တိုတိုရှင်းရှင်း အဖြေ
၂၀၂၆ စက်တင်ဘာလတွင် SERHANT် ကုမ္ပဏီက Dot ဟုခေါ်သော စကားပြောနည်းလမ်းပါ AI ကိရိယာ S.MPLE 2.0 ကို မိတ်ဆက်ခဲ့ပါသည်။ ဒါဟာ အမေရိကန်စျေးကွက်အတွက် listing ပြင်ဆင်ခြင်း၊ ဈေးကွက်ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ဥပဒေစစ်ဆေးမှုများကို အလိုအလျောက် လုပ်ဆောင်ပေးနိုင်သည်။ သို့သော် ဖူးခက် (Phuket) ကဲ့သို့သော ထိုင်းစျေးကွက်တွင်တော့ ၎င်း၏ လုပ်ဆောင်ချက် တစ်ဝက်ခန့်သာ တကယ့်လက်တွေ့တွင် အသုံးဝင်ပါသည်။ ဘာကြောင့်လဲဆိုတော့ ထိုင်းနိုင်ငံမှာ ကွန်ဒိုပိုင်ဆိုင်မှု ၄၉%၊ မြေငှားချုပ်ကာလ ၃၀ နှစ်၊ FET ဖောင်၊ ကုမ္ပဏီစျေးကွက်တွင် MLS ဒေတာဘေ့စ် မရှိခြင်း စသည့် ထိုင်းအထူးလိုအပ်ချက်များကို အမေရိကန် compliance module က လုံးဝ နားမလည်ပါဘူး။
ဘာအလုပ်ဖြစ်ပြီး ဘာအလုပ်မဖြစ်ဘူးလဲ
Bang Tao ရှိ အိမ်ခြံမြေအေးဂျင့်တစ်ဦးက 'မနက်ဖြန် ဗီလာအစည်းအဝေးအတွက် ပြင်ပေးပါ' ဟု AI ကို ရိုက်ထည့်လိုက်သည်နှင့် မိနစ် ၄ အတွင်း ဆင်တူသော listing များ၊ presentation မူကြမ်း၊ property status စစ်ဆေးမှု၊ ၆ လကျော်က client တစ်ဦးမေးထားသော မေးခွန်းများပါ ပြန်ပေါ်လာသည်။ နယူးယောက်မြို့တွင် ဒါဟာ ရိုးရိုးလုပ်ငန်းစဉ်ပါပဲ။ ဖူးခက်မှာတော့ ဒီ chain ရဲ့ တစ်ဝက်လောက်က ပျက်ကျသွားပါတယ်။ ဘယ်တစ်ဝက်ကမှန်တယ်ဆိုတာ သိထားခြင်းက နည်းပညာကို ချီးကျူးနေရုံထက် ပိုအရေးကြီးပါတယ်။
အဓိက အားသာချက်ကတော့ စာသားရေးသားခြင်းမဟုတ်ပါ။ ယနေ့ခေတ် ကိရိယာတိုင်းက စာသားရေးနိုင်ပါတယ်။ တကယ့်တန်ဖိုးက orchestration နှင့် real-time pipeline မြင်နိုင်မှုပါ - ပြီးစီးသော deal များ၊ commission ဝင်ငွေ၊ ငွေထုတ်ပေးမှု၊ listing တစ်ခုချင်းစီရဲ့ status ကို window တစ်ခုတည်းမှာ ကြည့်နိုင်ခြင်းပဲ ဖြစ်ပါတယ်။
ထိုင်းမှာ ဘာကြောင့် ကျရှုံးနိုင်လဲ
Compliance module က Fair Housing Act၊ RESPA၊ Sherman Act ဆိုတဲ့ အမေရိကန်ဥပဒေ ၃ ခုကို စစ်ဆေးဖို့ ပြုလုပ်ထားတာဖြစ်ပြီး ထိုင်းနိုင်ငံမှာ ဒါတွေက လုံးဝ အသုံးမဝင်ပါဘူး။ ထိုင်းမှာ တကယ်သက်ဆိုင်တဲ့ ဥပဒေဘောင်ကတော့ လုံးဝ ကွဲပြားပါတယ် - ကွန်ဒိုတိုက်တစ်ခုချင်းစီရဲ့ ရောင်းချနိုင်တဲ့ဧရိယာရဲ့ ၄၉% ကိုသာ နိုင်ငံခြားသားက ပိုင်ဆိုင်ခွင့်ရှိခြင်း၊ မှတ်ပုံတင်နိုင်သော မြေငှားချုပ်ကာလ အများဆုံး ၃၀ နှစ်၊ နိုင်ငံခြားမှ ငွေလွှဲငွေပမာဏ USD 50,000 ရောက်ပါက FET ဖောင် အတည်ပြုချက် လိုအပ်ခြင်း၊ Land Department တွင် ပြန်လည်မှတ်ပုံတင်ခ ၂% ကို တန်ဖိုးအဆမှန်းချက်အပေါ် တွက်ချက်ခြင်းတို့ ဖြစ်ပါတယ်။ ဒီအချက်တွေကို အမေရိကန် compliance model က တစ်ခုမှ စစ်ဆေးမပေးနိုင်ပါဘူး။ AI ရဲ့ စိတ်ချမှုအပြည့်နှင့် ဖြေဆိုချက်က newcomer တစ်ယောက်ကို due diligence ပြီးသွားပြီလို့ မှားယွင်းစွာ ယုံကြည်စေနိုင်ပါတယ်။
