å håndtere datamengden på en intelligent måte og knytte dataene sammen for ny innsikt, må vår BI-utvikler benytte koding og smarte programmer. I tillegg må den ansvarlige forstå dataene godt, og samtidig forstå hvordan de skal brukes, og hvilke svakheter som kan oppstå i prosessen. Dette gjør data science til en tverrfaglig kompetanse som er svært ettertraktet, og er på mange måter «analytiker 2.0». Samtidig må også kundene bli mer kravstore og etterspørre mer omfattende analyser som trigger vår kreativitet til å beskrive markedet på nye måter. For måling av arealledighet betyr det å vurdere hvilke parametere som er mulig å måle gjennom en sammensatt vurdering av tilgjengelig data og hvilke nøkkeltall som gir nyttig og spesifikk innsikt om markedet.

Malling & Co Analyse

En god ledighetsmåling krever nok data og en strukturert modell

La oss dykke dypere ned i vår ledighetsmodell, som i hovedsak er basert på annonser som registreres månedlig. Mange vil kanskje mene metoden har svakheter, men i valget mellom flere metoder er vår mening at annonsemetoden er den løsningen der det er lettest å justere for feilkildene. Den enkle filosofien bak denne målingen er tredelt:

  1. Stor tilgang på data regelmessig (hver måned) fra blant annet Finn.no
  2. Forholdsvis lite kostbart når man har datakilden og en kode som håndterer dataen
  3. Man måler direkte i markedet (tilbudet) og ikke den faktiske utnyttelsen av bygg

Er det ledige arealer som ikke annonseres, ja så er det per definisjon ikke ledig etter denne metoden, fordi utleier ikke gjør et forsøk på å nå markedet, og det er markedet som er vårt fokus. Vår hovedkilde for annonser er Finn.no, samt andre kilder ved behov. Hver annonse blir knyttet til data fra andre kilder som eksempelvis Matrikkelen, som blant annet gjør oss i stand til å følge ethvert bygg sin historie. I tillegg sørger vårt system for å identifisere og vaske annonser med mulige feilkilder som duplikater, feil areal og en rekke annet.

Den systematiske tilnærmingen sørger for likebehandling av data hver måned, og vi kan dermed følge endringen over tid. Vi kan til og med avsløre utgåtte annonser som ikke har blitt leid ut, eller avsløre såkalt fremutleie basert på mønster i måten disse presenteres på. Algoritmene for dette og annet forbedres kontinuerlig. Vårt analyseprogram leser også alle annonsetekster og identifiserer nøkkelord for manuell kontroll der vår «vaskerobot» er usikker. På denne måten kan vi på månedlig basis ha stålkontroll på ledige arealer i markedet med relativt lav kostnad, og algoritmen blir bedre og bedre ettersom vi får mer data i basen vår. Jobben som gjøres hver måned er ikke regningssvarende å utføre manuelt, og vår påstand er også at resultatet er helt overlegent en telling som baserer seg på manuelt arbeid. Dataen berikes, kobles opp mot annen data, og lagres i vår database som stadig vokser. Vår interne BI-utvikler Stian har ansvaret for å administrere databasen og kontinuering videreutvikle denne, sammen med resten av analyseteamet.

LES OGSÅ: Kontorleieprisene lite påvirket av Korona - enn så lenge

Datascience 2

Vi kan bryte ned ledigheten i ulike faktorer

La oss dykke dypere ned i ledigheten for kontorarealer. Hvordan bør eiendomsinvestorer egentlig vurdere ledighet? Dersom vi teoretisk bryter ned arealledighet i hva det faktisk er, så kan vi starte med den enke forutsetningen om at ledighet i eksisterende bygg stort sett skapes når en eller flere leietakere tar en beslutning om å flytte. Før denne beslutningen tas, er det en viss sannsynlighet for enten at leietaker blir, eller at leietaker flytter. Denne sannsynligheten for at leietaker flytter kan vi kalle P, og at leietaker blir værende følger naturlig som 1-P, dersom vi for enkelthets skyld ser bort fra muligheter for endring av arealet i en forlengelse.

