การประเมินมูลค่าอสังหาริมทรัพย์โดยใช้การวิเคราะห์การถดถอย – บทช่วยสอน

บทสรุปผู้บริหาร

บ่อยครั้งในธุรกิจอสังหาริมทรัพย์ กระบวนการประเมินมูลค่าอาจดูเหมือนเป็นการดูดนิ้วหัวแม่มือ นายหน้าจะเข้ามา เตะยางที่เลื่องลือ แล้วสร้างมูลค่าโดยประมาณด้วยความเข้าใจ "เชิงปริมาณ" เพียงเล็กน้อย บางทีกระบวนการอาจรุนแรงขึ้นจากความผูกพันทางอารมณ์ที่เจ้าของทรัพย์สินนำมาซึ่งสำหรับหลาย ๆ คน บ้านจะเป็นการลงทุนทางการเงินที่ใหญ่ที่สุดในชีวิต

ยังมีวิธีการที่จะบ้านี้ เอาละสามจะแม่นยำ

มูลค่าทรัพย์สินเป็นอย่างไร?

วิธีการขายที่เทียบเคียงกันนั้นพบได้บ่อยที่สุดในอสังหาริมทรัพย์เพื่อการอยู่อาศัยและใช้การขายอสังหาริมทรัพย์ที่คล้ายคลึงกันล่าสุดเพื่อกำหนดมูลค่าของทรัพย์สินตามหัวข้อ ราคาขายของ "คอมพ์" จะถูกปรับตามความแตกต่างระหว่างพวกเขาและทรัพย์สินของเรื่อง ตัวอย่างเช่น หากทรัพย์สินที่เปรียบเทียบได้มีห้องน้ำเพิ่มเติม มูลค่าห้องน้ำโดยประมาณจะถูกหักออกจากราคาขายที่สังเกตได้

อสังหาริมทรัพย์เพื่อการพาณิชย์ถือว่ามีความต่างกันมากกว่า ดังนั้นจึงใช้วิธีการขายที่เปรียบเทียบกันได้ไม่บ่อยนัก แนวทางรายได้ตามแนวคิดที่ว่ามูลค่าที่แท้จริงของสินทรัพย์เทียบเท่ากับผลรวมของกระแสเงินสดคิดลดทั้งหมด มักใช้ในสองวิธี:

1. คล้ายกับมูลค่าปัจจุบันของเงินรายปี วิธีการแปลงเป็นทุนโดยตรงจะใช้รายได้จากการดำเนินงานสุทธิ (NOI) ของทรัพย์สินหารด้วย "อัตราสูงสุด" เพื่อสร้างมูลค่า อัตราสูงสุดประกอบด้วยอัตราคิดลดโดยนัยและอัตราการเติบโตของรายได้จากการดำเนินงานสุทธิในอนาคต
2. วิธีคิดลดกระแสเงินสดแสดงมูลค่าปัจจุบันของกระแสเงินสดในอนาคตในช่วงระยะเวลาที่กำหนด โดยมีมูลค่าปลายทางที่ประมาณจากการใช้อัตราขั้วขั้ว

เทคนิคสุดท้ายคือวิธีต้นทุน ซึ่งประเมินมูลค่าตามต้นทุนในการจัดหาที่ดินที่เหมือนกันและสร้างแบบจำลองของทรัพย์สินดังกล่าว จากนั้นต้นทุนของโครงการจะถูกคิดค่าเสื่อมราคาตามสถานะปัจจุบันของความล้าสมัยของทรัพย์สินเรื่อง เช่นเดียวกับการปรับเปลี่ยนวิธีการขายที่เทียบเคียงได้ เป้าหมายคือการจับคู่ทรัพย์สินตามหัวข้ออย่างใกล้ชิด แนวทางต้นทุนมักใช้น้อยกว่าอีกสองวิธี

วิธีการประเมินมูลค่าอสังหาริมทรัพย์แบบดั้งเดิมทั้งหมดเป็นแบบอัตนัย เนื่องจากการเลือกปัจจัยการผลิตที่ใช้สำหรับการประเมินมูลค่า ตัวอย่างเช่น การเลือกอัตรา cap มีผลกระทบอย่างมีนัยสำคัญต่อการประเมินมูลค่าทรัพย์สิน: เมื่อประเมินมูลค่าทรัพย์สินด้วย NOI ที่ 1 ล้านเหรียญสหรัฐ อัตราเพดานที่เพิ่มขึ้น 4% (จาก 6% เป็น 10%) จะลดมูลค่าของ ทรัพย์สิน 40% (แผนภูมิด้านล่าง)

ประโยชน์ของการใช้แบบจำลองการถดถอยในการประเมินมูลค่าอสังหาริมทรัพย์

มีประโยชน์มากมายในการใช้แบบจำลองการถดถอยสำหรับการประเมินมูลค่าอสังหาริมทรัพย์ อุตสาหกรรมค้าปลีกยอมรับการใช้งานในการเลือกไซต์ แต่อุตสาหกรรมอสังหาริมทรัพย์ส่วนใหญ่มองข้ามข้อได้เปรียบที่อาจเกิดขึ้น การวิเคราะห์การถดถอยเหมาะอย่างยิ่งสำหรับการวิเคราะห์ข้อมูลจำนวนมาก แทบจะเป็นไปไม่ได้เลยที่จะมีความรู้ที่แข็งแกร่งเกี่ยวกับตลาดอสังหาริมทรัพย์ในท้องถิ่นทุกแห่งในประเทศ แต่แบบจำลองการถดถอยสามารถช่วยจำกัดการค้นหาให้แคบลงได้

1. ความยืดหยุ่น

ประโยชน์สูงสุดของการใช้แบบจำลองการถดถอยคือความยืดหยุ่นโดยธรรมชาติ - สามารถทำงานเป็นอิสระจากแบบจำลองอื่นหรือร่วมกับแบบจำลองเหล่านี้ได้

แนวทางที่ตรงที่สุดคือการใช้ข้อมูลการขายที่มีอยู่เพื่อคาดการณ์มูลค่าของทรัพย์สินที่เป็นผลลัพธ์ของแบบจำลอง มีแหล่งข้อมูลฟรีมากมายจากหน่วยงานท้องถิ่น รัฐ และรัฐบาลกลาง ซึ่งสามารถเสริมด้วยผู้ให้บริการข้อมูลส่วนตัวได้

