तुम्ही जर फुकेत किंवा बँकॉकमध्ये कॉन्डो घेण्याचा विचार करत असाल आणि कोणीतरी तुम्हाला 'AI ने काढलेला ३ वर्षांचा किंमत वाढीचा अंदाज' दाखवत असेल, तर सावध राहा. TU Wien विद्यापीठातील संशोधकांनी नुकत्याच प्रकाशित केलेल्या अभ्यासानुसार, अशा अंदाजांपैकी बहुतांश प्रत्यक्षात फसतात. हा निव्वळ अंदाज नाही, तर जून २०२६ मध्ये AGILE-GISS (Volume 7) या पीअर-रिव्ह्यूड जर्नलमध्ये प्रकाशित झालेल्या 'When Today's Accuracy Fails Tomorrow' या संशोधन पत्राचा ठाम निष्कर्ष आहे.
थेट उत्तर: AI किंमत अंदाज कितपत विश्वासार्ह आहे?
ख्रिस्तोफर क्मेन, गेऱ्हार्ड नावरातिल आणि इओनिस जियानोपुलोस या TU Wien च्या संशोधकांनी दाखवले की, स्पेस-अवेअर रिअल इस्टेट किंमत मॉडेल्स ऐतिहासिक डेटावर (in-sample) ९०% पेक्षा जास्त अचूकता दाखवतात, पण खऱ्याखुऱ्या भविष्यातील कालखंडावर तपासले असता ही अचूकता ६०-७०% किंवा त्याखालीही घसरते. यामागचे मुख्य कारण आहे 'टेम्पोरल व्हॅलिडेशन बायस' म्हणजे मॉडेल ट्रेनिंगच्या वेळीच भविष्यातील डेटाकडे अप्रत्यक्षपणे 'डोकावून' पाहते, ज्यामुळे त्याची कामगिरी प्रत्यक्षापेक्षा जास्त चांगली दिसते.
समस्या नेमकी कुठे आहे?
इथे अल्गोरिदम स्वतः दोषी नाहीत. समस्या आहे आपण त्यांची पडताळणी कशी करतो यात. बहुतांश मॉडेल्स १ ते ६ महिन्यांच्या अल्पकालीन कालखंडावर तपासली जातात, ज्यामुळे अचूकतेचा एक भ्रामक आत्मविश्वास तयार होतो. पण जेव्हा हाच अंदाज २ ते ५ वर्षांच्या दीर्घकालीन गुंतवणुकीसाठी वापरला जातो, तेव्हा नियामक बदल, जागतिक आर्थिक धक्के आणि मागणीतील चढ-उतार यांसारखे घटक एकत्र येऊन चुकांचे प्रमाण अनेक पटींनी वाढते.
कोणते AI मॉडेल सर्वात चांगले काम करते?
तपासलेल्या सर्व पद्धतींपैकी XGBoost आणि एन्सेम्बल मॉडेल्स यांनी सर्वोत्तम कामगिरी दाखवली. मात्र संशोधकांनी स्पष्ट बजावले आहे की, भविष्यातील कालखंडावर आउट-ऑफ-सॅम्पल टेस्टिंग केल्याशिवाय हीदेखील मॉडेल्स पूर्णपणे विश्वासार्ह मानता येणार नाहीत.
थायलंडमध्ये डेटाची कमतरता का जास्त जाणवते?
दर्जेदार व्यवहार डेटा मिळणे कुठेही अवघड असते, पण थायलंडमध्ये ही समस्या युरोपपेक्षा जास्त तीव्र आहे. युरोपमधील प्रॉपर्टी ट्रान्झॅक्शन रजिस्ट्री अधिक पारदर्शक असतात, तर थायलंडमध्ये प्रत्यक्ष विक्री किंमतीची अधिकृत नोंद मिळवणे तुलनेने कठीण जाते. यामुळे मॉडेल्सना प्रशिक्षित करण्यासाठी वापरला जाणारा डेटाच अपुरा राहतो.
बँकॉक आणि फुकेतमधील डेव्हलपर्स AI वापरतात का?
होय, बँकॉक आणि फुकेतमधील मोठे डेव्हलपर्स किंमत ठरवण्यासाठी आणि मागणीचे विश्लेषण करण्यासाठी AI टूल्स आधीच वापरत आहेत. पण कोणताही ओळखीचा मोठा डेव्हलपर अंतिम निर्णयासाठी पूर्णपणे मशीन मॉडेलवर अवलंबून नाही, मानवी तज्ज्ञांची अंतिम पडताळणी कायम असतेच.
जुलै २०२६ मध्ये आलेल्या Goldman Sachs च्या एका रिसर्च नोटनुसार, AI रिअल इस्टेट क्षेत्रातील नोकऱ्या संपवत नाही, तर त्यांची रचना बदलत आहे. जे एजंट आणि गुंतवणूकदार AI टूल्स आत्मसात करत आहेत, ते जुन्या पद्धतींवर अवलंबून राहणाऱ्यांपेक्षा जास्त कमाई करत असल्याचे दिसून आले आहे.
