ဖူးကက် အိမ်ခြံမြေမှာ AI ကို ဘယ်လိုသုံးမလဲ - ၂၀၂၆ ခုနှစ် လက်တွေ့အသုံးဝင်တာတွေ

လန်ဒန်က client တစ်ယောက်က ဖူးကက်မှာရှိတဲ့ အေးဂျင့်ကို message တစ်စောင်ပို့လိုက်တယ်ဆိုပါစို့ - '8 သန်းဘတ်အောက်၊ yield 6% ကျော် condo သုံးခု ရှာပေးပါ' လို့။ အမေရိကန်မှာဆိုရင် ဒီတောင်းဆိုချက်ကို ၂၀၂၆ စက်တင်ဘာလမှာ စတင်ခဲ့တဲ့ S.MPLE 2.0 ပလက်ဖောင်းပေါ်က Dot ဆိုတဲ့ AI assistant ကို လွှဲပေးလိုက်ရုံနဲ့ ရပါပြီ။ Comparative analysis, presentation, reply draft အားလုံး သူ့ဘာသာ ဖန်တီးပေးလိုက်မှာပါ။ ထိုင်းမှာတော့ ဒီလို request တစ်ခုလုံးက ပထမ step ကနေတင် ပျက်သွားနိုင်ပါတယ် - ဘာကြောင့်လဲဆိုတော့ ရောင်းချပြီးသား property တွေရဲ့ ဈေးနှုန်း comparison data base ဟာ ထိုင်းမှာ အများပြည်သူ သုံးလို့ရတဲ့ ပုံစံနဲ့ မရှိသေးလို့ပါ။

ဒါက ၂၀၂၆ ခုနှစ်မှာ ထိုင်းအိမ်ခြံမြေလုပ်ငန်းထဲက AI အခြေအနေရဲ့ အနှစ်ချုပ်ပါပဲ။ tool တွေက တကယ် အားကောင်းတယ်၊ ဒါပေမယ့် နောက်ကွယ်က data ကတော့ အပေါက်တွေနဲ့ ပြည့်နေပါတယ်။

ကျွန်တော့်ရဲ့ ကိုယ်ပိုင်အမြင်ကတော့ - communication, document ကိုင်တွယ်မှု၊ pipeline စနစ်တကျ ထိန်းသိမ်းမှုတွေမှာ AI ကို ယနေ့ကတည်းက သုံးပါ။ ဒါပေမဲ့ valuation နဲ့ yield တွက်ချက်မှုတွေကိုတော့ လူကိုယ်တိုင်ပဲ ဆက်လုပ်ပါ။ တစ်နှစ်ကို deal နှစ်ခုသုံးခုပဲ လုပ်တဲ့သူဆိုရင် ဒီ tech stack တစ်ခုလုံး မလိုအပ်သေးပါဘူး - translator တစ်ယောက်နဲ့ spreadsheet တစ်ခုပဲ လုံလောက်ပါတယ်။

အရေးကြီးဆုံး အချက်များ

• ၂၀၂၆ ခုနှစ် စက်တင်ဘာ ၂၃ ရက် မှာ SERHANT. ကုမ္ပဏီက S.MPLE 2.0 ကို Dot ဆိုတဲ့ conversational assistant နဲ့အတူ launch လုပ်ခဲ့ပါတယ်။ user ကရလိုတဲ့ result ကိုပြောရုံနဲ့ system က sub-agent ဒါဇင်နဲ့ချီကို task ခွဲပေးလိုက်ပါတယ်။
• ဒီ platform က listing ပြင်ဆင်ခြင်း၊ marketing campaign၊ transaction management၊ financial report၊ reminder၊ daily briefing အထိ လုပ်ငန်းစဉ်တစ်ခုလုံးကို ကိုင်တွယ်ပေးနိုင်ပါတယ်။
• built-in compliance check တွေက Fair Housing Act, RESPA, Sherman Act လို အမေရိကန်ဥပဒေတွေအတွက် ဒီဇိုင်းလုပ်ထားတာမို့ ထိုင်းမှာ မသက်ဆိုင်ပါဘူး။ ထိုင်းမှာဆိုရင် condominium ထဲက နိုင်ငံခြားသား ပိုင်ဆိုင်ခွင့် 49% quota နဲ့ ငွေကြေးသွင်းကူးမှု FET form ကသာ အဓိက စည်းမျဉ်းပါ။
• သီးခြားအားဖြင့် AI-driven automated valuation model (AVM) တွေက property analysis time ကို ၄၈ နာရီ ကနေ ၃-၅ မိနစ် အထိ လျှော့ချနိုင်ပြီး parameter 200 အထိ ထည့်သွင်းတွက်ချက်နိုင်ကြောင်း ဒေသဆိုင်ရာ PropTech data က ပြသထားပါတယ်။
• ထိုင်းမှာ အေးဂျင့်တစ်ယောက်ရဲ့ တကယ့် အားသာချက်က property valuation မဟုတ်ဘဲ communication မြန်နှုန်းနဲ့ follow-up စနစ်တကျမှုပါ။
• ထိုင်းအိမ်ခြံမြေအတွက် automated yield calculator ကို ဘယ်သူ့ကိုမှ မထောက်ခံပါ - ဒီနိုင်ငံမှာ ရောင်းချပြီးသား transaction တွေရဲ့ public database မရှိတာကြောင့် model က gap ကို ယုတ္တိရှိပုံရတဲ့ fiction တွေနဲ့ ဖြည့်လိုက်ပါတယ်။