อีกทางเลือกหนึ่งคือการใช้ตัวแบบการถดถอยเพื่อคาดการณ์ข้อมูลป้อนเข้าสำหรับวิธีการประเมินมูลค่าแบบเดิมอื่นๆ ได้แม่นยำยิ่งขึ้น ตัวอย่างเช่น เมื่อวิเคราะห์โครงการเชิงพาณิชย์แบบผสมผสาน นักพัฒนาสามารถสร้างแบบจำลองหนึ่งแบบเพื่อคาดการณ์ยอดขายต่อตารางฟุตสำหรับพื้นที่ค้าปลีก และอีกรูปแบบหนึ่งเพื่อคาดการณ์อัตราค่าเช่าสำหรับชิ้นส่วนที่อยู่อาศัย ทั้งสองอย่างนี้สามารถใช้เป็นข้อมูลเข้าสู่แนวทางรายได้สำหรับการประเมินมูลค่าได้

2. แนวทางวัตถุประสงค์

การใช้หลักการทางสถิติที่ดีจะทำให้การประเมินมูลค่าเป็นไปตามวัตถุประสงค์มากขึ้น เป็นวิธีที่ดีที่สุดวิธีหนึ่งในการหลีกเลี่ยงอคติในการยืนยัน ซึ่งเกิดขึ้นเมื่อผู้คนค้นหาข้อมูลที่ยืนยันความคิดเห็นที่มีอยู่ก่อนหรือปฏิเสธข้อมูลใหม่ที่ขัดแย้งกับความคิดเห็น เมื่อฉันสร้างแบบจำลองสำหรับผู้ค้าปลีกเพื่อคาดการณ์ยอดขายในร้านใหม่ พวกเขามักจะแปลกใจที่รู้ว่าผู้ค้าปลีกจำนวนมากได้ประโยชน์จากการอยู่ใกล้คู่แข่ง อันที่จริง colocation กับ Walmart ซึ่งมักจะเป็นคู่แข่งรายใหญ่ที่สุดของพวกเขา เป็นหนึ่งในตัวแปรที่พบบ่อยที่สุดในแบบจำลองของฉัน การพึ่งพาอคติที่มีอยู่อาจนำไปสู่โอกาสที่พลาดไป หรือที่แย่กว่านั้นคือการซ่อนภัยพิบัติไว้ใกล้ตัว

ข้อได้เปรียบเชิงวัตถุประสงค์บางประการของการประเมินมูลค่าทางสถิติมีดังต่อไปนี้:

1. การวิเคราะห์ทางสถิติช่วยให้คุณกำหนดนัยสำคัญทางสถิติ (ความน่าเชื่อถือ) ของแต่ละปัจจัยในแบบจำลอง
2. แม้ว่าการวิเคราะห์สถานการณ์หรือความอ่อนไหวสามารถให้แนวคิดทั่วไปเกี่ยวกับการเปลี่ยนแปลงอินพุตในวิธีการแบบเดิม ๆ ได้ แต่ก็คล้ายกับการคาดการณ์หลาย ๆ ครั้งมากกว่าที่จะให้แนวคิดที่ดีขึ้นเกี่ยวกับความถูกต้องของการทำนายดั้งเดิม ในทางกลับกัน เมื่อสร้างแบบจำลองการถดถอย คุณจะรู้ว่าช่วงของผลลัพธ์จะขึ้นอยู่กับระดับความเชื่อมั่นที่แน่นอน

แบบจำลองการถดถอยมีความพิเศษตรงที่มีการตรวจสอบความถูกต้องในตัว หลังจากสร้างแบบจำลองจากกลุ่มตัวอย่างประชากรทั้งหมด คุณสามารถใช้แบบจำลองกับข้อมูลที่ไม่อยู่ในกลุ่มตัวอย่างเพื่อตรวจหาอคติในการสุ่มตัวอย่างที่เป็นไปได้

3. ยึดมั่นในความสามารถหลักของคุณ

วิธีการประเมินแบบดั้งเดิมทั้งหมดมีความเสี่ยงอย่างมากต่ออคติในการคัดเลือก เมื่อเลือกคุณสมบัติที่เปรียบเทียบกันได้ เป็นเรื่องง่ายมากที่จะตกหลุมพรางของการเลือกผลลัพธ์ที่ดีที่สุดและถือว่าสิ่งเหล่านั้นเหมือนกับโครงการของคุณมากที่สุด นอกจากนี้ยังมีการเน้นย้ำในการทำนายตัวแปร เช่น อัตราผลตอบแทนในแนวทางรายได้ การขจัดความจำเป็นในการคาดการณ์นี้อาจน่าสนใจสำหรับนักลงทุนด้านอสังหาริมทรัพย์หลายราย ซึ่งเป็นเหตุผลว่าทำไมการประเมินมูลค่าตามการถดถอยจึงเป็นแนวทางที่มีประโยชน์

ปัญหาที่อาจเกิดขึ้นกับการวิเคราะห์การถดถอย

จำนวนเรื่องตลกที่อ้างถึงเปอร์เซ็นต์ที่แตกต่างกันของสถิติที่สร้างขึ้นนั้นเป็นเรื่องตลกในตัวเอง เราถูกทิ้งระเบิดเกือบทุกวันด้วยหัวข้อข่าวของสื่อเกี่ยวกับผลการศึกษาวิจัยใหม่ ซึ่งหลายๆ เรื่องดูเหมือนจะขัดแย้งกับการศึกษาที่ตีพิมพ์เมื่อปีที่แล้ว ในโลกของเสียงกัดฟัน ไม่มีเวลาที่จะพูดถึงความเข้มงวดของวิธีการที่นักวิจัยใช้

การวิเคราะห์การถดถอยมีหลายประเภท แต่ที่พบบ่อยที่สุดคือการถดถอยเชิงเส้น มีข้อสันนิษฐานบางประการเกี่ยวกับการถดถอยเชิงเส้นที่ไม่ควรละเมิดเพื่อพิจารณาว่าแบบจำลองถูกต้อง การละเมิดสมมติฐานเหล่านี้จะบิดเบือนการทดสอบทางสถิติที่คำนวณกำลังการทำนายของปัจจัยนำเข้าและแบบจำลองโดยรวม

สมมติฐานการถดถอยเชิงเส้น

ควรมีความสัมพันธ์เชิงเส้นตรงระหว่างอินพุต (ตัวแปรอิสระ) และเอาต์พุต (ตัวแปรตาม) ตัวอย่างเช่น เราสามารถสมมติได้ว่ามีความสัมพันธ์เชิงเส้นตรงระหว่างตารางฟุตที่ร้อนในบ้านกับมูลค่าโดยรวม อย่างไรก็ตาม เนื่องจากผลตอบแทนที่ลดลง เราสามารถค้นพบว่าความสัมพันธ์ไม่เป็นเชิงเส้น ซึ่งจำเป็นต้องมีการแปลงข้อมูลดิบ

