Savoir quels propriétaires vont vendre leur bien dans les prochains mois serait évidemment extrêmement précieux pour un professionnel de l’immobilier.
C’est aussi une promesse qu’il faut manier avec beaucoup de prudence.
Aucune base de données publique ne contient une colonne indiquant : « ce propriétaire mettra son appartement en vente dans trois mois ». Une vente immobilière dépend d’une multitude de facteurs, dont beaucoup sont personnels et impossibles à observer à partir de données immobilières.
En revanche, il est possible d’aborder le problème différemment : plutôt que chercher à prédire avec certitude qui va vendre, on peut chercher à hiérarchiser des biens ou des zones selon les signaux disponibles.
C’est le principe général d’un score de propension : transformer plusieurs informations en une estimation relative permettant de déterminer où concentrer son attention.
Appliqué à l’immobilier, l’enjeu n’est donc pas de prédire l’avenir. Il est de répondre à une question beaucoup plus opérationnelle :
Parmi toutes les opportunités présentes sur mon secteur, lesquelles méritent d’être étudiées en priorité ?
Un score n’est pas une prédiction certaine
C’est probablement la distinction la plus importante.
Imaginons 10 000 biens sur le secteur commercial d’une agence. Sans outil de priorisation, ils constituent théoriquement autant de points possibles à analyser ou à prospecter.
Un système de scoring cherche à les classer.
Il peut attribuer à chaque opportunité un niveau de priorité à partir des informations disponibles. Les opportunités présentant certaines combinaisons de signaux remontent davantage que les autres.
Mais un score élevé ne signifie pas :
« Ce propriétaire va vendre. »
Il signifie plutôt :
« Selon les informations et les critères analysés, cette opportunité mérite davantage d’attention relativement aux autres. »
Cette différence peut sembler sémantique. Elle est en réalité fondamentale.
| Ce qu’un score peut faire | Ce qu’un score ne peut pas garantir |
|---|---|
| Comparer des opportunités | Connaître l’intention réelle d’un propriétaire |
| Faire ressortir certains signaux | Garantir qu’un bien sera vendu |
| Prioriser un secteur | Connaître la date d’une future mise en vente |
| Réduire un univers de prospection | Remplacer la qualification terrain |
| Évoluer grâce aux résultats observés | Supprimer les faux positifs |
Le scoring est donc avant tout un outil d’aide à la priorisation.
La France dispose d’une quantité importante de données immobilières
La construction de ce type d’analyse est notamment rendue possible par l’ouverture progressive des données foncières françaises.
La base Demandes de valeurs foncières (DVF), produite à partir des données de la Direction générale des Finances publiques, permet d’accéder aux mutations immobilières intervenues au cours des cinq dernières années. Elle fournit notamment la date de mutation, la valeur foncière, le type de bien, sa surface ainsi que différentes informations relatives aux parcelles concernées.
Les données sont disponibles sur la majeure partie du territoire français. La documentation officielle précise notamment que le jeu DVF ne couvre pas l’Alsace, la Moselle et Mayotte.
Le Cerema et la DGALN proposent également DVF+ open-data, une base restructurée et géolocalisée destinée à faciliter l’observation des marchés fonciers et immobiliers.
Ces données permettent donc de reconstruire une partie importante de l’histoire transactionnelle d’un territoire.
Elles ne disent cependant pas pourquoi une personne a vendu, ni ce qu’un propriétaire actuel prévoit de faire.
C’est là que commence réellement le travail d’analyse.
Un signal isolé dit rarement grand-chose
Prenons un exemple volontairement simple : la durée écoulée depuis la dernière transaction connue concernant un bien.
On pourrait être tenté d’établir une règle :
« Plus un bien est détenu depuis longtemps, plus son propriétaire est susceptible de vendre. »
Le problème est qu’une relation statistique éventuelle ne suffit pas à établir une telle conclusion pour un propriétaire donné.