Videre er det slik at ledigheten, når den først har oppstått, gjerne varer en stund, inntil arealet er leid ut. Tidsperioden vil variere fra eiendom til eiendom, mellom ulike områder, og etter kvalitetene på arealet som leies ut. For en enkelteiendom vil man dermed ha en forventet ledighetslengde på et gitt areal på lengden L. Den forventede ledigheten på slutten av et vilkårlig leieforhold kan dermed uttrykkes L*P, altså ledighetslengde ved ledighet ganger sannsynlighet for at arealet blir ledig. Vår database med annonser for ledige arealer kan blant annet brukes til å hente ut hvor lenge annonser blir liggende ute, som et rimelig godt estimat på hvor lenge arealet har stått ledig, altså variabelen L. Dette gir oss nyttig innsikt i risikoen for ledighet og inntektstap.

LES OGSÅ: Kontorleier "på salg"?

TTL_2722-3
Ledighetsrisiko kan beskrives og dokumenteres på en helt ny måte

Videre kan vi velge å se på et helt område som består av bygg med en gjennomsnittlig ledighetslengde L og sannsynlighet P. Over tid må det være slik at ledigheten i et område målt i prosent, må være en funksjon av hvor ofte leietakere flytter ved endt kontrakt, P , hvor lange kontrakter de har, kalt K, samt hvor lenge et areal er forventet å stå ledig, L. Over tid kan vi uttrykke snittledigheten i et område over tid som (P*L)/(K + (P*L)).

Fra Arealstatistikk kan vi innhente data om snittlegder på leiekontrakter, selvsagt med variasjoner for delsegmenter. Med dette som utgangspunkt, samt observert L fra vår database og estimert ledighet i markedet over tid, kan vi estimere sannsynligheten P for en tilfeldig leietaker i området vil fraflytte sine arealer. Denne sannsynligheten kan selvsagt være betinget av andre ting, som for eksempel byggets kvalitet, hvem som er gårdeier, eller hvilke bransjer bygget eller området typisk har som leietakere, hvor lenge de har sittet der, eller størrelsen på arealene. Likevel kan metoden brukes til å estimere en gjennomsnittlig P for området innenfor en viss arealstørrelse. Denne sannsynligheten kan dermed benyttes til å vurdere risikoen i ulike kontantstrømmer etter utløpet av leiekontraktene. Høy ledighet kan være forårsaket av Høy P eller høy L, alternativt lav K (korte kontrakter).

Ved å «dekomponere» ledigheten kan en investor skaffe seg informasjon om markedsrisikoen i et konkret eiendomsprosjekt ut fra historiske data. Dersom eiendommen står ledig, og området/bygget er kjennetegnet med lav L (korte ledighetsperioder), er risikoen kanskje moderat. Dersom L derimot er lang, og P relativt lav, så er det god grunn til å tydelig differensiere bygg med eksisterende leiekontrakter fra bygg med ledig arealer. Alternativt kan man være villig til å strekke seg langt for å skaffe en leietaker til ledige arealer, fordi det kan ta lang tid før neste leietaker vurderer arealet.

Måten vi håndterer dataene på gjør det mulig å estimere enkeltparameterne og derigjennom øke forståelse av risiko for ledighet, noe som igjen kan påvirke strategiske valg hos gårdeiere og investorer. Vi kan også benytte data til å dokumentere forutsetninger for fremtidig ledighet i verdivurderinger på helt nye måter enn man har kunnet tidligere. Dette styrker også kravene til dokumentasjon og etterprøvbarhet som blant annet Finanstilsynet har rettet mot verdsettelser av næringseiendom.

LES OGSÅ: Ta lønnsomme valg for din eiendom

Klikk her for å laste ned e-boken

Observert ledighetsperiode varierer stort mellom områdene og delsegmentene

Dersom vi ser på områder med lav ledighet, finner vi at det kan være svært store forskjeller i L, altså snittlengden for hvor lenge ledige lokaler ligger ute i markedet. For en som skal leie ut lokaler, er det kanskje viktigere enn ledigheten i seg selv. Det er dog viktig å ta i betraktningen at store arealer gjerne tar mye lengre tid å leie ut enn små, og at områder med mye nybygg bidrar til å øke ledighetstiden av åpenbare grunner. Det kan gjøre at områder som typisk har større bygg med store arealer tilgjengelig kommer ut med høy «snitt-L».