ตัวแปรอิสระไม่ควรสุ่ม พูดง่ายๆ ก็คือ การสังเกตสำหรับตัวแปรอิสระแต่ละตัวในแบบจำลองได้รับการแก้ไขแล้วและถือว่าไม่มีข้อผิดพลาดในการวัด ตัวอย่างเช่น หากเราใช้จำนวนยูนิตเพื่อสร้างแบบจำลองมูลค่าของอาคารอพาร์ตเมนต์ อาคารทั้งหมดในข้อมูลตัวอย่างของเราจะมีจำนวนยูนิตที่แน่นอนซึ่งจะไม่เปลี่ยนแปลง ไม่ว่าเราจะสร้างแบบจำลองอย่างไร

“ค่าคงเหลือ” ของแบบจำลอง (กล่าวคือ ความแตกต่างระหว่างผลที่คาดการณ์ไว้ของแบบจำลองกับการสังเกตที่เกิดขึ้นจริง) จะรวมกันเป็น 0 หรือในแง่ที่ง่ายกว่า: แบบจำลองที่เราจะใช้จะแสดงแนวที่เหมาะสมที่สุด

แบบจำลองควรแม่นยำสำหรับการสังเกตทั้งหมดสำหรับตัวแปรอิสระแต่ละตัว หากเราทำนายมูลค่าของบ้านโดยใช้พื้นที่เป็นตารางฟุต เราก็ไม่ต้องการใช้แบบจำลองนี้หากทำนายค่าบ้านที่มีขนาดต่ำกว่า 1,500 ตารางฟุตได้แม่นยำอย่างยิ่งยวด แต่มีข้อผิดพลาดจำนวนมากสำหรับบ้านมากกว่า 3,000 หลัง ตารางฟุต. สิ่งนี้เรียกว่า heteroscedasticity

ปัญหาที่พบบ่อยที่สุดประการหนึ่งเกี่ยวกับการถดถอยเชิงเส้นเมื่อดูที่อุตสาหกรรมอสังหาริมทรัพย์คือความสัมพันธ์ของข้อผิดพลาดที่เหลือระหว่างการสังเกต คุณสามารถคิดได้ว่านี่เป็นสัญญาณรบกวนสีขาวที่ไม่มีลวดลาย อย่างไรก็ตาม หากมีรูปแบบของเศษตกค้าง มีแนวโน้มมากที่สุดที่เราต้องทำการปรับเปลี่ยน ปัญหานี้ยากที่จะกำหนดแนวความคิด แต่มีสองประเด็นหลักที่เป็นปัญหาในอุตสาหกรรมอสังหาริมทรัพย์

1. ความสัมพันธ์อัตโนมัติ

การสร้างแบบจำลองจากการสังเกตการณ์เป็นระยะเวลานานไม่เหมาะสำหรับการทำนายค่าปัจจุบัน สมมติว่าเราสร้างแบบจำลองเพื่อทำนายมูลค่าทรัพย์สินของโรงแรมโดยใช้ราคาห้องพักเฉลี่ยเป็นตัวแปรอิสระ พลังการทำนายของตัวแปรนี้อาจทำให้เข้าใจผิดได้เนื่องจากราคาห้องพักเพิ่มขึ้นอย่างสม่ำเสมอเมื่อเวลาผ่านไป ในแง่สถิติ มีความสัมพันธ์อัตโนมัติระหว่างอัตราห้องพักเฉลี่ยที่สังเกตพบซึ่งแสดงแนวโน้มเชิงบวกเมื่อเวลาผ่านไป (เช่น อัตราเงินเฟ้อ) ซึ่งจะไม่นำมาพิจารณาในแบบจำลอง วิธีการขายแบบเปรียบเทียบแบบเดิมๆ ที่ใช้กันอย่างแพร่หลายในอสังหาริมทรัพย์เพื่อการอยู่อาศัยช่วยขจัดปัญหานี้ได้โดยใช้ข้อมูลล่าสุดเท่านั้น เนื่องจากมีจำนวนธุรกรรมทางการค้าน้อยกว่ามาก การจำกัดเวลานี้มักจะทำให้วิธีการขายที่เทียบเคียงกันไม่ได้ผล อย่างไรก็ตาม มีเทคนิคที่ใช้การถดถอยเชิงเส้นที่สามารถเอาชนะปัญหาความสัมพันธ์อัตโนมัติได้

ผลกระทบของคลัสเตอร์ยังเป็นความท้าทายที่สำคัญในการสร้างแบบจำลองการประเมินมูลค่าอสังหาริมทรัพย์ นี่ถือได้ว่าเป็นความสัมพันธ์อัตโนมัติเชิงพื้นที่ วิธีที่ง่ายที่สุดในการคิดปัญหานี้คือการจินตนาการถึงการสร้างแบบจำลองเพื่อทำนายมูลค่าของบ้านในสองย่าน (A และ B) ทั้งสองข้างของทางหลวง โดยรวมแล้ว โมเดลอาจทำงานได้ดีในการทำนายค่า แต่เมื่อเราตรวจสอบข้อผิดพลาดที่เหลือ เราจะสังเกตเห็นว่ามีรูปแบบอยู่ บ้านในละแวก A มักจะประเมินราคาสูงเกินไปประมาณ 10% และบ้านในละแวก B นั้นประเมินราคาต่ำเกินไปประมาณ 10% เพื่อปรับปรุงแบบจำลองของเรา เราต้องคำนึงถึงผลกระทบของคลัสเตอร์นี้หรือสร้างแบบจำลองหนึ่งแบบสำหรับแต่ละย่าน

2. ความหลากหลายทางชีวภาพ

ตามหลักการแล้ว ตัวแปรภายในแบบจำลองจะไม่สัมพันธ์กัน ปัญหานี้ที่ทราบเรียกว่า multicollinearity การใช้พื้นที่ทั้งตารางฟุตและจำนวนจุดจอดรถเป็นปัจจัยป้อนเข้าสู่แบบจำลองการประเมินมูลค่าห้างสรรพสินค้าระดับภูมิภาคน่าจะแสดงให้เห็นถึงความหลากหลายในการทำงานร่วมกัน นี่เป็นสิ่งที่เข้าใจได้ง่ายเนื่องจากรหัสการวางแผนมักต้องการจุดจอดรถจำนวนหนึ่งโดยพิจารณาจากพื้นที่เป็นตารางฟุตของพื้นที่เชิงพาณิชย์ ในตัวอย่างนี้ การลบตัวแปรตัวใดตัวหนึ่งจะทำให้การประเมินแบบจำลองที่ปรับปรุงได้แม่นยำยิ่งขึ้นโดยไม่ลดกำลังการทำนายลงอย่างมาก

