ရာဝိုင်းက studio တစ်ခန်း၊ ဈေးနှုန်း တရားမျှတရဲ့လား
ဖောက်သည်တစ်ယောက်က ရာဝိုင်းက studio condo link တစ်ခုပို့ပြီး "ဈေးနှုန်း သင့်တင့်ရဲ့လား" လို့မေးလိုက်ရင် အမေရိကန်နိုင်ငံ Ohio ပြည်နယ်မှာဆိုရင် တစ်မိနစ်အတွင်း ဖြေနိုင်ပါတယ်။ census-block ဈေးနှုန်း index ကိုဖွင့်ကြည့်ပြီး ၃နှစ်ခန့်မှန်းချက်ကိုစစ်ကာ ဈေးနှုန်းအပိုင်းအခြားတစ်ခုပေးလိုက်နိုင်ပါတယ်။ ဖူးခက်မှာတော့ အမှန်တကယ်ဖြေစရာက "အနီးအနားက listing တွေကို ပြန်စစ်ကြည့်ပြီး ဘယ်ဟာက တကယ် live ရှိသေးလဲဆိုတာ သိအောင်ကြိုးစားရအောင်" ဆိုတဲ့စကားပါပဲ။
ဒီနှစ် ၂၀၂၆ သြဂုတ်လမှာ ATTOM ကုမ္ပဏီက Home Price Index တစ်ခုကို ၎င်းရဲ့ platform ထဲမှာ စတင်မိတ်ဆက်ခဲ့ပါတယ်။ ဒီ index ကို ကုမ္ပဏီရဲ့ ကိုယ်ပိုင် transaction data ၃၀ နှစ်ကျော်အပေါ် အခြေခံတည်ဆောက်ထားပြီး၊ လစဉ်update လုပ်ကာ census-block အသေးစိတ်အထိ ရောက်ရှိပြီး ရှေ့ ၃၆ လအထိ ခန့်မှန်းနိုင်ပါတယ်။ ရပ်ကွက်ပျမ်းမျှဈေးနှုန်းအစား ဝယ်သူတွေက စိစစ်ထားပြီးသား transaction သန်းချီကနေတွက်ချက်ထားတဲ့ ဆက်တိုက် index တစ်ခုရရှိကြပါတယ်။ တစ်ဦးတည်းနေအိမ်၊ condo၊ townhouse အသီးသီးအတွက် ကွဲပြားတဲ့ series တွေရှိသလို ပေါင်းစပ် residential index တစ်ခုလည်းပါဝင်ပါတယ်။
အထူးစိတ်ဝင်စားစရာကောင်းတာက data ကိုဘယ်လိုပေးပို့သလဲဆိုတဲ့နေရာမှာပါ - API, bulk licensing, cloud, နဲ့ MCP Server ဆိုတဲ့ channel ပါလာတာပါ။ MCP Server ဆိုတာ language model တစ်ခုက index ကို tool တစ်ခုအနေနဲ့ တိုက်ရိုက်မေးနိုင်တယ်ဆိုတဲ့အဓိပ္ပာယ်ပါ။ တန်ဖိုးတွက်ချက်ခြင်းဟာ ရက်သုံးရက်ကြာစီစဉ်ရတဲ့ report တစ်ခုဖြစ်တော့မှာမဟုတ်ဘဲ စကားဝိုင်းတစ်ခုအတွင်း function call တစ်ခုအဖြစ်ပြောင်းလဲသွားပါတယ်။
ထိုင်းနိုင်ငံမှာတော့ ဒီလိုစနစ် လုံးဝမရှိသေးပါဘူး။
ဘာလို့ ထိုင်းမှာ ဒီလိုစနစ်မရှိသေးတာလဲ
Model ရှားပါးလို့မဟုတ်ပါဘူး - model တွေက နေရာတိုင်းမှာ အလကားရနိုင်ပါတယ်။ ပြဿနာက model တွေကို ကျွေးစရာ data မရှိတာပါ။ Land Department (ထိုင်းမြေစာရင်းဦးစီးဌာန) က ပိုင်ဆိုင်မှုလွှဲပြောင်းမှုတွေကို မှတ်ပုံတင်ပေမယ့် အဲ့ဒီမှတ်တမ်းတွေက ဖွင့်ထား၊ query လုပ်လို့ရတဲ့ dataset အနေနဲ့ မရှိပါဘူး။ စာချုပ်ထဲက ကြေညာဈေးနှုန်းဟာ အများအားဖြင့် ၄ နှစ်လောက်တစ်ခါ ပြန်လည်သုံးသပ်တဲ့ အစိုးရအကဲဖြတ်ဈေးနှုန်း (appraised value) နဲ့တူနေတတ်ပြီး၊ သဘာဝအရ ဈေးကွက်ထက် နောက်ကျနေတတ်ပါတယ်။ ဖူးခက်နဲ့ ကိုးစမွီကျွန်းက primary market ရဲ့ အစိတ်အပိုင်းများစွာဟာ developer ရဲ့ price list အတိုင်း ရောင်းချကြပြီး အစစ်အမှန် ဒီးလ်စီးပွားရေးက chanote ပေါ်က နံပါတ်ထက် discount၊ ပရိဘောဂအစီအစဉ်နဲ့ ငှားရမ်းအကျိုးအမြတ် ကတိပြုချက်တွေထဲမှာသာ ရှိနေပါတယ်။ Real Estate Information Center က ဈေးနှုန်း index တွေကို ပုံမှန်ထုတ်ပြန်ပေမယ့် coverage က ဘန်ကောက်နဲ့ ၎င်းရဲ့ ပတ်ဝန်းကျင်မြို့တွေအပေါ်မှာသာ အာရုံစိုက်ထားပြီး ခရီးသွားရင်းနှီးမြှုပ်နှံမှုစျေးကွက်တွေကို လွှမ်းခြုံမှုမရှိပါဘူး။
ဘာက တကယ်အလုပ်ဖြစ်နေသလဲ
Machine learning ဟာ ထိုင်းအိမ်ခြံမြေမှာ ရောင်းစျေးတွက်ချက်ခြင်းမှာ ငွေရှာနေတာမဟုတ်ဘဲ နေရာနှစ်ခုမှာသာ အသုံးဝင်နေပါတယ်။ ပထမတစ်ခုက data အလုပ်ကိုပါ - unit တစ်ခုတည်းကို agent ၁၅ ယောက်က ဈေး ၅ မျိုးနဲ့ ကြော်ငြာနေတဲ့ listing တွေကို ခွဲခြားခြင်း၊ scan လုပ်ထားတဲ့ chanote နဲ့ စာချုပ်တွေကိုဖတ်ခြင်း၊ ထိုင်းဥပဒေဆိုင်ရာ စကားလုံးတွေကို ဘာသာပြန်ခြင်း၊ DDP ငွေပေးချေမှုအစီအစဉ်တွေကို ခွဲခြမ်းစိတ်ဖြာခြင်းတို့ဖြစ်ပါတယ်။ ဒုတိယအချက်က ညနေစျေးနှုန်း (daily rate) ဖြစ်ပါတယ်။ ဒီနေရာမှာတော့ data တကယ်ရှိပါတယ် - booking platform တွေက occupancy နဲ့ ADR ကို လများစွာနောက်ကျောကို ပြန်ကြည့်နိုင်ပြီး ဘန်တောက ဗီလာတစ်လုံးမှာ dynamic pricing algorithm သုံးတဲ့အခါ ဝင်ငွေတိုးတက်မှုကို တိုင်းတာနိုင်ပါတယ်။ ဆန်းလွန်းစွာဆိုရင် ဖူးခက်မှာ အယုံကြည်ရဆုံး ML signal ဟာ တစ်ညစာနှုန်းပါ၊ စတုရန်းမီတာနှုန်းမဟုတ်ပါဘူး။
မလုပ်ဖြစ်တာကလည်း ရှင်းနေပါတယ်။ Listing ဈေးနှုန်းအပေါ် training လုပ်ထားတဲ့ AVM (automated valuation model) မှန်သမျှက ကြော်ငြာထားတဲ့ ဈေးနှုန်းကိုပဲ ပြန်ထုတ်ပေးမှာပါ။ ခရီးသွားရင်းနှီးမြှုပ်နှံမှုစျေးကွက်တွေမှာ ကြော်ငြာဈေးနှုန်းနဲ့ နောက်ဆုံးရောင်းချရဈေးနှုန်း ကွာဟချက်က တည်ငြိမ်မှုမရှိဘဲ အဆောက်အဦတိုင်းအလိုက် မတူညီပါဘူး၊ ဒါကြောင့် model က အနက်ရှိုင်းတဲ့ ရေတိကျမှုနဲ့ ယုံကြည်ရသလို ကိန်းဂဏန်းတစ်ခုကို ထုတ်ပေးလိုက်ပါတယ်။ နှစ်စဉ် ၇% အကျိုးအမြတ်ကတိပြုပေမယ့် ဘယ် report မှ အတည်ပြုမထားတဲ့ listing တွေကိုပါ ထည့်လိုက်ရင် marketing စာသားကို သေချာပြောင်းလဲပေးတဲ့ စက်ရုပ်တစ်ခုပဲ ရလာမှာပါ။
