يلجأ القائمون على التوظيف إلى الذكاء الاصطناعي في سعيهم لجذب كبار العملاء
التكنولوجيا تدخل الصورة
وإلى جانب هذه الاحتمالات، يمكن أن يكون تكامل أداة الذكاء الاصطناعي (AI) حلاً أيضًا. عندما بدأ الذكاء الاصطناعي يكتسب زخمًا في صناعة العقارات، تم ضخ معظم رأس المال الاستثماري في المنتجات التي تواجه المستهلك مثل زيلوحلول Zestimate أو التسويقية التنبؤية.
تم إطلاق Zillow Zestimate في عام 2006، وهو يستخدم الوثائق العامة لتوفير تقديرات لقيمة كل منزل في حي معين. أثارت هذه الأنواع من المنتجات التي تواجه المستهلك الكثير من الاهتمام من قبل المستثمرين. وفي الوقت نفسه، اكتسب التسويق التنبئي أيضًا الكثير من الاهتمام. بدأ الوكلاء في استخدام النمذجة التنبؤية لتحديد أي شخص في الحي، أو أي شخص في قائمة جهات الاتصال، من المرجح أن يقوم بإدراج ممتلكاته في المستقبل القريب.
ظل التركيز على مساعدة الوسطاء في توظيف الفرق وإدارتها من خلال الذكاء الاصطناعي محدودًا حتى وقت قريب. في عام 2016، كان روبرت كيف رائدًا في هذا المجال ريليتيكسمما يمهد الطريق لموجة جديدة من الشركات المبتكرة في هذا القطاع. يمكن أن يساعد الذكاء الاصطناعي في تبسيط عملية التوظيف في القطاع العقاري من خلال الاستفادة من البيانات من مصادر متنوعة لتحديد المرشحين الذين يتمتعون بمجموعات المهارات المطلوبة والتوافق الثقافي.
وقال كيفي لـ HousingWire: “إن أندر الموارد في العقارات هو وقت مدير الوساطة”. “شعرت أن أدوات البيانات والتكنولوجيا الناشئة المقترنة بـ MLS والبيانات الأخرى على مستوى الوكيل ستسمح لنا بالمساعدة في الاستفادة من مورد الوقت الشحيح هذا وجعل ساعة من وقت المدير أكثر إنتاجية بعشرة أضعاف من خلال القوى العظمى للبيانات.”
الشركات مثل ريليتيكس, تقنيات لون وولف, يتودد, بروكيركيت و موكسيوركس تقديم أدوات الذكاء الاصطناعي لتبسيط عملية توظيف الوكلاء. تستفيد هذه الشركات من تقنيات مختلفة مثل التحليلات التنبؤية والتعلم الآلي – بما في ذلك المجموعات الفرعية للتعلم النشط والتعلم العميق – للتنبؤ بالأداء المستقبلي للوكيل.
التعلم العميق هو شكل أكثر تقدمًا من التعلم الآلي. ويستخدم طبقات متعددة ومتسلسلة من التعلم الآلي لإنتاج إجابات دقيقة ودقيقة للغاية، ويشكل أساس نماذج اللغات الكبيرة للذكاء الاصطناعي مثل ChatGPT التي أصبحت سائدة في العام الماضي.
عندما لا تتوفر بيانات التدريب المصنفة (على سبيل المثال، هناك بيانات ولكن لا توجد “إجابات”)، يمكن لمهندسي البيانات استخدام التعلم النشط لجعل الذكاء الاصطناعي ينشئ مجموعة بيانات أصغر تحتوي على نقاط بيانات أكثر أهمية للمراجعة والتصنيف من قبل المراجعين البشريين. يمكن لمجموعة البيانات الأصغر هذه أن تحل محل مجموعات البيانات الكبيرة ذات العلامات الكاملة دون الحاجة إلى تصنيف العديد من الأمثلة.
الهدف من أدوات التحليل هذه هو تحسين عملية صنع القرار على يد الخبراء من خلال تحويل البيانات الأولية إلى رؤى أو استنتاجات أو نماذج تنبؤية يمكن أن تساعد العمليات التشغيلية. من الأفضل النظر إلى التحليلات على أنها عملية متكررة يتم فيها تحسين النماذج التنبؤية وتحسينها باستمرار.