ข้อควรพิจารณาอื่น ๆ

การใช้ข้อมูลที่สังเกตได้เป็นแกนหลักของแนวทางเชิงประจักษ์ใดๆ แต่สิ่งสำคัญคือต้องจำไว้ว่าผลลัพธ์ในอดีตไม่ได้ทำนายอนาคตเสมอไป สินทรัพย์ที่ไม่มีสภาพคล่องเช่นอสังหาริมทรัพย์มีความเสี่ยงต่อการเปลี่ยนแปลงในวัฏจักรธุรกิจโดยเฉพาะ พลังการทำนายสำหรับตัวแปรบางตัวมีแนวโน้มที่จะเปลี่ยนแปลงตามสภาวะเศรษฐกิจในปัจจุบัน ปัญหานี้ไม่ได้เกิดขึ้นเฉพาะกับการถดถอยเชิงเส้นและพบได้ด้วยวิธีการแบบเดิมเช่นกัน

ความสัมพันธ์ไม่เท่ากับสาเหตุ จุดประสงค์ของการสร้างแบบจำลองคือการค้นหาตัวแปรที่มีประโยชน์ที่จะทำการคาดคะเนได้ คุณต้องระวังความสัมพันธ์ปลอมๆ คุณอาจจะแปลกใจที่รู้ว่าอัตราการหย่าร้างในรัฐเมนกับการบริโภคมาการีนต่อหัวมีความสัมพันธ์กันอย่างมาก อย่างไรก็ตาม การใช้ข้อมูลการหย่าร้างจากรัฐเมนจะไม่สมเหตุสมผลหากคุณพยายามคาดการณ์ยอดขายมาร์การีนในอนาคต

ตัวอย่างจริงของการประเมินมูลค่าอสังหาริมทรัพย์ผ่านการถดถอย

ตอนนี้ มาประยุกต์ใช้ความรู้นี้ในทางปฏิบัติ และสร้างแบบจำลองเชิงเส้นตั้งแต่ต้นจนจบ สำหรับตัวอย่างของเรา เราจะพยายามสร้างแบบจำลองการประเมินมูลค่าอสังหาริมทรัพย์ที่คาดการณ์มูลค่าของบ้านเดี่ยวใน Alleghany County รัฐเพนซิลเวเนีย การเลือกอัลเลกานีเคาน์ตี้นั้นเป็นสิ่งที่ไม่แน่นอน และผู้บริหารที่แสดงให้เห็นจะใช้ได้ในทุกสถานที่ เราจะใช้ Excel และ SPSS ซึ่งเป็นซอฟต์แวร์ทางสถิติที่ใช้กันทั่วไป

กำลังหาข้อมูล

การค้นหาข้อมูลที่มีคุณภาพเป็นขั้นตอนแรกในการสร้างแบบจำลองที่แม่นยำและอาจสำคัญที่สุด แม้ว่าเราทุกคนเคยได้ยินคำว่า "ขยะเข้า ขยะออก" สิ่งสำคัญคือต้องจำไว้ว่าไม่มีชุดข้อมูลที่สมบูรณ์แบบ นี่เป็นเรื่องปกติตราบใดที่เราสามารถสรุปได้ว่าข้อมูลตัวอย่างเป็นตัวแทนของประชากรทั้งหมด แหล่งข้อมูลหลักสามแหล่งของข้อมูลอสังหาริมทรัพย์:

1. แหล่งข้อมูลแรกและมักจะดีที่สุดมาจากหน่วยงานของรัฐ ข้อมูลส่วนใหญ่นี้ฟรีหรือมีค่าใช้จ่ายค่อนข้างต่ำ บริษัทหลายแห่งจะเรียกเก็บเงินจากคุณสำหรับข้อมูลที่คุณสามารถรับได้ฟรีๆ อย่างง่ายดาย ดังนั้นควรดูข้อมูลบนอินเทอร์เน็ตอย่างรวดเร็วก่อนซื้อข้อมูล การค้นหาเว็บมักจะให้ผลลัพธ์โดยการค้นหาเคาน์ตีหรือเมืองที่คุณกำลังมองหาและคำเช่น "ผู้ประเมินภาษี", "การประเมินภาษี", "บันทึกอสังหาริมทรัพย์" หรือ "การค้นหาโฉนด" แผนกระบบสารสนเทศทางภูมิศาสตร์ (GIS) เป็นหนึ่งในส่วนที่ถูกมองข้ามมากที่สุดในหลายชุมชน พวกเขามักจะมีข้อมูลจำนวนมากที่รวบรวมมาจากหน่วยงานท้องถิ่นอื่นๆ ในฐานะนักพัฒนาอสังหาริมทรัพย์ ฉันมักจะอาศัยความช่วยเหลือจากพวกเขาในการค้นหาข้อมูลคุณภาพสูงซึ่งฉันใช้ในการสร้างแบบจำลองเพื่อช่วยค้นหาอสังหาริมทรัพย์ใหม่สำหรับการพัฒนา องค์กรพัฒนาเศรษฐกิจสามารถเป็นแหล่งข้อมูลที่ยอดเยี่ยมได้เช่นกัน
2. ผู้ขายที่แสวงหาผลกำไรเป็นอีกทางเลือกหนึ่ง มีประโยชน์อย่างยิ่งเมื่อคุณกำลังมองหาข้อมูลในหลายพื้นที่ ตรวจสอบให้แน่ใจว่าคุณทำการบ้านของคุณก่อนที่จะจ่ายเงินจำนวนมากสำหรับข้อมูลของพวกเขา อย่าใช้แต่ชุดข้อมูลตัวอย่างเท่านั้น เพราะอาจทำให้เข้าใจผิดในแง่ของความครบถ้วนสมบูรณ์ หากคุณมีข้อสงสัยเกี่ยวกับข้อมูลที่มีอยู่ โปรดติดต่อตัวแทนโดยตรงหรือสอบถามเกี่ยวกับการรับประกันคืนเงิน
3. สุดท้าย บริการหลายรายการในพื้นที่ (MLS) เป็นทรัพยากรอันล้ำค่า อสังหาริมทรัพย์ส่วนใหญ่ทำการตลาดผ่านตัวแทนอสังหาริมทรัพย์ที่เป็นสมาชิกของ MLS โดยทั่วไป สมาชิกของ MLS จะต้องใส่รายชื่อทั้งหมดของตนลงในระบบท้องถิ่น น่าเสียดาย มักจะมีข้อจำกัดมากมายในการเข้าร่วม MLS และค่าใช้จ่ายในการเข้าถึงข้อมูลก็ค่อนข้างสูง สิ่งสำคัญคือต้องแน่ใจว่าคุณไม่ได้ละเมิดข้อกำหนดในการให้บริการเมื่อใช้ข้อมูลของพวกเขา และเปิดเผยตัวเองต่อความรับผิดที่อาจเกิดขึ้น