အမေရိကန်စံနှုန်းအနေနဲ့ ကြည့်ရရင် - ပုံမှန်နေအိမ်တွေအတွက် AVM ရဲ့ အလယ်ကျမှားယွင်းမှုနှုန်းက ၂-၃% လောက်ပဲရှိပြီး၊ multi-family condo တွေအတွက် ၉၅-၉၇% တိကျမှုရှိသလို villa အမျိုးအစားနဲ့ luxury asset တွေကတော့ data ရှားပါးမှုကြောင့် ၁၀-၂၀% မှားနေဆဲပါ။ ဒီကွာဟချက်ကပဲ ထိုင်းရဲ့ ခရီးသွားစျေးကွက်ရင်ဆိုင်နေရတဲ့ ကွာဟချက်ဖြစ်ပြီး transaction registry လုံးဝမရှိတဲ့အတွက် ဒီကွာဟချက်က ပိုကြီးထွားနေပါတယ်။
ကျွန်တော့်ရဲ့ အကြံပြုချက်
၂၀၂၆ ခုနှစ်မှာ ထိုင်းစျေးကွက်အတွက် "AI valuation" ဆိုပြီး ရောင်းချနေတဲ့ ထုတ်ကုန်တွေကို မဝယ်ပါနဲ့။ Model တွေကို စာရွက်စာတမ်းနဲ့ ဘာသာစကားဖတ်ရှုတဲ့နေရာမှာသာ သုံးပြီး သင့်ကိုယ်ပိုင် transaction database ကို ကိုယ်တိုင်တည်ဆောက်ပါ။ ခြွင်းချက်တစ်ခုတည်းက - developer ရဲ့ ပုံသေဈေးနှုန်းစာရင်းအတိုင်း off-plan ဝယ်နေတယ်ဆိုရင် ဒီအားလုံးက သင့်နဲ့မသက်ဆိုင်ပါဘူး။ သင့်အန္တရာယ်က တည်ဆောက်ရေးနဲ့ ငွေပေးချေမှုအစီအစဉ်မှာသာရှိပြီး တန်ဖိုးတွက်ချက်မှု တိကျမှုမှာမဟုတ်ပါဘူး။
အရေးကြီးသော အချက်များ
- ATTOM HPI ရဲ့ ခန့်မှန်းကာလက ၃၆ လအထိ၊ လစဉ် update လုပ်ပြီး ၃၀ နှစ်ကျော် ပိုင်ဆိုင်မှု/transaction မှတ်တမ်းအပေါ် တည်ဆောက်ထားပါတယ်။
- Index ရဲ့ resolution က census-block (မြို့ရဲ့ ဘလောက် တစ်ခုနှစ်ခုလောက်) အထိရောက်ပြီး ခရိုင်တစ်ခုလုံးမဟုတ်ပါဘူး။
- Condominium အတွက် သီးခြား series ရှိတာက အဲ့ဒီ segment က detached home တွေနဲ့ မတူဘဲ ရွေ့လျားနေလို့ပါ။ ထိုင်းအတွက် သင်ခန်းစာက condo နဲ့ villa တွေကို ကိန်းဂဏန်းတစ်ခုတည်းအဖြစ် ပျမ်းမျှလို့မရဘူးဆိုတာပါ။
- ထိုင်းနိုင်ငံမှာ နိုင်ငံခြားသားတွေက condo အဆောက်အဦတစ်ခုချင်းစီရဲ့ area ရဲ့ ၄၉% ထက်ပိုပိုင်ဆိုင်ခွင့်မရှိပါဘူး။ Foreign quota ထဲက unit နဲ့ Thai quota ထဲက unit တွေက ဈေးနှုန်းကွာနေပြီး တစ်ခုတည်းသော model တစ်ခုက ဒီခွဲခြားမှုကို ဖျက်ဆီးပစ်လိုက်ပါတယ်။
- ပိုင်ဆိုင်မှုလွှဲပြောင်းခ ကတော့ appraised value ရဲ့ ၂%၊ Specific Business Tax က ဝယ်ယူပြီး ၅ နှစ် အတွင်း ပြန်ရောင်းရင် ၃.၃%၊ SBT မကောက်ခံတဲ့အခါ stamp duty ၀.၅% ကျသင့်ပါတယ်။
- Real Estate Information Center က တစ်နိုင်ငံလုံးဈေးနှုန်း index တွေထုတ်ပြန်ပေမယ့် အပြည့်စုံဆုံး coverage က ဘန်ကောက်နဲ့ ပတ်ဝန်းကျင်ခရိုင်များ အပေါ်မှာသာ ကျရောက်ပါတယ်။