“من المؤكد أن البيانات كثيرة في مجال العقارات. وقال شون سودرستروم، المؤسس المشارك والرئيس التنفيذي لشركة كورتيد، وهي شركة مقرها مدينة نيويورك تأسست في عام 2021: “في الواقع، إن وجود البيانات في هذه الصناعة هو ما يسهل أساليب التحليل المتقدمة.
وأضاف: “لكن المشكلة هي أن الغالبية العظمى من شركات الوساطة تستخدم البيانات التاريخية لاتخاذ قرارات التوظيف”. “لقد أظهرت كورتيد أن هناك تقلبات كبيرة في إنتاج الوكيل سنة بعد سنة.
“بدون الذكاء الاصطناعي، يكاد يكون من المستحيل التمييز بين الوكيل الذي تكون أفضل سنوات مبيعاته خلفه أو أمامه على نطاق واسع. ربما يمكنك القيام بذلك إذا كان لديك اتصال بهذا الوكيل وتعرف أعماله بعمق، ولكن من المستحيل البحث في كل هذه المعلومات عن جميع الوكلاء الذين قد يكونون مناسبين للوساطة الخاصة بك، نظرًا لوجود مليون ونصف وكيل في البلد.”
تخفيف نقاط الألم
حددت الشركات ثلاث مشاكل رئيسية تتعلق بكيفية توظيف الوسطاء في الماضي.
أولا، يميل إنتاج الفرد إلى التقلب بشكل كبير من سنة إلى أخرى. ثانيًا، لدى كل وكيل احتمالية متفاوتة لتغيير شركات الوساطة في وقت محدد. وأخيرًا، قد يواجه القائمون على التوظيف صعوبة في إنشاء الرسالة الصحيحة التي من شأنها جذب وكيل معين.
ولمعالجة هذه المشكلات، تستفيد شركات التوظيف القائمة على التكنولوجيا من البيانات من خدمات القوائم المتعددة (MLSs)، والتي تخضع لهندسة بيانات دقيقة لإنشاء ملفات تعريف شاملة للوكلاء. يتم بعد ذلك إخضاع هذه الملفات الشخصية لتحليل مقارن ضد مجموعة من الوكلاء ذوي الصلة. يتم تقييم مقاييس الأداء الرئيسية مثل حجم المبيعات، ومتوسط الوقت الذي تقضيه القوائم في السوق، ونسب سعر البيع إلى القائمة.
بالإضافة إلى ذلك، تتنبأ نماذج التعلم الآلي والتحليل التنبؤي بحجم إنتاج الوكيل للسنة التالية وتقييم احتمالية دوران المبيعات لشركة وساطة معينة.
على سبيل المثال، يتم استخدام ما يسمى “تصنيف مخاطر التبديل” من شركة Relitix لتقييم الاحتمال النسبي بأن يقوم الوكيل بتبديل شركات الوساطة في الأشهر الثلاثة المقبلة. يستخدمه القائمون على التوظيف للمساعدة في تحديد أولويات قوائم التوظيف ويستخدمه المديرون جنبًا إلى جنب مع جهود الاحتفاظ بالوكلاء.
وفي الوقت نفسه، يقيس “تصنيف إمكانات المبتدئين” الخاص بالشركة إمكانية نجاح الوكلاء الذين يتمتعون بخبرة تقل عن 36 شهرًا في MLS. فهو يسمح للقائمين بالتوظيف بالكشف عن الوكلاء ذوي الإمكانات العالية ذوي الخبرة المحدودة وسط ضجيج أعداد كبيرة من الوكلاء الجدد.
وأخيرًا، تقوم “درجات فعالية الإدراج” بتقييم الوكلاء حول مدى فعاليتهم في إغلاق قوائمهم. يتم تعيين درجة (A إلى F) لكل وكيل في MLS كل شهر، مع حصول 20% من إجمالي مجموعة الوكلاء على إحدى الدرجات الخمس. يمثل الوكلاء الحاصلون على التصنيف “A” أعلى 20% من المجموعة ويمكن الاعتماد عليهم لإغلاق القوائم الأكثر صعوبة بمستوى عالٍ من الموثوقية.