เราจะใช้เฉพาะข้อมูลฟรีสำหรับตัวอย่างของเรา ซึ่งได้มาจากศูนย์ข้อมูลภูมิภาคเวสเทิร์นเพนซิลเวเนียและสำนักสำรวจสำมะโนประชากรของสหรัฐฯ ข้อมูลการขายอสังหาริมทรัพย์ของ Alleghany จะให้ไฟล์พื้นฐานสำหรับการสังเกตของเราโดยมีราคาขายเป็นตัวแปรตาม (ตัวแปร Y) เราจะทำการทดสอบตัวแปรโดยใช้คะแนนการเดินสำหรับแต่ละสำมะโนและข้อมูลการประเมินภาษี

ตัวแปรที่มีประโยชน์มากอย่างหนึ่งในการสร้างแบบจำลองอสังหาริมทรัพย์คือละติจูดและลองจิจูดของแต่ละที่อยู่ คุณสามารถรับข้อมูลนี้ผ่าน geocoder ซึ่งใช้ที่อยู่เพื่อกำหนดละติจูดและลองจิจูด นอกจากนี้ Geocoder ของสำนักสำรวจสำมะโนของสหรัฐฯ ยังจะระบุช่องทางการสำรวจสำมะโนสำหรับแต่ละสถานที่ ซึ่งโดยทั่วไปแล้วจะใช้เพื่อรวบรวมข้อมูลทางประชากรศาสตร์และจิตวิทยา

วิเคราะห์ เปลี่ยนแปลง และสร้างตัวแปรใหม่

ตอนนี้เราได้เลือกแหล่งข้อมูลแล้ว เราต้องตรวจสอบคุณภาพของข้อมูล วิธีที่ง่ายที่สุดในการตรวจสอบคุณภาพข้อมูลคือการเรียกใช้ตารางความถี่สำหรับตัวแปรหลักบางตัว หากมีรายการที่สูญหายหรือเสียหายจำนวนมาก เราจะต้องตรวจสอบข้อมูลเพิ่มเติม ตารางด้านล่างแสดงให้เห็นว่ามีเพียง 1 ใน 216,498 ระเบียนที่มีรหัสไปรษณีย์ที่ขาดหายไปในไฟล์การขาย และไม่มีรหัสไปรษณีย์ที่ผิดพลาด เช่น 99999 หรือ 1X#45 นี่น่าจะบ่งชี้ว่านี่เป็นชุดข้อมูลคุณภาพสูง

พจนานุกรมข้อมูลเป็นแหล่งข้อมูลที่ยอดเยี่ยมเมื่อมี มันจะให้คำอธิบายว่าตัวแปรแต่ละตัวกำลังวัดอะไร และตัวเลือกที่เป็นไปได้สำหรับตัวแปรนั้น ข้อมูลของเราประกอบด้วยการวิเคราะห์การขายแต่ละครั้งที่ทำในเคาน์ตี นี่เป็นข้อมูลสำคัญ โดยเฉพาะอย่างยิ่งเมื่อทำงานกับบันทึกโฉนด ธุรกรรมอสังหาริมทรัพย์ทั้งหมดต้องได้รับการบันทึกเพื่อให้บังคับใช้ได้ตามกฎหมาย แต่การโอนทั้งหมดไม่ได้สะท้อนถึงมูลค่าตลาดที่แท้จริงของทรัพย์สิน ตัวอย่างเช่น การขายระหว่างสมาชิกในครอบครัวสองคนอาจต่ำกว่าราคาตลาดเพื่อเป็นของขวัญหรือเพื่อหลีกเลี่ยงการจ่ายต้นทุนการทำธุรกรรมที่สูงขึ้นเช่นแสตมป์โฉนด โชคดีสำหรับเรา รัฐบาลท้องถิ่นทำเครื่องหมายการโอนอย่างชัดเจนว่าพวกเขาเชื่อว่าไม่ได้เป็นตัวแทนของมูลค่าตลาดในปัจจุบัน ดังนั้นเราจะใช้เฉพาะบันทึกที่สะท้อนถึง "การขายที่ถูกต้อง" เท่านั้น การขายเหล่านี้คิดเป็นเพียง 18% ของจำนวนธุรกรรมทั้งหมด ซึ่งแสดงให้เห็นว่าการทำความเข้าใจข้อมูลของคุณมีความสำคัญเพียงใดก่อนที่คุณจะเริ่มใช้สำหรับการวิเคราะห์ จากประสบการณ์ของฉันอัตราส่วนนี้ค่อนข้างธรรมดาเมื่อวิเคราะห์บันทึกโฉนด มีแนวโน้มสูงว่าหากเราสร้างแบบจำลองที่มี "ยอดขายที่ไม่ถูกต้อง" ผลลัพธ์สุดท้ายของเราจะถูกบิดเบือน

ต่อไป เราจะผนวกข้อมูลการประเมินของเราและคะแนนเดินไปยังไฟล์การขาย สิ่งนี้ทำให้เรามีตารางเดียวสำหรับใช้กับแบบจำลองของเรา ณ จุดนี้ เราต้องวิเคราะห์ตัวแปรเพื่อดูว่าเหมาะสมกับการถดถอยเชิงเส้นหรือไม่ ด้านล่างเป็นตารางแสดงตัวแปรประเภทต่างๆ

ไฟล์ของเรามีค่าเล็กน้อยหลายอย่าง เช่น บริเวณใกล้เคียงหรือรหัสไปรษณีย์ ซึ่งจัดหมวดหมู่ข้อมูลโดยไม่มีความเป็นระเบียบ ค่าที่กำหนดไม่เหมาะสมสำหรับการถดถอยเชิงเส้นโดยไม่มีการแปลง นอกจากนี้ยังมีตัวแปรลำดับหลายตัวที่ให้คะแนนคุณภาพของการก่อสร้าง สภาพปัจจุบันของทรัพย์สิน ฯลฯ การใช้ข้อมูลลำดับจะเหมาะสมก็ต่อเมื่อเราสามารถสรุปได้อย่างสมเหตุสมผลว่าแต่ละอันดับมีระยะห่างเท่ากัน ตัวอย่างเช่น ข้อมูลของเรามีตัวแปรเกรดที่มีการแบ่งประเภทที่แตกต่างกัน 19 แบบ (A+, A, A- เป็นต้น) ดังนั้นเราจึงสามารถสรุปได้อย่างปลอดภัยว่าเกรดเหล่านี้มีแนวโน้มว่าจะเว้นระยะเท่ากัน