Certains biens changent régulièrement de mains. D’autres restent plusieurs décennies dans le même patrimoine. Les comportements peuvent également varier selon le type de logement, la localisation ou la période observée.
Un signal devient donc surtout intéressant lorsqu’il est replacé dans son contexte et combiné à d’autres informations.
C’est exactement le principe du scoring.
Quels types de signaux peut-on analyser ?
Sans entrer dans la construction d’un modèle propriétaire, plusieurs grandes familles d’informations permettent de comprendre comment fonctionne cette logique.
La première concerne l’historique transactionnel. Observer les mutations passées permet d’étudier la fréquence des transactions et la rotation d’un marché.
La deuxième concerne les caractéristiques du bien : appartement ou maison, surface, nombre de pièces lorsque l’information est disponible, caractéristiques de la parcelle ou typologie du bâti.
La troisième est géographique. Deux biens similaires situés à quelques rues de distance peuvent appartenir à des micro-marchés présentant des dynamiques très différentes.
Enfin, la dimension temporelle est essentielle. Un marché immobilier évolue : un signal pertinent dans un contexte donné ne possède pas nécessairement le même poids quelques années plus tard.
| Famille de signaux | Ce qu’elle permet d’analyser | Limite principale |
|---|---|---|
| Historique des transactions | Rotation et comportement passé d’un marché | Le passé ne détermine pas une vente future |
| Temporalité | Temps écoulé et évolution des dynamiques | Ne révèle pas l’intention du propriétaire |
| Caractéristiques du bien | Comparaison entre typologies similaires | Certaines caractéristiques réelles sont absentes des bases |
| Localisation | Dynamique à l’échelle locale | Deux propriétaires voisins peuvent avoir des projets opposés |
| Marché local | Activité et évolution d’un secteur | Une tendance collective ne prédit pas un individu |
| Combinaison de signaux | Priorisation relative des opportunités | Produit toujours des faux positifs |
Le dernier point est probablement le plus important : la valeur vient rarement d’un indicateur unique.
Elle vient de la combinaison et de la pondération de plusieurs informations.
Corrélation, signal et causalité : trois choses différentes
Lorsqu’on travaille sur ce type de modèle, un piège consiste à interpréter trop rapidement les relations observées.
Imaginons qu’en analysant les transactions passées, on constate qu’une caractéristique apparaît plus fréquemment parmi certains biens vendus.
Cela constitue potentiellement un signal statistique.
Cela ne signifie pas nécessairement que cette caractéristique cause la vente.
Une corrélation indique que deux phénomènes apparaissent ensemble avec une certaine fréquence. Une causalité suppose que l’un produit directement un effet sur l’autre. Dans un projet immobilier, les raisons réelles d’une vente peuvent être extrêmement nombreuses et largement invisibles dans les données foncières.
Le modèle n’a pas nécessairement besoin de connaître toutes ces causes pour être utile.
Il doit en revanche être capable de répondre à une question plus pragmatique :
Les opportunités que nous classons en priorité présentent-elles effectivement davantage de résultats intéressants que celles classées plus bas ?
C’est là que l’on passe d’un modèle théorique à un véritable outil commercial.
Le vrai test d’un score n’est pas son apparence, mais ses résultats
Il est relativement facile de construire une interface affichant des biens avec des scores de 0 à 100.
Le chiffre donne immédiatement une impression de précision.
Mais afficher 87/100 ne prouve absolument pas que le modèle fonctionne.
La question pertinente est plutôt de savoir ce qui se produit lorsque l’on compare les groupes d’opportunités.
Imaginons, à titre purement illustratif, que l’on sépare un portefeuille en plusieurs catégories :
| Groupe | Priorité donnée par le modèle | Ce qu’il faut mesurer ensuite |
|---|---|---|
| A | Très élevée | Combien de projets vendeurs sont réellement identifiés ? |
| B | Élevée | Quel taux de qualification est observé ? |
| C | Moyenne | Quels résultats commerciaux apparaissent ? |
| D | Faible | Les résultats sont-ils effectivement inférieurs ? |
Si les opportunités du groupe A ne produisent pas davantage de signaux commerciaux utiles que celles du groupe D, le score n’apporte probablement pas beaucoup de valeur.