फुकेतच्या बाजाराचा परिपक्वपणा एका आकडेवारीतून स्पष्ट होतो: डिसेंबर २०२५ ते मे २०२६ या काळात एकट्या फुकेतमध्ये ५४,६२८ खऱ्या चौकशी नोंदल्या गेल्या, त्यापैकी ७१% भाड्यासाठी आणि २९% खरेदीसाठी होत्या. यावरून स्पष्ट होते की AI-आधारित मागणी विश्लेषण आता या प्रदेशातील प्रत्यक्ष निर्णयांवर परिणाम करत आहे.
मराठी गुंतवणूकदारांसाठी व्यावहारिक मार्गदर्शक
जर तुम्ही २०२६ मध्ये थायलंडमधील प्रॉपर्टीसाठी AI टूल्स हुशारीने वापरायचे ठरवले असेल, तर खालील क्रम अवलंबा.
१. तुम्हाला नेमके कोणते विश्लेषण हवे आहे ते ठरवा
तीन पातळ्या आहेत: मार्केट स्क्रीनिंग (आशादायक ठिकाणे शोधणे), वैयक्तिक प्रॉपर्टीचे मूल्यांकन (तुलनात्मक विक्रीचे विश्लेषण), आणि यील्ड फोरकास्टिंग. पहिल्या दोनसाठी AI आधीच चांगले काम करते. तिसऱ्यासाठी अजून तसे नाही.
२. ओपन डेटासोबत पडताळणी करा
DDproperty आणि Hipflat सारखी प्लॅटफॉर्म्स जिल्हानिहाय किंमत निर्देशांक प्रकाशित करतात. AI मॉडेलने दिलेला निकाल गेल्या ३ वर्षांतील प्रत्यक्ष किंमत बदलाशी ताडून पाहा. जर फरक १५% पेक्षा जास्त असेल, तर त्या मॉडेलवर विश्वास ठेवू नका.
३. आउट-ऑफ-सॅम्पल पडताळणीची मागणी करा
२०२६ च्या AGILE-GISS अभ्यासाने हे स्पष्ट सांगितले आहे: जे मॉडेल केवळ ऐतिहासिक डेटावर (in-sample) तपासले गेले आहे, त्यावर विश्वास ठेवण्याची गरज नाही. AI अंदाज देणाऱ्या कोणालाही विचारा की मॉडेल ट्रेनिंग दरम्यान 'न पाहिलेल्या' डेटावर तपासले गेले आहे का.
४. तुमच्या लक्ष्य क्षेत्राबद्दलचा विशिष्ट डेटा जमा करा
चांगल्या दर्जाने नोंदणी केलेल्या भागांत AI मॉडेल्स जास्त अचूक असतात. फुकेत (बांग ताओ, लगुना), बँकॉक (सुखुमवित, सिलोम) आणि पटाया (वोंगामत) येथे पुरेसा डेटा उपलब्ध आहे. क्राबी किंवा कोह समुई सारख्या कमी नोंदवलेल्या भागांत मॉडेल्सची अचूकता लक्षणीयरीत्या कमी दिसते.
५. तुमच्या इन्स्पेक्शन ट्रिपची फ्लाइट आधीच बुक करा
प्रत्यक्ष जागेवर जाऊन प्रॉपर्टी पाहण्याला पर्याय नाही. AI तुम्हाला आकडे दाखवू शकते, पण बांधकामाचा दर्जा, प्रत्यक्ष इन्फ्रास्ट्रक्चरची स्थिती किंवा परिसराचे खरे वातावरण AI सांगू शकत नाही.
६. अंतिम खात्री करण्यासाठी स्थानिक तज्ज्ञ सोबत घ्या
AI हा पहिल्या टप्प्याचा फिल्टर आहे. तो २०० पर्यायांतून १० निवडून देतो. पण स्थानिक कायदा, डेव्हलपरची विश्वासार्हता आणि प्रोजेक्ट-विशिष्ट बारकावे समजणाऱ्या व्यक्तीचाच अंतिम निर्णय असावा. यासाठीच थायलंड मालमत्ता सारख्या स्थानिक तज्ज्ञांची मदत उपयुक्त ठरते.
७. तुमचा डेटा दर ३-६ महिन्यांनी अपडेट करा
थायलंडचा बाजार वेगाने बदलतो. २०२५ च्या सुरुवातीच्या डेटावर प्रशिक्षित मॉडेल बँकॉकमधील BTS विस्तारासारखे नवे इन्फ्रास्ट्रक्चर प्रोजेक्ट्स किंवा व्हिसा धोरणातील बदल लक्षात घेऊ शकत नाही.
सारांश: AI वापरा, पण अंतिम निर्णय स्वतःचा ठेवा
AGILE-GISS २०२६ च्या अभ्यासातून मिळणारा मुख्य धडा सोपा आहे: रिअल इस्टेटमध्ये AI हे एक ताकदवान विश्लेषणात्मक साधन आहे, पण भविष्याचा अंदाज लावण्यासाठी ते फारसे विश्वासार्ह नाही. मोठा डेटा प्रोसेस करणे आणि पॅटर्न ओळखणे यासाठी AI उत्तम आहे, पण अंतिम रणनीतिक निर्णय तज्ज्ञांचे विश्लेषण, स्थानिक बाजाराची समज आणि सामान्य समजशक्ती यांच्याच आधारावर घ्यावा.
स्रोत: Thaiger