Pour un agent immobilier, une grande partie de la valeur d'une information dépend du moment où elle arrive.
Savoir qu'un propriétaire vend son appartement lorsqu'il vient de publier une annonce est utile.
Identifier un secteur ou un bien qui présente des caractéristiques intéressantes avant son arrivée sur le marché l'est potentiellement beaucoup plus.
C'est d'ailleurs l'une des difficultés historiques de la prospection immobilière : les professionnels disposent de nombreuses informations sur ce qui s'est déjà passé, mais beaucoup moins sur ce qui va se passer.
Avec l'ouverture progressive des données immobilières et leur traitement à grande échelle, une nouvelle approche devient possible.
Non, une base de données ne permet pas de savoir avec certitude qu'un propriétaire va vendre son logement dans trois mois.
En revanche, elle peut aider à répondre à une autre question, beaucoup plus réaliste :
où existe-t-il davantage de raisons de prospecter aujourd'hui ?
Une vente immobilière laisse beaucoup de données derrière elle
Depuis 2019, les données issues des Demandes de valeurs foncières (DVF) sont accessibles en open data.
Produite par la Direction générale des Finances publiques à partir des actes notariés et des informations cadastrales, cette base permet de consulter les transactions immobilières réalisées au cours des cinq dernières années sur l'essentiel du territoire français.
Pour chaque transaction, plusieurs informations peuvent être exploitées : date de mutation, valeur foncière, localisation, nature du bien, surface ou encore caractéristiques de la parcelle.
Ces données permettent déjà de reconstruire une partie de l'histoire récente d'un marché.
À l'échelle d'une ville, elles donnent une vision des volumes de transactions et de l'évolution des prix.
À l'échelle d'un quartier, elles permettent d'observer des différences de dynamique.
Et en descendant à la rue ou à la parcelle, elles permettent d'étudier beaucoup plus précisément la manière dont un secteur immobilier évolue.
Mais connaître le passé ne permet pas de prédire automatiquement le futur
C'est une distinction essentielle.
Prenons un appartement acheté il y a plusieurs années.
Le simple fait que le bien soit détenu depuis longtemps ne signifie évidemment pas que son propriétaire souhaite le vendre.
De la même manière, constater de nombreuses transactions dans une rue ne signifie pas que les autres propriétaires de cette rue vont prochainement mettre leur logement sur le marché.
Une décision de vente dépend de facteurs qu'aucun fichier immobilier ne peut parfaitement connaître : mutation professionnelle, séparation, naissance, succession, besoin de liquidités, nouveau projet immobilier ou simplement envie de déménager.
La donnée ne connaît pas l'intention du propriétaire.
C'est précisément pour cette raison qu'il faut distinguer prédiction et probabilité.
L'objectif réaliste n'est pas d'affirmer qu'un propriétaire va vendre.
Il consiste à identifier des situations présentant davantage de caractéristiques associées à une opportunité de prospection.
Un signal isolé apporte peu. Plusieurs signaux deviennent plus intéressants.
Imaginons deux biens situés dans le même secteur.
Pour le premier, très peu d'informations permettent de distinguer le bien des centaines d'autres logements présents dans le quartier.
Pour le second, différentes caractéristiques liées au bien, à son environnement et à la dynamique immobilière locale ressortent simultanément.
Aucune de ces caractéristiques ne constitue une preuve de vente.
Mais elles ne donnent pas nécessairement aux deux biens le même intérêt commercial.
C'est là que l'analyse de données devient utile.
Plutôt que de regarder une information isolément, un système peut croiser plusieurs catégories de signaux.
1. L'historique immobilier
Les transactions passées permettent d'observer la manière dont un marché local fonctionne.
Combien de biens se vendent dans le secteur ? À quelle fréquence ? Quels types de logements sont concernés ? Certaines rues connaissent-elles davantage de mutations que d'autres ?
La base DVF a précisément été ouverte afin d'améliorer la transparence et l'analyse des marchés fonciers et immobiliers.
Elle ne fournit pas une liste de "futurs vendeurs".
Elle permet en revanche de comprendre beaucoup plus finement où et comment les ventes ont lieu.
2. Les caractéristiques du bien
Maison ou appartement, surface, parcelle, caractéristiques du bâti, environnement immédiat...
Tous les biens d'une même commune ne répondent pas aux mêmes dynamiques de marché.
Un modèle pertinent doit donc éviter de raisonner uniquement à partir d'une moyenne communale.
Deux logements distants de quelques centaines de mètres peuvent appartenir à des micro-marchés très différents.
3. La dynamique du secteur
Le comportement d'un marché immobilier est également géographique.
Une zone où les transactions sont fréquentes n'a pas la même dynamique qu'un secteur dans lequel les mutations restent rares.