À l’inverse, si les opportunités prioritaires concentrent durablement davantage de projets identifiés, de rendez-vous pertinents ou de mandats, le classement commence à avoir un intérêt opérationnel.
La performance d’un score doit donc être observée dans les résultats, pas dans la sophistication de son interface.
Un modèle doit apprendre de ce qui se passe sur le terrain
C’est ici que le sujet devient particulièrement intéressant pour l’immobilier.
Les données publiques permettent d’observer le marché. Mais elles ne capturent pas toute l’information dont dispose une agence.
Lorsqu’un négociateur prospecte une opportunité, il peut découvrir qu’un propriétaire réfléchit effectivement à une vente, qu’il vient au contraire d’acheter le bien, qu’il souhaite attendre deux ans ou qu’il n’a aucun projet.
Cette information terrain possède une valeur considérable.
Un système peut donc fonctionner selon une boucle :
Données → Score → Prospection → Résultat terrain → Apprentissage → Nouveau score
Plus les résultats réels sont correctement enregistrés, plus il devient possible d’évaluer quels signaux étaient réellement pertinents.
C’est très différent d’un algorithme construit une fois puis laissé inchangé pendant plusieurs années.
Un modèle de scoring utile doit pouvoir être mesuré, confronté au réel et ajusté.
Le feedback commercial devient lui-même une donnée
Cette logique change également la manière de considérer le travail des équipes commerciales.
Lorsqu’un négociateur indique qu’un propriétaire n’a aucun projet, cette information ne sert pas uniquement à mettre à jour une fiche CRM.
Elle constitue potentiellement un retour sur la qualité de la priorisation initiale.
Même chose lorsqu’une opportunité devient un rendez-vous, puis une estimation, un mandat et éventuellement une transaction.
On peut alors suivre une chaîne beaucoup plus complète :
| Étape | Information obtenue |
|---|---|
| Opportunité identifiée | Le modèle considère le bien comme intéressant |
| Propriétaire contacté | L’opportunité est effectivement prospectable |
| Projet identifié | Un besoin immobilier réel existe |
| Rendez-vous obtenu | Le projet devient commercialement exploitable |
| Mandat signé | L'opportunité produit une valeur commerciale |
| Transaction réalisée | Résultat final observable |
Toutes ces étapes n’ont pas la même valeur.
Un score qui maximise le nombre de propriétaires répondant au téléphone n’est pas nécessairement celui qui maximise les mandats. De la même manière, un modèle performant pour identifier des projets très précoces peut nécessiter une stratégie commerciale différente d’un modèle cherchant des vendeurs proches d’une mise sur le marché.
La qualité du scoring dépend donc aussi de l’objectif commercial qu’on lui donne.
Les faux positifs ne sont pas nécessairement un échec
Aucun système probabiliste sérieux ne peut supprimer totalement les erreurs.
Un faux positif correspondrait ici à une opportunité classée comme intéressante alors qu’aucun projet vendeur pertinent n’est finalement identifié.
Il y en aura.
La question n’est donc pas de construire un système avec zéro faux positif. Elle est de savoir si le système permet de faire mieux qu’une stratégie de prospection sans priorisation.
Prenons deux négociateurs disposant chacun de deux heures pour prospecter.
Le premier sélectionne ses zones et ses biens sans outil de priorisation. Le second commence par les opportunités que son système considère comme les plus pertinentes.
Le scoring crée de la valeur si, sur suffisamment d’observations, le second utilise mieux son temps commercial.
C’est une logique de classement, pas de divination.
Attention également à ce que les données ne permettent pas de faire
L’ouverture des données immobilières ne signifie pas que toutes les informations sur les propriétaires sont librement accessibles.