Data ဘာကြောင့် ပြတ်တောက်နေလဲ

S.MPLE 2.0 ကလို platform တွေရဲ့ logic တစ်ခုလုံးက MLS records နဲ့ public transaction data ပေါ်မှာ မှီခိုနေပါတယ်။ ထိုင်းမှာတော့ ဒီနှစ်ခုစလုံး မရှိပါဘူး - Land Department က မှတ်ပုံတင်ဈေးနှုန်းက တကယ့်ရောင်းဈေးထက် ပုံမှန်နိမ့်နေတတ်ပါတယ်။

ဒါနဲ့ သီးခြား ML-based price forecasting model တွေကတော့ ဘန်ကောက်နဲ့ ဖူးကက်ရဲ့ ၆-၁၂ လတာ ဈေးနှုန်း လှုပ်ရှားမှုကို developed ပြီးသား district တွေမှာ 82-87% တိကျမှုနဲ့ ခန့်မှန်းနိုင်ပါတယ်။ ဒါပေမဲ့ historical data နည်းတဲ့ area အသစ်တွေမှာတော့ တိကျမှု 60-65% အထိ ကျသွားပါတယ်။

ထိုင်းက transaction တစ်ခုက AI ဖတ်နိုင်စွမ်း အားနည်းနေတဲ့ document တွေအပေါ် အခြေခံနေပါတယ် - chanote (Nor Sor 4 Jor) land title deed, ထိုင်းဘာသာနဲ့ developer contract, နိုင်ငံခြားငွေကြေး inward remittance ကို အတည်ပြုတဲ့ FET form တို့ဖြစ်ပါတယ်။

Land Office မှာ ပြန်လည်မှတ်ပုံတင်တဲ့အချိန် ခွန်နှင့်အခကြေးငွေတွေကို appraised value အပေါ်မှာ တွက်ချက်ပါတယ် - transfer fee 2%, stamp duty 0.5%, ပိုင်ဆိုင်မှုကို ၅ နှစ်အတွင်းရောင်းချရင် specific business tax 3.3%။ ဘယ် base ကို သုံးမလဲဆိုတာ officer က ဂဏန်းမပြောခင် language assistant ဘယ်ဟာမှ အတိအကျ မသိနိုင်ပါဘူး။