Observer les ventes passées permet donc de mesurer la rotation d'un secteur et d'identifier des zones plus ou moins actives.
Les données publiques permettent aujourd'hui de réaliser ces analyses à une échelle particulièrement fine.
4. Le facteur temps
Le temps constitue enfin une dimension importante de l'analyse immobilière.
L'histoire d'un bien, les transactions passées et l'évolution de son environnement peuvent être replacées dans une chronologie.
Là encore, il faut être prudent : une durée de détention n'est jamais une intention de vendre.
Elle peut simplement constituer une information parmi d'autres dans une analyse plus large.
Le vrai sujet n'est donc pas de "prédire les vendeurs"
La promesse serait séduisante.
Elle serait surtout trompeuse.
Aucun algorithme sérieux ne peut garantir qu'un propriétaire identifié aujourd'hui décidera de vendre son logement demain.
Le véritable intérêt de la donnée est ailleurs.
Imaginons qu'un agent dispose de quatre heures de prospection cette semaine et d'un secteur comprenant plusieurs milliers de logements.
Il peut parcourir son territoire au hasard.
Il peut également concentrer son temps sur les zones et opportunités pour lesquelles l'analyse fait ressortir davantage de signaux.
Dans les deux cas, aucune vente n'est garantie.
Mais dans le second, la prospection est priorisée.
C'est une différence fondamentale.
C'est le principe du Radar Domaris
C'est précisément à partir de cette problématique que nous avons développé le Radar Domaris.
L'objectif n'est pas de présenter à un agent une carte magique capable de lui dire :
« Cette personne va vendre son appartement. »
Nous cherchons plutôt à répondre à une question beaucoup plus opérationnelle :
« Sur mon secteur, où dois-je concentrer ma prospection aujourd'hui ? »
Pour cela, Domaris analyse et croise différents signaux liés aux biens et à leur environnement immobilier afin de faire ressortir des opportunités et de les hiérarchiser.
Le Radar permet ainsi au professionnel de visualiser son territoire autrement qu'à travers une simple liste d'adresses.
Toutes les zones ne présentent pas le même intérêt.
Tous les biens ne présentent pas les mêmes signaux.
L'objectif est donc de faire émerger ceux qui méritent davantage l'attention de l'agent.
Un score n'est jamais une certitude
Cette précision est importante, notamment lorsqu'on parle d'algorithmes appliqués à l'immobilier.
Un score élevé ne signifie pas :
« Ce propriétaire va vendre. »
Il signifie que, selon les informations et les critères analysés par le modèle, cette opportunité mérite davantage d'attention relativement à d'autres opportunités du même territoire.
Cette logique est déjà courante dans de nombreux métiers.
Les équipes commerciales utilisent des systèmes de scoring pour prioriser des leads.
Les établissements financiers utilisent des modèles pour évaluer différents niveaux de risque.
Les équipes marketing segmentent leurs audiences en fonction de différents signaux.
Dans chacun de ces cas, le modèle ne connaît pas le futur.
Il aide un professionnel à prendre une décision avec davantage d'informations.
La donnée indique où regarder. L'agent détermine quoi en faire.
C'est probablement le point le plus important.
Même avec un système de ciblage performant, l'essentiel du métier reste entre les mains du professionnel.
Un algorithme ne connaît pas la famille installée depuis vingt ans dans une rue.
Il ne connaît pas la conversation qu'un agent a eue avec un propriétaire six mois auparavant.
Il ne connaît pas nécessairement les projets qui circulent dans un quartier.
Et surtout, il ne transforme pas automatiquement une opportunité en mandat.
Le professionnel conserve ce que la technologie maîtrise difficilement : la connaissance terrain, le contexte et la relation humaine.
Le Radar apporte une couche supplémentaire : la capacité d'analyser un territoire beaucoup plus largement que ce qu'un humain pourrait faire manuellement.
Les deux approches sont donc complémentaires.
La prospection immobilière entre dans une nouvelle logique
Pendant longtemps, la question était principalement de savoir comment obtenir suffisamment de contacts.
Aujourd'hui, elle devient progressivement :
quels contacts méritent réellement mon temps ?
Cette évolution devient d'autant plus importante que les méthodes traditionnelles de prospection téléphonique sont désormais davantage contraintes.
Dans ce contexte, multiplier les données sans les analyser n'apporte pas nécessairement davantage de valeur.
Le véritable enjeu consiste à transformer ces données en priorités commerciales compréhensibles et exploitables par l'agent.
C'est exactement la logique derrière le Radar Domaris.
Nous ne cherchons pas à prédire l'avenir.
Nous cherchons à aider les professionnels de l'immobilier à savoir où regarder avant les autres.