นอกจากนี้ยังมีตัวแปรหลายตัวที่จำเป็นต้องแปลงก่อนที่เราจะสามารถใช้พวกมันในแบบจำลองได้ ค่าที่กำหนดหนึ่งค่าที่สามารถแปลงเป็นตัวแปรจำลองสำหรับการทดสอบได้คือตัวแปรการทำความร้อนและความเย็น เราจะตั้งค่าตัวแปรเป็น 0 สำหรับคุณสมบัติทั้งหมดที่ไม่มีเครื่องปรับอากาศ และรายการที่มีเครื่องปรับอากาศเป็น 1 นอกจากนี้ เกรดตัวอักษรจะต้องแปลงเป็นตัวเลข (เช่น 0=แย่ที่สุด, 1=ดีกว่า, 2=ดีที่สุด) เพื่อที่จะดู หากมีความสัมพันธ์เชิงเส้นกับราคา

สุดท้าย เราต้องพิจารณาว่าเหมาะสมหรือไม่ที่จะใช้ข้อสังเกตทั้งหมด เราต้องการคาดการณ์มูลค่าของบ้านเดี่ยว เพื่อที่เราจะสามารถขจัดทรัพย์สินเชิงพาณิชย์ คอนโด และทาวน์โฮมทั้งหมดออกจากข้อมูลได้ เรายังต้องการหลีกเลี่ยงปัญหาที่อาจเกิดขึ้นกับความสัมพันธ์อัตโนมัติ เราจึงใช้ข้อมูลสำหรับการขายในปี 2560 เพื่อจำกัดโอกาสที่สิ่งนี้จะเกิดขึ้นเท่านั้น หลังจากที่เรากำจัดระเบียนที่ไม่เกี่ยวข้องทั้งหมดแล้ว เราก็มีชุดข้อมูลสุดท้ายที่จะทำการทดสอบ

การเลือกตัวอย่างและตัวแปร

การเลือกขนาดตัวอย่างที่ถูกต้องอาจเป็นเรื่องยาก ในบรรดาเอกสารทางวิชาการ มีตัวเลขจำนวนน้อยที่สุดที่แนะนำและกฎทั่วไปที่หลากหลาย สำหรับการศึกษาของเรา ประชากรโดยรวมค่อนข้างมาก เราจึงไม่ต้องกังวลว่าจะเพียงพอสำหรับกลุ่มตัวอย่าง แต่เราเสี่ยงที่จะมีกลุ่มตัวอย่างขนาดใหญ่จนแทบทุกตัวแปรจะมีนัยสำคัญทางสถิติในแบบจำลอง ในท้ายที่สุด ประมาณ 10% ของระเบียนถูกสุ่มเลือกสำหรับการสร้างแบบจำลอง

การเลือกตัวแปรอาจเป็นหนึ่งในส่วนที่ยากที่สุดของกระบวนการโดยไม่ต้องใช้ซอฟต์แวร์ทางสถิติ อย่างไรก็ตาม SPSS ช่วยให้เราสามารถสร้างแบบจำลองจำนวนมากได้อย่างรวดเร็วจากการรวมกันของตัวแปรที่เราเห็นว่าเหมาะสมสำหรับการถดถอยเชิงเส้น SPSS จะกรองตัวแปรออกโดยอัตโนมัติตามเกณฑ์ของเราสำหรับนัยสำคัญทางสถิติและส่งคืนเฉพาะโมเดลที่ดีที่สุดเท่านั้น

การสร้างแบบจำลองและทบทวนผลลัพธ์

จากข้อมูลตัวอย่างของเรา SPSS ได้ผลิตแบบจำลองห้าแบบ แบบจำลองที่มีการทำนายมากที่สุดมีตัวแปร 5 ตัวต่อไปนี้

1. เกรดตามคุณภาพการก่อสร้าง อันดับ 1-19 (1=แย่มาก และ 19=ดีมาก)
2. พื้นที่ใช้สอยสำเร็จรูป
3. เครื่องปรับอากาศ (ใช่/ไม่ใช่)
4. ขนาดล็อต
5. เกรดตามสภาพร่างกายหรือสภาพการซ่อม ระดับ 1-8 (1=อยู่ไม่ได้ และ 8=ดีเยี่ยม)

มาดูผลลัพธ์จาก SPSS กัน จุดเน้นหลักของเราในขั้นต้นจะอยู่ที่ค่า R-squared ซึ่งจะบอกเราว่าเปอร์เซ็นต์ของความแปรปรวนในตัวแปรตาม (ราคา) คาดการณ์โดยการถดถอย ค่าที่ดีที่สุดคือ 1 และผลลัพธ์ของโมเดลของเราค่อนข้างมีแนวโน้ม ข้อผิดพลาดมาตรฐานของการประมาณการซึ่งวัดความแม่นยำของแบบจำลองนั้นดูค่อนข้างสูงที่ 73,091 ดอลลาร์ อย่างไรก็ตาม หากเราเปรียบเทียบกับส่วนเบี่ยงเบนมาตรฐานของราคาขายในรุ่น ($160,429) ข้อผิดพลาดก็ดูสมเหตุสมผล

SPSS มีฟังก์ชันในตัวเพื่อทดสอบความสัมพันธ์อัตโนมัติโดยใช้การทดสอบ Durbin-Watson ตามหลักการแล้ว ค่าจะเป็น 2.0 ในระดับ 0 ถึง 4 แต่ค่า 1.652 ไม่ควรทำให้เกิดการเตือน