အဆင့်ဆင့် ဘယ်လို စတင်မလဲ

1. ပထမပတ် - baseline ကို တိုင်းတာပါ။ correspondence, document ဘာသာပြန်ခြင်း, client reminder ထပ်ခါထပ်ခါလုပ်ခြင်းတို့အတွက် တစ်ပတ်ကို ဘယ်နှစ်နာရီ ကုန်သွားလဲ မှတ်ထားပါ။ ဒီဂဏန်းမရှိရင် tool တစ်ခုက ရင်းနှီးမှု ပြန်ရလားဆိုတာ မသိနိုင်ပါဘူး။ ဖူးကက်မှာ ကျွန်တော် အလုပ်လုပ်ဖူးတဲ့ agent တွေရဲ့ ပုံမှန် ကုန်ကျချိန်က တစ်ပတ်ကို ၉-၁၄ နာရီ ပါ။
2. sales ကို automate မလုပ်ပါနဲ့၊ follow-up ကိုသာ လုပ်ပါ။ Dot ရဲ့ အတန်ဖိုးအရှိဆုံး feature ကို ကိုယ်တိုင်လည်း ပြန်လုပ်လို့ရပါတယ် - contact တစ်ယောက် ရက် ၉၀ ဆက်တိုက် တုံ့ပြန်မှုမရှိရင် flag လုပ်ပေးတဲ့ CRM rule တစ်ခု။ ဒါက တစ်ညစာ setup ကုန်ကျပြီး subscription ကုန်ကျစရိတ် ဘာမှ မရှိပါဘူး။
3. ကိုယ်ပိုင် transaction database ဆောက်ပါ။ တကယ့်ဈေးနှုန်း, floor area, layer level, view, date တို့ပါတဲ့ ရောင်းချပြီးသား deal ၂၀ ဆိုတာတောင် model တစ်ခုကို feed လို့ရတဲ့ asset ဖြစ်ပါတယ်။ ထိုင်းအတွက် general open data က ဒါကို မဖြေရှင်းပေးနိုင်ပါဘူး။
4. verification နဲ့ document translator ထည့်ပါ။ ထိုင်း-အင်္ဂလိပ် contract ဘာသာပြန်ကို machine က မိနစ်ပိုင်းအတွင်း ထုတ်ပေးနိုင်ပါတယ်၊ ဒါပေမဲ့ handover ကျော်လွန်ခြင်းနဲ့ deposit ပြန်အမ်းခြင်း penalty clause တွေကိုတော့ lawyer နဲ့ တွဲပြီး ကိုယ်တိုင်ဖတ်ပါ။ paragraph တစ်ခု အနားပိတ်ဖတ်မိရင် ပေးရမယ့်ဒဏ်က service တစ်ခုရဲ့ တစ်နှစ်စာ subscription ထက် ကျော်ပါလိမ့်မယ်။
5. legal layer ကို ကိုယ်တိုင် ပိတ်ပါ။ building တစ်ခုချင်းစီရဲ့ 49% quota, project အောက်က land status, developer track record တို့ကို Land Office ကို တိုက်ရိုက်မေးမြန်းပြီး ထိုင်းလိုင်စင်ရ lawyer နဲ့ စစ်ဆေးရပါမယ်။ chatbot ရဲ့ အဖြေက ဒီနေရာမှာ သက်သေ မဖြစ်ပါဘူး။
6. track နှစ်ခု ခွဲထားပါ။ client ဆီကို ဂဏန်းတိကျအဖြစ် (yield, rental forecast, tax) ပို့မယ့်အရာတွေကို လူကိုယ်တိုင် ပြန်စစ်ပါ။ text ပုံစံနဲ့ ထွက်မယ့်အရာတွေကိုတော့ AI နဲ့ generate လုပ်လို့ရပါတယ်။
7. ရက် ၆၀ ကြာတော့ ပြန်သုံးသပ်ပါ။ သိမ်းဆည်းနိုင်ခဲ့တဲ့ အချိန်တွေက viewing ပိုများခြင်း (ဒါမှမဟုတ်) deal ပိုရခြင်းအဖြစ် မပြောင်းလဲနိုင်ရင် dashboard လှလှတစ်ခုကို ဝယ်ယူလိုက်တာနဲ့ အတူတူပါပဲ။

ဒီတစ်ပတ် တစ်ခုချင်း လုပ်ချင်ရင် သင့်ရဲ့ နောက်ဆုံး deal ဒါမှမဟုတ် viewing နှစ်ဆယ်ကို တကယ့်ဈေးနှုန်းနဲ့ spreadsheet တစ်ခုထဲ စုစည်းထည့်ထားပါ။ model တွေက ပြောင်းလဲသွားနိုင်ပေမယ့် သင့်ကိုယ်ပိုင် data ကတော့ subscription တူတူသုံးနေတဲ့ competitor တစ်ယောက်ထက် သင့်ကို ကျော်နိုင်စေမယ့် တစ်ခုတည်းသော အားသာချက်ပါ။ ဖူးကက်မှာ ရင်းနှီးမြှုပ်နှံဖို့ စီစဉ်နေတဲ့ Burmese buyer တွေအတွက် ထိုင်းအိမ်ခြံမြေ ကနေ ဒီလို လက်တွေ့ data-driven ချဉ်းကပ်မှုကို အမြဲထောက်ပံ့ပေးနေပါတယ်။

သတင်းရင်းမြစ် - Kalinka Thailand