ဒုတိယအချက်က automated CMA (comparative market analysis) ဖြစ်ပါတယ်။ US မှာ CMA ကိရိယာတွေက ရောင်းချပြီးသား property တွေရဲ့ ဈေးနှုန်း အတည်ပြု ဖော်ပြရမယ့် MLS database ကို အခြေခံပါတယ်။ ထိုင်းနိုင်ငံမှာတော့ ပြီးစီးသွားတဲ့ ငွေလွှဲမှုတွေရဲ့ တစ်ခုတည်းသော database လုံးဝ မရှိပါဘူး။ အများသိထားနိုင်တာက ရောင်းချမည့် ကမ်းလှမ်းဈေးနှုန်းများ (asking price) သာဖြစ်ပြီး Patong နဲ့ Rawai ရှိ ပြန်လည်ရောင်းချသော ယူနစ်များရဲ့ တကယ့်လျှော့စျေးက ကမ်းလှမ်းဈေးထက် 10-15% အထိ နိမ့်နိုင်ပါတယ်။ AI agent က listing ဈေးနှုန်းတွေရဲ့ median ကို ရိုးရိုးရှင်းရှင်း တွက်ပြီး 'ဈေးကွက်ဈေးနှုန်း' ဟု ခေါ်လိုက်ပါလိမ့်မယ်။ ဒါဟာ ခွဲခြမ်းစိတ်ဖြာမှု မဟုတ်ဘဲ ရောင်းသူတွေရဲ့ မျှော်လင့်ချက်ကို ပြန်ပြောပြနေရုံသာ ဖြစ်ပါတယ်။
တတိယအချက်ကတော့ client ပြန်ဆက်သွယ်ခြင်း (client reactivation) ပါ။ '၃ နှစ်ကျော်က ဝယ်ခဲ့တဲ့ client ကို ပြန်ခေါ်ပါ' ဆိုတဲ့ scenario ကို ပုံစံဖော်ထားတာက အမေရိကန်ရဲ့ ပုံစံပေါ်မူတည်ပြီး ဖြစ်ပါတယ် - လူတစ်ယောက်ဟာ အိမ်တစ်လုံးမှာနေထိုင်ပြီး နှစ် ၇ နှစ်ခန့်တစ်ကြိမ် ပြောင်းရွှေ့လေ့ရှိပါတယ်။ ထိုင်းနိုင်ငံရှိ ကွန်ဒိုဝယ်ယူသူများကတော့ များသောအားဖြင့် အခြားနိုင်ငံသားနေထိုင်သူ မဟုတ်ဘဲ တစ်ကြိမ်တည်း ဝယ်ယူသူများသာ ဖြစ်ကြပါတယ်။ သူတို့ကို ပြန်ဝယ်စေချင်တယ်ဆိုရင် reminder email တစ်စောင်ထက် တကယ့် trigger လိုအပ်ပါတယ် - management ကုမ္ပဏီပြောင်းလဲခြင်း၊ rental pool ရဲ့ အခန်းအငှားနှုန်းကျဆင်းခြင်း သို့မဟုတ် guaranteed-yield ကာလ ပြီးဆုံးသွားခြင်း စသည်တို့ပါ။
ဘာက တကယ် အလုပ်ဖြစ်နေလဲ
ဒီနေ့ခေတ်မှာ ပြောင်းလဲမှုမလိုအပ်ဘဲ တကယ် အလုပ်ဖြစ်နေတာတွေက - ဘာသာစကား ၅ မျိုးဖြင့် ဝင်လာသော lead များကို မိနစ်ပိုင်းအတွင်း ခွဲခြမ်းစိစစ်နိုင်ခြင်း၊ client များကို သူတို့ဘာသာစကားဖြင့် document ပြင်ဆင်ပေးခြင်းနှင့် ပိုင်ဆိုင်မှုပုံစံရှင်းပြခြင်း၊ developer များနှင့် အရစ်ကျပေးဆောင်မှု deadline များကို ခြေရာခံခြင်း၊ deal ငွေကြေးကို view တစ်ခုတည်းမှာ စုစည်းပြသခြင်းတို့ ဖြစ်ပါတယ်။ ကျယ်ကျယ်ပြန့်ပြန့် ပြောရမယ်ဆိုရင် ထိုင်းစျေးကွက်အတွက် industry estimate တစ်ခုအရ automated valuation model (AVM) များက appraisal ကာလကို ရက် ၂ ရက်ခန့်မှ ၃ စက္ကန့် အထိ လျှော့ချနိုင်ပြီး ထိုင်းရှိ ထိပ်တန်း agency များက အသုံးပြုနေကြပါပြီ။