ต่อไป เราจะทดสอบผลลัพธ์ของแบบจำลองเพื่อดูว่ามีหลักฐานของ heteroscedasticity หรือไม่ ไม่มีฟังก์ชันในตัวสำหรับ SPSS แต่ด้วยการใช้มาโครนี้ที่เขียนโดย Ahmad Daryanto เราสามารถใช้การทดสอบ Breusch-Pagan และ Koenker ได้ การทดสอบเหล่านี้แสดงให้เห็นว่าแบบจำลองของเรามีความแตกต่างกันเนื่องจากระดับนัยสำคัญ (Sig) ในแผนภูมิด้านล่างต่ำกว่า .005 แบบจำลองของเราได้ละเมิดหนึ่งในสมมติฐานดั้งเดิมของการถดถอยเชิงเส้น เป็นไปได้มากว่าตัวแปรหนึ่งในแบบจำลองจะต้องถูกแปลงเพื่อขจัดปัญหา อย่างไรก็ตาม ก่อนที่เราจะทำเช่นนี้ ควรพิจารณาว่าผลกระทบของ heteroscedasticity ที่มีต่อพลังการทำนายของตัวแปรอิสระของเราเป็นอย่างไร ด้วยการใช้มาโครที่พัฒนาโดย Andrew F. Hayes เราสามารถดูข้อผิดพลาดมาตรฐานที่ปรับแล้วและระดับนัยสำคัญสำหรับตัวแปรอิสระของเราได้

การทดสอบเพิ่มเติมเผยให้เห็นว่าตัวแปรอิสระยังคงมีนัยสำคัญทางสถิติ หลังจากพิจารณาความต่างศักย์ในแบบจำลองแล้ว เราจึงไม่จำเป็นต้องแก้ไขในตอนนี้

ทดสอบและปรับแต่งโมเดล

ในการทดสอบขั้นสุดท้าย เราจะให้คะแนนบันทึกการขายทั้งหมดที่ไม่ได้เป็นส่วนหนึ่งของตัวอย่างต้นฉบับด้วยแบบจำลองของเรา ซึ่งจะช่วยให้เราเห็นว่าโมเดลทำงานอย่างไรกับชุดข้อมูลที่ใหญ่ขึ้น ผลการทดสอบนี้แสดงให้เห็นว่าค่า R-squared และข้อผิดพลาดมาตรฐานของการประมาณค่าไม่ได้เปลี่ยนแปลงอย่างมีนัยสำคัญในชุดข้อมูลขนาดใหญ่ ซึ่งน่าจะบ่งชี้ว่าแบบจำลองของเราจะดำเนินการตามที่คาดไว้

หากเราต้องการใช้แบบจำลองตัวอย่างของเราในชีวิตจริง เราอาจแบ่งกลุ่มข้อมูลเพิ่มเติมเพื่อให้มีแบบจำลองหลายแบบที่แม่นยำยิ่งขึ้น หรือค้นหาข้อมูลเพิ่มเติมเพื่อเพิ่มความแม่นยำของแบบจำลองเดี่ยวนี้ ขั้นตอนเหล่านี้มีแนวโน้มที่จะลบความแตกต่างที่เราเห็นในแบบจำลอง จากข้อเท็จจริงที่ว่าเราพยายามใช้แบบจำลองเดียวในการคาดการณ์มูลค่าบ้านในเขตที่มีประชากรมากกว่า 1 ล้านคน ไม่น่าแปลกใจเลยที่เราไม่สามารถสร้างแบบจำลองที่ "สมบูรณ์แบบ" ได้ในเวลาเพียงไม่กี่ชั่วโมง .

บทสรุป

เป้าหมายของเราคือการสร้างแบบจำลองที่คาดการณ์มูลค่าบ้านเดี่ยว การวิเคราะห์ของเราแสดงให้เห็นว่าเราบรรลุเป้าหมายนั้นด้วยความแม่นยำที่สมเหตุสมผล แต่แบบจำลองของเราสมเหตุสมผลหรือไม่

หากจะอธิบายแบบจำลองของเรา เราจะบอกว่ามูลค่าของบ้านขึ้นอยู่กับขนาดของที่ดิน พื้นที่เป็นตารางฟุตของบ้าน คุณภาพของการก่อสร้าง สภาพของการซ่อมแซมในปัจจุบัน และไม่ว่าจะมีหรือไม่ เครื่องปรับอากาศ. นี้ดูเหมือนสมเหตุสมผลมาก ที่จริงแล้ว หากเราเปรียบเทียบแบบจำลองของเรากับวิธีการประเมินมูลค่าแบบเดิม เราจะเห็นว่าวิธีการนี้คล้ายกับวิธีต้นทุนมาก ซึ่งเพิ่มต้นทุนในการจัดหาที่ดินและสร้างอาคารใหม่ซึ่งปรับให้เข้ากับสถานะล้าสมัยในปัจจุบัน อย่างไรก็ตาม ความคล้ายคลึงนี้อาจเป็นการใช้วลีถดถอย สหสัมพันธ์ปลอม

โดยทั่วไป แนะนำให้ ใช้ วิธีต้นทุนสำหรับการประเมินค่าคุณสมบัติที่ใหม่กว่าเท่านั้น เนื่องจากมีปัญหาในการกำหนดวิธีการที่เหมาะสมสำหรับการคิดค่าเสื่อมราคาของคุณสมบัติเก่า ด้วยโมเดลของเรา เราได้สร้างกลยุทธ์ที่คล้ายกันซึ่งเป็นประโยชน์สำหรับพร็อพเพอร์ตี้ในทุกช่วงอายุ อันที่จริง เราได้ทดสอบอายุเป็นตัวแปรอิสระและได้ข้อสรุปว่าไม่มีผลกระทบที่มีนัยสำคัญทางสถิติต่อมูลค่าทรัพย์สิน!

การใช้การวิเคราะห์การถดถอยสำหรับธุรกิจของคุณ

หวังว่าในตอนนี้ คุณมีความเข้าใจพื้นฐานของการวิเคราะห์การถดถอยดีขึ้นแล้ว คำถามต่อไปคือ มันสามารถช่วยธุรกิจของคุณได้หรือไม่? หากคุณตอบว่าใช่สำหรับคำถามเหล่านี้ คุณอาจได้รับประโยชน์จากการใช้การวิเคราะห์การถดถอยเป็นเครื่องมือ

1. คุณต้องการแนวทางทางวิทยาศาสตร์มากกว่านี้ในการกำหนดมูลค่า การประมาณการ หรือการวิเคราะห์ตลาดเฉพาะหรือไม่?
2. คุณกำลังมองหาวิธีที่ดีกว่าในการระบุการลงทุนด้านอสังหาริมทรัพย์ที่มีศักยภาพในพื้นที่ขนาดใหญ่ ภูมิภาค หรือแม้แต่ทั่วประเทศหรือไม่?
3. เป้าหมายของคุณคือการดึงดูดผู้ค้าปลีก ร้านอาหาร หรือบริษัทให้บริการขนาดใหญ่สำหรับโครงการอสังหาริมทรัพย์เชิงพาณิชย์ของคุณหรือไม่?
4. คุณคิดว่าคุณสามารถปรับปรุงกระบวนการตัดสินใจได้โดยการรวมจุดข้อมูลใหม่เข้ากับกระบวนการหรือไม่
5. คุณกังวลเกี่ยวกับผลตอบแทนจากการลงทุนทางการตลาดสำหรับผู้ซื้อและนักลงทุนหรือไม่?

