Från klassificering till insikt, varför framtidens fastighetsanalys börjar i fritexten
Fastighetsbolag sitter på enorma mängder information i sina ärendebeskrivningar, men nästan allt är outnyttjat. I decennier har branschen försökt skapa struktur genom koder och kategorier, men det har sällan lett till bättre analys. Homepals nya AI-baserade klassificering vänder på perspektivet: i stället för att tvinga fram struktur i systemen låter vi AI:n förstå verkligheten som den beskrivs av människor och göra den analyserbar utifrån de beslut man faktiskt vill kunna fatta.
Osynlig data
I de flesta fastighetsbolag finns ett enormt informationsvärde dolt i ärendebeskrivningarna. Varje år skrivs tusentals fritextfält av drifttekniker, kundservice och hyresgäster, beskrivningar som ofta innehåller detaljer om vad som gick sönder, hur det uppstod och var problemet finns.
Problemet är att all denna information ligger ostrukturerad. Det gör att de verkligt intressanta mönstren, till exempel vilka typer av utrustning som oftast orsakar problem, var vattenläckor uppstår eller vad som påverkar tryggheten i boendemiljön, förblir osynliga.
Klassificering i källsystemen löser inte problemet
Fastighetsbranschen har länge försökt skapa struktur genom att användarna själva väljer feltyper, aff-koder eller interna kategorier i källsystemen. Tanken är god, men i praktiken skapar det ofta mer jobb än värde. När klassificeringen inte används i någon analys blir det bara en extra uppgift för den som registrerar ärendet och merarbete utan upplevt värde leder nästan alltid till slarv. Resultatet blir inkonsekventa data och analyser som riskerar att bli felaktiga.
För den som tar emot ärendet är det dessutom sällan relevant att välja en kod. En tekniker vill veta var felet är och vad som ska göras, inte att det rör sig om “AFF-kod SC2 – Byggnad utvändigt”. I det perspektivet är lösningar som Vyer→ bra exempel på rätt tänk: de hjälper användaren att se platsen, förstå felet och agera direkt. Det är utföraren i fokus, inte analysen.
Outcome först – datan sen
På Homepal vänder vi på det traditionella perspektivet. I stället för att börja med kategorier och hoppas att de ska leda till insikter, börjar vi med vilket beslut man vill kunna fatta. Först därefter bestämmer vi vilka datapunkter som behövs.
Om målet är att förstå var vattenläckor uppstår, behövs en helt annan typ av klassificering än om man vill analysera trygghetsrelaterade händelser. Försöker man slå ihop allt i samma datakälla uppstår snabbt konflikter.
Ta exemplet “Någon har slagit sönder vattenledningen i trapphuset.” Är det ett vattenläckage eller skadegörelse? Svaret beror helt på syftet.
Genom att låta AI:n läsa och förstå varje ärendebeskrivning skapas flera olika klassificeringar som var och en utformad för sitt specifika outcome. Det betyder att samma data kan användas på flera sätt utan att någon behöver ändra sitt arbetssätt eller lägga tid på manuell registrering.
Tre konkreta användningsområden
Just nu testar vi tre områden där AI-klassificering kan ge helt nya insikter:
Identifiera trygghetsrelaterade händelser - följ upp var och när incidenter uppstår och rikta åtgärder för ökad trygghet.
Upptäck och analysera vattenläckor - identifiera ärenden som rör fukt och vattenskador för att analysera riskmönster.
Förstå grundorsaker till driftstörningar - se vilken utrustning som oftast orsakar problem och vad som driver underhållsbehovet.
Delta i Homepals stängda beta
Nu bjuder vi in fastighetsbolag att delta i vår stängda beta för att utforska dessa tre outcomes tillsammans med oss.
Du kan delta i ett eller flera case, beroende på vad som är mest relevant för er verksamhet. Även bolag som ännu inte använder Homepal är välkomna, syftet är att visa vilket värde som kan frigöras ur den data ni redan har.
