Les actifs commerciaux sont évalués en fonction des flux de trésorerie futurs qu’ils promettent et de ce qui a été observé dans le passé. On distingue en deux sortes : ceux produits en masse dits «liquides» (actions, obligations) qui sont identiques au sein d’un même lot et ceux qui sont uniques dits «non liquides» (œuvres d’art, vins, immobilier commercial, …). 

Une grande partie du prix des actifs liquides est dictée par la perception humaine, au fur et à mesure de la fréquence des achats et ventes. Les investissements non liquides quant à eux, doivent être évalués individuellement puisqu’ils présentent peu de caractéristiques communes (un hôtel de luxe vs un vin millésimé).

L’approche par les revenus comprend des prévisions de trésorerie détaillées et une évaluation approfondie du risque d’investissement. Cela peut être difficile sur le plan cognitif puisqu’il faut juger subjectivement en parcourant des quantités de données. En conséquence, la méthode est souvent critiquée pour ses incohérences.

La méthode de comparaison cherche à extraire un modèle par lequel les investisseurs ont évalué des actifs de qualités différentes. Le modèle de tarification est ensuite appliqué pour estimer un prix potentiel présenté comme la valeur. Cette méthode est à double tranchant: chaque actif étant unique, il est difficile de les comparer et cela demande beaucoup «d’ajustements» de tarification en fonction des attributs des actifs. De telles transactions sont rares et la collecte de données sur un grand nombre d’actifs comparables est un réel challenge. Même si ce problème a été largement minimisé grâce aux bases de données propriétaire, le traitement de ces bases est un défi cognitif pour lequel les machines sont devenues nécessaires.

Des algorithmes informatiques sont appliqués aux données des transactions, contenant des informations détaillées sur le prix, les caractéristiques et les attributs géographiques des actifs. 

Il s’agit de trouver les facteurs déterminant la différence de prix entre deux actifs. En théorie, ils pourraient être des milliers, en pratique les facteurs considérés sont moins nombreux. Les ordinateurs, s’ils disposent d’un nombre suffisant de données, permettent d’effectuer des analyses qui sont difficiles pour l’homme. 

En partant du principe que les machines apprennent à partir des données, l’idée centrale est donc d’identifier des modèles significatifs de tarification: comment des facteurs spécifiques ajoutent-ils (ou diminuent-ils) de la valeur? Les machines identifient les facteurs importants dans la fixation des prix et attribuent quantitativement les écarts de prix à des facteurs individuels. En bref, avec une rapidité et une précision incroyables, les machines apprennent et démêlent les données en une combinaison reproductible de facteurs de prix. Ensuite, les combinaisons sont testées et celle présentant la plus petite erreur de prix devient la formule de référence dans l’estimation du prix d’un actif.

Supposons que la machine détecte une majoration de prix de 20% attribuée par le marché pour les hôtels disposant un spa.  Dans des scénarios économiques stables, il peut être juste d’attribuer une majoration de prix similaire pour évaluer un prochain hôtel-spa. Mais dans la situation actuelle, qui implique de nombreuses restrictions sanitaires, valoriser un spa pourrait être un leurre et la majoration de 20% ne plus être valable. Pour estimer correctement cette nouvelle donne, la machine doit être réadaptée et le nouveau consensus documenté à nouveau.

Par conséquent, le nouveau réglage des machines nécessitera de nouvelles données sur les dernières transactions qui seront rares avec des modèles de tarification peu informés. Les modèles actuels deviennent ainsi discutables car basés sur de nombreux prix «aberrants». Ces évaluations basées sur le machine learning ne parviennent pas à nous aiguiller avec précisions dans des situations difficiles et imprévues.

Ce dont nous avons besoin actuellement, c’est d’une méthode d’évaluation prospective, soit d’une approche par les revenus basée sur nos observations du passé. 

Nous ne pouvons pas encore savoir avec certitude si l’impact de la COVID-19 sur l’immobilier sera durable. S’il s’agit d’une situation de courte durée, les machines peuvent exclure les transactions actuelles de leurs données d’apprentissage, comme lors de la dernière crise financière mondiale résultant des subprimes (2007-2009). Comme il a été généralement spéculé que la crise du COVID-19 pourrait fondamentalement changer notre vision du monde, les machines devront attendre plus longtemps que les agents humains génèrent de nouvelles données et établissent de nouveaux modèles de tarification.

Quoi qu'il en soit, les évaluateurs humains viendront à la rescousse de la machine. Pour l'instant, nous sommes toujours aux commandes.