Problème
Une marketplace de biens en difficulté avait besoin d'estimer les prix de vente des annonces de saisies avant l'enchère. Les outils AVM existants gèrent bien le résidentiel conventionnel mais s'effondrent sur les actifs en difficulté, où la condition, le statut d'occupation et la finesse du marché local comptent plus que les comparables.
Approche
Pipeline ML construite de bout en bout — transactions historiques de saisies, attributs de propriété, features géographiques, timing de marché — en un réseau de neurones pour la prédiction de prix. Le gros du travail était sur le prétraitement des données et le feature engineering : stratégies d'imputation de valeurs manquantes respectant la sémantique des actifs en difficulté, et interactions de features capturant la différence entre segments ruraux à vente fiscale et urbains bank-owned.
Stack
Python · TensorFlow / Keras · scikit-learn · Census + parcel geographic feature lookups
Résultat
Modèle déployé qui a battu les baselines AVM-style naïves d'une marge significative spécifiquement sur le segment en difficulté — le segment où la plupart des outils existants sous-évaluent systématiquement. Même classe de problème que les moteurs de pricing iBuyer, calibré pour les 5 % inférieurs du marché.