La documentation officielle de DVF précise notamment que la base diffusée au public ne contient pas les noms des vendeurs ou des acquéreurs. Les conditions de réutilisation interdisent par ailleurs les traitements ayant pour objectif la réidentification des personnes concernées ainsi que l’indexation de ces données par des moteurs de recherche externes.
Certaines bases foncières plus détaillées existent, mais leur accès peut être réservé à des catégories spécifiques d'acteurs et à certains usages. Le service Données foncières du Cerema distingue ainsi les ressources ouvertes au public des fichiers détaillés accessibles aux bénéficiaires autorisés.
Il faut donc distinguer trois choses :
ce qui est techniquement analysable, ce qui est légalement accessible et ce qu'il est pertinent d'utiliser commercialement.
Un bon système de scoring doit respecter les trois.
Pourquoi le micro-marché est important
Les statistiques immobilières sont souvent présentées à l’échelle d’une ville ou d’un arrondissement : prix moyen à Lyon, évolution à Bordeaux, nombre de transactions à Paris.
Pour un professionnel qui prospecte, cette granularité peut être insuffisante.
Une agence ne prospecte pas « le marché français ». Elle travaille des quartiers, des rues, des immeubles et des typologies de biens.
Les données DVF sont intéressantes précisément parce qu’elles permettent de descendre à un niveau géographique beaucoup plus fin et d’observer les mutations réelles enregistrées sur un territoire. Le jeu est construit à partir des actes notariés et des informations cadastrales, ce qui permet notamment de localiser les transactions et d'étudier leur distribution géographique.
Deux secteurs distants de quelques centaines de mètres peuvent ainsi présenter des historiques transactionnels différents.
Cela ne signifie toujours pas qu’un propriétaire précis va vendre.
Mais cela peut contribuer à déterminer où l’analyse mérite d’être approfondie.
Du scoring prédictif à la prochaine meilleure action
Le scoring n’est finalement qu’une première étape.
Identifier une opportunité intéressante ne crée aucune valeur commerciale si personne n’en fait rien.
C’est pourquoi la prochaine évolution logique consiste à relier la priorisation à l’action.
Un système peut par exemple identifier une zone ou une opportunité qui mérite l’attention du professionnel. Un agent IA peut ensuite préparer les informations utiles, enrichir le contexte, créer une tâche ou proposer une action commerciale adaptée.
On retrouve alors une architecture que nous avons évoquée dans nos précédents articles :
Donnée → Intelligence → Action.
Le score appartient à la couche d’intelligence. Il aide à transformer une masse d’informations en priorités.
L’agent IA appartient davantage à la couche d’exécution. Il aide à transformer certaines de ces priorités en actions.
C’est la combinaison des deux qui devient particulièrement intéressante.
La logique développée avec le Radar Domaris
C’est précisément la philosophie derrière le Radar que nous développons chez Domaris.
Nous ne cherchons pas à afficher une liste de propriétaires en affirmant qu’ils vont vendre leur bien. Une telle promesse serait difficilement défendable.
L’objectif est de transformer différentes données immobilières en signaux permettant de prioriser le travail de prospection.
Le professionnel conserve ensuite ce qui reste indispensable : sa connaissance du secteur, son analyse, son travail terrain et sa capacité à créer une relation avec le propriétaire.
Mais au lieu de partir d’un territoire uniforme, il peut commencer par les opportunités que le système considère comme les plus intéressantes à étudier.
À mesure que les interactions terrain produisent de nouvelles informations, l’ambition est également de créer une boucle entre l’intelligence du système et les résultats commerciaux observés.
Observer → prioriser → prospecter → apprendre.
C’est probablement ainsi qu’il faut comprendre le potentiel de l’IA prédictive appliquée à la prospection immobilière.
Pas comme une machine capable de savoir qui vendra demain.
Mais comme un système capable d’aider un professionnel à chercher au bon endroit avant de commencer à chercher partout.