ကျွန်တော့်ရဲ့ အမြင်ကတော့ ထိုင်းနိုင်ငံမှာ agency တစ်ခုက AI ကို စတင်ချင်တယ်ဆိုရင် CRM ဒေတာ သန့်ရှင်းမှုနှင့် follow-up စနစ်ကို ဦးစွာ ပြင်ဆင်ပြီး marketing generation ကို phase သုံးအထိ ရွှေ့ထားသင့်ပါတယ်။ တစ်နှစ်ကို deal ၁၀ ခုအောက်သာ ပြီးစီးတဲ့ agency ဆိုရင်တော့ ဒါကို လုံးဝ ကျော်သွားပါ။ ကိရိယာက သက်သာစေမယ့်အချိန်ထက် ပိုမိုစားသုံးသွားနိုင်ပါတယ်။
အသုံးချရန် အဆင့်ဆင့်
- ၂ ပတ်ကြာ အချိန်ခြေရာခံပါ - သင့်အချိန်က ဘယ်နေရာသွားနေလဲ သိဖို့ လိုပါတယ်။
- CRM ကို ဦးစွာ သန့်ရှင်းပါ - ဒေတာညံ့ရင် အဖြေညံ့ပါလိမ့်မယ်။
- ကိုယ်ပိုင် ထိုင်းဥပဒေ knowledge base တည်ဆောက်ပါ - ၄၉% quota၊ freehold vs leasehold၊ FET လုပ်ငန်းစဉ်၊ ပြန်လည်ရောင်းချခ၊ အခွန်များပါဝင်ရမည်။
- Inbound lead response တစ်ခုတည်းနဲ့ စတင်ပါ - မိနစ် ၁၅ အတွင်း အင်္ဂလိပ်၊ ရုရှား၊ ထိုင်းဘာသာဖြင့် ပြန်ကြားရန်။
- Off-plan project များအတွက် အရစ်ကျ deadline ကို automate လုပ်ပါ။
- Viewing tour ပြင်ဆင်မှုကို automate လုပ်ပါ၊ booking ကိုတော့ လူကိုယ်တိုင် ကိုင်တွယ်ပါ - Thepkrasattri Road ပေါ်ရှိ traffic ထည့်တွက်ပြီး route ဆွဲပေးနိုင်ပေမဲ့ လေယာဉ်နှင့် ဟိုတယ်စီစဉ်ခြင်းကတော့ လူကိုယ်တိုင် လုပ်ရပါမယ်။
- တကယ့် deal ၁၀ ခုနှင့် စမ်းသပ်ပြီး ရလဒ်တိုင်းပါ - လမ်းညွှန်ထားသည့် ၂ လအတွင်း ရလဒ်မတိုးတက်ရင် ကိရိယာ မှားနေပါလိမ့်မယ်။
- ဥပဒေရေးရာ စစ်ဆေးမှုကို လူသားဆီမှာသာ ထားပါ - Chanote စစ်ဆေးခြင်း၊ quota status၊ transfer form အသေးစိတ်ကို AI ကို လုံးဝ လွှဲအပ်မထားသင့်ပါ။
အနှစ်ချုပ် အချက်များ
- Dot က 'listing meeting အတွက် ပြင်ပေးပါ' ကဲ့သို့ ရိုးရှင်းသော ညွှန်ကြားချက်ကို လက်ခံပြီး လုပ်ငန်းအစီအစဉ်တစ်ခုလုံးကို ကိုယ်တိုင် တည်ဆောက်နိုင်ပါတယ်။
- Platform က CMA၊ listing presentation၊ marketing campaign၊ transaction support၊ financial reporting၊ compliance၊ client re-engagement အထိ ကျယ်ပြန့်စွာ ကာမိပါတယ်။
- Reporting က real-time ဖြစ်ပြီး ပြီးစီးသော deal များ၊ commission ဝင်ငွေ (gross)၊ ငွေထုတ်ပေးမှု၊ ရည်မှန်းချက်၊ listing တစ်ခုချင်းစီရဲ့ pipeline ကို ပြသနိုင်ပါတယ်။
- Thai title document များ (Chanote, Nor Sor 3 Gor) ကို mass-market OCR model များက အမှားများစွာ ဖတ်တတ်ပါတယ်၊ အထူးသဖြင့် Land Department ရဲ့ လက်ရေးမှတ်ချက်များ။ လူသားစစ်ဆေးမှု လိုအပ်ဆဲပါ။
- Bangkok နှင့် Phuket အတွက် ML-based price forecasting model များက ၆-၁၂ လကာလအတွက် ၈၂-၈၇% တိကျမှုရှိတယ်လို့ သတင်းထုတ်ပြန်ထားပေမဲ့ ဒါက ဥပဒေရေးရာ စစ်ဆေးမှု အစားထိုးမပေးနိုင်ပါ။
သတင်းအရင်းအမြစ် - Kalinka Thailand