- ဖူးခက် ခရီးသွားငှားရမ်းအကျိုးအမြတ်နှုန်းက အခွန်နှင့် စီမံခန့်ခွဲမှုခ မယူမီ တစ်နှစ်လျှင် ၅-၇% ခန့်ရှိပြီး၊ ၂၀၂၆ ဈေးကွက်ခန့်မှန်းချက်အရ ဖူးခက်ဈေးနှုန်းတိုးတက်မှုက တစ်နှစ်ကို ၈-၁၀% ရှိကာ asset အမျိုးအစားပေါ်မူတည်ပြီး အကျိုးအမြတ်နှုန်းက ၅-၁၀% အထိ ကွဲပြားနိုင်ပါတယ်။ ကုန်ကျစရိတ်စာရင်းတွေကို marketing deck တွေက ချန်လှပ်ထားလေ့ရှိပါတယ်။
လက်တွေ့လုပ်ဆောင်ရန် အဆင့်များ
- သင့်ကိုယ်ပိုင် transaction မှတ်တမ်းစတင်ပါ - လိပ်စာ၊ အဆောက်အဦ၊ ဧရိယာ၊ quota အမျိုးအစား၊ ရက်စွဲ၊ ကြော်ငြာဈေးနှုန်း၊ နောက်ဆုံးဈေးနှုန်း၊ source ပါဝင်တဲ့ row ၃၀-၅၀ လောက်ရှိတဲ့ spreadsheet ရိုးရိုးလေးပါ။
- ရောင်းသူဆီက chanote နံပါတ်တောင်းပြီး အစိုးရအကဲဖြတ်ဈေးနှုန်းနဲ့ နှိုင်းယှဉ်ကြည့်ပါ - ဈေးကွက်ဈေးနှုန်းမဟုတ်ပေမယ့် ၂% လွှဲပြောင်းခကို တွက်ချက်ရာမှာ တစ်ခုတည်းသော တရားဝင်ရည်ညွှန်းချက်ပါ။
- Condo ရဲ့ juristic management office ကိုမေးပါ - လွန်ခဲ့တဲ့ ၁၂ လအတွင်း တူညီတဲ့ unit တွေရဲ့ ပိုင်ဆိုင်မှုလွှဲပြောင်းမှုတွေကို သိနိုင်ပြီး ထိုင်းစျေးကွက်ထဲက အယုံကြည်ရဆုံး local statistics နီးပါးပါပဲ။
- Duplicate listing တွေဖယ်ရှားပါ - တွေ့တဲ့ listing အားလုံးကို model တစ်ခုထဲ ထည့်ပြီး unit အလိုက် အုပ်စုဖွဲ့ခိုင်းပါ။ Apartment တစ်ခုတည်းအတွက် ၁၅-၂၀% ဈေးနှုန်းကွာဟမှု ပုံမှန်တွေ့ရပါလိမ့်မယ်။
- ငှားရမ်းအခန်းရဲ့ ဂဏန်းများ ကို sales deck နဲ့မဟုတ်ဘဲ လွန်ခဲ့တဲ့ ၁၂ လရဲ့ occupancy နဲ့ ညစာနှုန်းနဲ့ နှိုင်းယှဉ်ပါ။ management commission နဲ့ မေ-အောက်တိုဘာ low season ကိုပါ ထည့်တွက်ပါ။
- စာချုပ်ကို model ထဲထည့်လွှတ်ပါ - ထိုင်း DDP/SPA တစ်ခုကို မိနစ်ပိုင်းအတွင်း ဘာသာပြန်ခွဲခြမ်းနိုင်ပါတယ်။ ငွေပေးချေမှုအစီအစဉ်၊ developer နောက်ကျပြီးပို့ဆောင်မှုအတွက် ဒဏ်ကြေး၊ ပြီးမြောက်မီ ပြန်ရောင်းခွင့်စည်းမျဉ်းတွေကို ကြည့်ပါ။
- ကြည့်ရှုစစ်ဆေးမှုများကို ကျစ်ကျစ်လျစ်လျစ် စီစဉ်ပါ - ခရီးစဉ်တစ်ခုတည်းမှာ ပစ်မှတ်ဒေသအနီးမှာ လေယာဉ်နဲ့ တည်းခိုခန်းစီစဉ်ရင် ပိုင်ဆိုင်မှု ၈-၁၂ ခုကို လက်တွေ့စစ်ဆေးနိုင်ပါတယ်။
- ကြည့်ရှုမီ ဈေးနှုန်းအမြင့်ဆုံးကို သတ်မှတ်ပြီး အဲ့ဒါနဲ့ လက်တွေ့ကွာဟချက်ကို တစ်ခါစီမှတ်ပါ။ ဒီးလ် တစ်ဒါဇင်လောက်ကြာရင် ဒီမှတ်တမ်းဟာ သင့်ကိုယ်ပိုင် index ဖြစ်လာပြီး တခြားဘယ်သူ့ index ထက်မဆို ပိုတိကျမှာပါ။
ရင်းမြစ်: PR Newswire