แบบจำลองตัวอย่างข้างต้นเป็นการสาธิตอย่างง่ายของค่าของการใช้แบบจำลองการถดถอยในอสังหาริมทรัพย์ ใช้เวลา 2-3 ชั่วโมงในการรวบรวมข้อมูลและสร้างแบบจำลองนั้นยังห่างไกลจากการแสดงศักยภาพอย่างเต็มที่ ในทางปฏิบัติ มีการใช้งานที่หลากหลายสำหรับการวิเคราะห์การถดถอยในอุตสาหกรรมอสังหาริมทรัพย์นอกเหนือจากการประเมินมูลค่าทรัพย์สิน ซึ่งรวมถึง:

1. การวิเคราะห์ราคาสำหรับราคาปลีกและราคาเช่า
2. การวิเคราะห์ทางประชากรศาสตร์และจิตวิทยาของผู้ซื้อที่อยู่อาศัยและผู้เช่า
3. การระบุเป้าหมายสำหรับการตลาดแบบตรง
4. การวิเคราะห์ ROI สำหรับแคมเปญการตลาด

การสร้างแบบจำลองเชิงพื้นที่ใช้หลักการวิเคราะห์การถดถอยร่วมกับสามสิ่งที่สำคัญที่สุดในธุรกิจอสังหาริมทรัพย์ ได้แก่ ที่ตั้ง ที่ตั้ง ที่ตั้ง การทำงานเป็นนักพัฒนาที่อยู่อาศัยมาแปดปี ฉันสามารถยืนยันถึงพลังของการสร้างแบบจำลองเชิงพื้นที่ เมื่อใช้ ArcGIS ฉันสามารถรวมข้อมูลการขาย แผนที่พัสดุ และข้อมูล Lidar เพื่อค้นหาคุณสมบัติที่เหมาะสำหรับการพัฒนาในเทือกเขานอร์ธแคโรไลนา

จากประสบการณ์ของผม เงินส่วนใหญ่ในอสังหาริมทรัพย์มาจากการซื้อกิจการ ไม่ใช่การพัฒนาโครงการ ความสามารถในการระบุโอกาสที่ผู้อื่นพลาดอาจเป็นความได้เปรียบทางการแข่งขันอย่างมากในธุรกิจอสังหาริมทรัพย์ การวิเคราะห์เชิงพื้นที่เป็นสิ่งที่บริษัทขนาดใหญ่ใช้ประโยชน์จากมาหลายปีแล้ว แต่บริษัทขนาดเล็กมักมองข้ามไป

วิธีการระบุพันธมิตร Analytics ที่เหมาะสมสำหรับธุรกิจของคุณ

น้อยคนนักที่จะให้คะแนนสถิติเป็นวิชาที่พวกเขาชื่นชอบ ในความเป็นจริง โดยรวมแล้ว คนทั่วไปไม่ค่อยเข้าใจแม้แต่ความน่าจะเป็นพื้นฐาน หากคุณสงสัยในความคิดเห็นนี้ แนะนำให้ไปที่ลาสเวกัสหรือมาเก๊า ขออภัย การทำเช่นนี้อาจทำให้ยากต่อการพิจารณาว่าใครควรไว้วางใจเมื่อคุณกำลังมองหาคำแนะนำในการใช้การวิเคราะห์การถดถอยในกระบวนการของคุณ ต่อไปนี้คือสิ่งสำคัญบางประการที่ควรพิจารณาเมื่อประเมินผู้มีโอกาสเป็นผู้สมัคร

แม้ว่าผู้คนจะตัดสินความน่าจะเป็นได้ไม่ดี แต่สัญชาตญาณก็ค่อนข้างดีในการตรวจจับการโกหก คุณควรจะสงสัยมากว่าใครก็ตามที่อ้างว่าสามารถสร้างแบบจำลองที่จะตอบทุกคำถามของคุณ! อย่าเชื่อการรับประกันผลลัพธ์ หวังว่าบทความนี้จะแสดงให้เห็นความจริงที่ว่าการวิเคราะห์การถดถอยมีพื้นฐานมาจากการสังเกตเชิงประจักษ์และวิทยาศาสตร์ที่ดี จะเป็นกรณีที่บางสิ่งคาดเดาได้ง่ายกว่าสิ่งอื่นเสมอ ที่ปรึกษาที่เชื่อถือได้จะเปิดเผยและตรงไปตรงมาเมื่อไม่พบคำตอบที่คุณต้องการ และพวกเขาจะไม่ใช้งบประมาณของคุณในการพยายามค้นหาคำตอบที่ไม่มีอยู่

มองหาคุณสป็อคแทนกัปตันเคิร์ก การวิจัยเสียงเป็นเครื่องมือทางการตลาดที่ยอดเยี่ยม แต่บ่อยครั้งที่ผู้คนยอมจ่ายเงินเพื่อซื้อสื่อการตลาดที่เซ็กซี่ด้วยการวิจัยแบบหลอกๆ และไม่มีเหตุผลในการสำรองข้อมูล บางคนมีการวิเคราะห์มากกว่าโดยธรรมชาติ แต่ทักษะการวิเคราะห์ที่ยอดเยี่ยมมาจากการฝึกฝน ตามหลักการแล้ว ผู้ใดก็ตามที่คุณจ้างให้วิเคราะห์ข้อมูลสำหรับธุรกิจของคุณจะมีประสบการณ์ในการค้นหาวิธีแก้ไขปัญหาที่หลากหลาย คนที่มีโฟกัสที่แคบอาจอ่อนไหวต่อการคิดเป็นกลุ่มมากขึ้น โดยเฉพาะอย่างยิ่งเมื่อประสบการณ์ของพวกเขาสะท้อนถึงประสบการณ์ของคุณอย่างใกล้ชิด

Put potential candidates on the spot with questions that help demonstrate their reasoning abilities. This is not the time to rely on behavioral questions alone. Ideal candidates will have the ability to strategically use known information to reasonably estimate the answer to complex problems. Ask logical reasoning questions, like “How many tennis balls could you fit in the Empire State Building?”

Finally, you should look for someone with whom you can communicate. All of the information in the world won't help if you can't put it to good use. If someone uses so much jargon in an introductory conversation that your eyes start to glaze over, then they probably aren't the right fit for your company.