وعلى العكس من ذلك، فشل الوكلاء الحاصلون على درجات “F” في إغلاق القوائم السهلة نسبيًا ولديهم عدد كبير من القوائم الملغاة أو منتهية الصلاحية أو المسحوبة مقارنة بأقرانهم. يتم إعادة تدريب خوارزمية التعلم الآلي الخاصة بـ Relitix كل شهر لتعكس ظروف السوق الحالية، ولضمان تعديل التصنيف لإدراج صعوبة وظروف العرض والطلب المحلية.
قال كيفي، مؤسس شركة ريليتيكس: “سيكون هذا مقياسًا مهمًا بشكل خاص في السنوات القليلة المقبلة”. “لقد قمنا بإنتاج هذا النوع من مجموعة الوكلاء منذ عام 2019.”
رؤى المستوى التالي
جوشوا بول، نائب رئيس العمليات في شركة وان سوثبي إنترناشيونال ريالتي، يستخدم أدوات توظيف الذكاء الاصطناعي من Courted. وقال إنها تسمح له بالاستعداد بشكل فعال قبل الاجتماع مع مرشح للوظيفة، وتساعد في جعل المحادثات أكثر تخصيصا وأكثر قصدا.
في لمحة سريعة، يمكن لبول الوصول إلى تفاصيل المعاملات السنوية للوكيل ونتائجها عبر مقاييس الأداء الرئيسية المختلفة. ويمكنه أيضًا استشارة التحليلات التنبؤية للتنبؤ بالأداء المحتمل للوكيل.
قال بول: “أستطيع أن أفهم عمل الوكيل بالكامل في أقل من 20 دقيقة، لذلك عندما أجري محادثة شخصية مع الوكيل، أشعر وكأنني أجريت قدرًا كبيرًا من البحث”.
في هذه الحالات، يساعد الذكاء الاصطناعي في تحديد بعض النقاط العالية والمنخفضة في إنتاج الوكيل. على الرغم من عدم وجود “كرة بلورية” عندما يتعلق الأمر بالوكلاء العقاريين، إلا أن الذكاء الاصطناعي يمكن أن يساعد في قياس الاختيار، وفقًا لما ذكره نيك وايتكامب، نائب الرئيس التنفيذي في شركة عقارات غرب الولايات المتحدة الأمريكية، وهي شركة وساطة تستخدم أدوات Relitix.
وقال وايتكامب: “تمنحنا شركة Relitix المزيد من التبصر حول ما يمكن أن يكون عليه الوكيل، بناءً على المقاييس التي تم ضخها بالفعل في شركة Relitix”. “هذا نوع لطيف من المحادثة.
“عندما نتحدث إلى عملاء مختلفين، فإن ذلك يمنحنا فكرة أكثر قليلاً عن تلك الكرة البلورية. انها ليست مثالية. ولكنه يساعد فقط في توجيه المحادثة حول ما يمكن أن يصبح عليه هؤلاء الوكلاء إذا حصلوا على المزيد من الدعم، والمزيد من التدريب، والمزيد من التركيز في العمل.”
في النهاية، عندما يتعلق الأمر بالتوظيف، فإن عرض القيمة للشركة هو المفتاح. تقدم العديد من شركات الوساطة حوافز مالية، مثل مكافآت نقدية وأسهم مقدمًا أو تقسيمات أفضل، لجذب المزيد من الوكلاء للانضمام. لكن الثقافة والتكنولوجيا والدعم وعوامل أخرى يمكن أن تكون حججًا قوية لضم المزيد من الوكلاء.
تستثمر معظم شركات الوساطة العقارية الكبرى المتداولة علنًا بكثافة في وظائف التوظيف الخاصة بها. حتى أن البعض يختار الاستثمار في التكنولوجيا الخاصة بهم لتوظيف وكلاء.
وفقًا لسودرستروم، يمكن أن يساهم التوظيف بمساعدة الذكاء الاصطناعي في تحقيق تكافؤ الفرص للاعبين في قطاع العقارات. فهو يسمح للشركات الكبرى بالحصول على عائد أفضل على الاستثمار لجهود التوظيف التي تبذلها مع تزويد الشركات الصغيرة بأدوات قوية تمكنها من التنافس مع المنافسين الأكبر حجمًا والأكثر رأسمالًا.