Komposisjonen av de typiske byggene og arealene i et område kan derfor påvirke den beregnede ledighetslengden i stor grad. Dette er interessant for utleiere og utleiemeglere å studere, ettersom disse dataene kan benyttes for å optimere utleiestrategien og «time» markedet og minimere tap av kontantstrøm. Særlig spennende blir dette koblet opp mot data fra Brønnøysundregisteret og Skatteetaten som gjør oss i stand til å følge hvor ulike leietakere/selskaper historisk har flyttet til og fra. Man kan da finner mønster og flyttestatistikk og vurdere ledighetsrisiko på tvers av områder, størrelser, bransjer eller bygningstyper.

Bjørvika fra Ekeberg til blogg


Lav ledighet betyr ikke nødvendigvis lav risiko ved utleie

For å gjøre en vurdering av et marked eller et bygg, så bør man alltid studere flere parametere og gjøre en helhetlig vurdering. Dersom vi ser på vår analyse av gjennomsnittslengden på ledighetsperioden L for ulike områder fra 2015 - 2019 og sorterer disse etter kortest gjennomsnittlig ledighetsperiode L, finner vi Majorstuen blant områdene med kortest annonsetid. Majorstuen har også hatt relativt lav snittledighet på om lag 4,2 % 2015-2019, riktignok svært påvirket av få store arealer tilgjengelig. Med rask utleie av det som legges ut, og lav ledighet, kan dette være en indikasjon på at det er behov for mer arealer i dette området.

Fornebu og Forskningsparken er blant områdene med lengst annonsetid. Selv om snittledigheten ikke har vært veldig høy i disse områdene, risikerer man at ledige arealer blir liggende ute lenge før det kommer leietakere. Ledigheten er dermed først og fremst lav fordi flyttesannsynligheten har vist seg å være liten over den målte perioden. Vi kan også knytte disse analysene opp mot databasen med leietakeres søk, og her vil vi gjerne finne at områdene med lengst utleietid også er de med færrest søk. Igjen kan vi gjøre utallige koblinger til andre datasett som skaffer oss unik innsikt.


Vi utvikler våre databaser kontinuerlig

Generelt er det ikke ett tall som gir deg svaret. Derfor er vår anbefaling til eiendomsinvestorer å etterspørre flere parametere som kan beskrive risikoen man tar, slik at denne kan prises mer riktig. Ett enkelt tall gir sjeldent det fullstendige bildet. En god database i bunn med oppdatert, sammenkoblet og beriket data, gir nye muligheter til å måle eksempelvis ledighet og risiko for fremtidig inntektstap av leieinntekter. Vi jobber derfor videre med vår satsning på å bygge opp og forvalte våre databaser på en smart måte slik at ny og unik innsikt kan tilgjengeliggjøres og aktivt benyttes i beslutningsprosesser. Dette gir våre kunder svært nyttig og «state of the art» innsikt i verdifulle beslutningsprosesser.


Gruppebilde

Malling & Co Research and Valuation AS

Analyseteamet i Malling utgir halvårlige markedsrapporter som er en regelmessig oppdatering på utviklingen i markedet for næringseiendom i Stor-Oslo, Drammen og Stavangerregionen. I tillegg til den seneste markedsutviklingen, kommenteres forventet utvikling i markedet for det kommende halvåret. 
 Ønsker du å motta vår markedsrapport så register deg via denne linken.

Klikk her for å komme til vårt digitale kunnskaps-bibliotek.
Her finner du e-bøker om ulike temaer innen næringseiendom. 

eboker_samlet_web2

SKREVET AV


Haakon Ødegaard

Haakon har en mastergrad innen Industriell økonomi og teknologiledelse fra NTNU i Trondheim, og har senere fullført AFA-studiet ved NHH. Haakon har jobbet med næringseiendom siden 2010 og er leder for analyse og verdivurdering i Malling & Co