靠数据分析买到好房子？看看ta是怎么做的

Posted 2022-02-13 Leo.yuan

转载源/三元方差

很有趣的一篇文章，大家可以阅读以下

最近各地都传出房地产调控政策松动的消息。我这个互联网数据分析号主也想来聊一聊楼市了。

杭州楼市在过去的半年分化越来越明显。三四年前同样起点的小区目前拉开30%~40%的差价都很正常。

很多人就开始后悔：为什么当时买的是a小区而不是b小区，买错了房少赚了几百万。

有这样想法的人，其实你让他真的回到几年前买了B小区，他还是会后悔。因为他会后悔为什么当时买的是b小区，而不是买比特币。

买房是一件人生大事，选错房对人生影响太大了。所以这篇文章就聊一聊”如何通过数据分析买到好房子“。

用数据选房

我作为一个同样在几年前在杭州买房的人，我从来不后悔当时选择的方案。因为我知道，即使让我重新回到三年前，通过我当时所有能够掌握的信息，我也做不出比目前更好的选择。

差别在哪里呢？

身边有人的买房经历是这样的：

从亲戚朋友/电梯广告/路边海报/信息流广告等处得知某楼盘即将开盘，多方打听以后发现性价比很好，在销售的多次电话催促后通知房源告罄时匆忙下单。

还有这样的：每个周末都让中介领着自己看几套房，两个月下来看了二十几套，各有优劣。老婆喜欢a小区的环境，老人觉得b小区离医院学校近，自己觉得c小区上班方便。

最终要么选一个折中方案，折中就代表着大家都接受但其实都不满意。

要么最后拍脑袋选一个，最后选错就不停抱怨。

这两种方法都有问题，前一种信息不全，后一种决策过程不清晰。

如果用数据分析的方法做决策，会收集大量信息，并根据信息得出理性的结论。只要得到的信息是相同的，每次做的决定应该是一样的。

具体怎么做呢？

数据分析，那肯定得要有数据呀。

我们可以写一段爬虫从某壳网上爬取附近小区的房价数据，然后用地图做一个炫酷的xx市房价热力图，高级一点的话点开小区还有小区的房价走势。做出类似下图的样式：

（图片来自网络）

你看，数据分析师短短几个小时的时间就比普通买房者多获得了几个数量级的信息量。数据分析师获取信息的能力就是这么夸张。

足不出户，就能知天下事。是不是很高级。

接下来我就来教如何用爬虫实现这一切。

真正的分析思维

爬虫呢，就是……

教个P，其实我根本就不会爬虫，编不下去了。

重要的是：用爬虫获取房价数据能解决选房买房的问题吗？

以下问题考虑过没有：

价格洼地就一定好吗？
便宜的房子是不是有什么问题？
并且你以为网站上的价格是真实价格吗？
房子周边没有学区，以后小孩读书怎么办？
这些问题都没有考虑，买什么房？

爬取房价数据和地理分布，最多只是辅助我们做最终决策的一个方式，而不是主要的分析方法。要得出最终的结论，还是要把数据分析的思维贯穿其中。

数据分析的思维解决问题一般有这样几个步骤：

明确问题
收集信息
分析数据
得出结论

明确问题

你买房到底是为了啥？是为了结婚？还是为了投资？亦或者第二套改善房？搞不清楚需求，就没法衡量不同房子之间的优缺点。

没有房子是完美的。有的房子配套齐全，但是房龄老，户型差。还有的房子户型环境配套等都很好，但是贵！

而且人的喜好也是不同的。就算同样是市中心的房子，喜欢热闹的人喜欢，喜欢自然风光的人不喜欢。还有人喜欢住高楼层，有人喜欢住低楼层。

买房第一步，搞清买房的目的，究竟要什么样的房子，要解决那些功能性需求以及有哪些偏好。

收集信息

之前用爬虫爬取房价数据也是信息收集的一种，但是房子除了价格之外，还有很多其他指标。比如户型、采光、交通、教育等等。

没必要把所有指标都收集全了之后再做决策，有些指标有些是有一票否决权的，可以先收集这些指标，缩小最后选择的范围。

价格信息

第一步先收集价格信息。价格信息不仅容易收集，也存在硬性约束。一般买房会有一个预算区间，太好太差的都不会考虑。这一步可以排除掉大部分小区。

周边现有配套

周边配套信息和价格信息一样，也是相对容易获取的，可以足不出户在电脑或手机上完成。通过百度地图查一下医院、学校、商场等信息，可以把一些配套明显不行的排除掉。

其中学区的判定不能直接通过距离判断，学区一般是通过户籍所属的社区决定的。可以搜索学校的招生简章，会标明招生范围是某街道某社区的。

社区的范围是一个比较麻烦的东西，地图一般只显示到某某街道，不会细到某某社区。搜索某街道某社区的话只会到某一个点。

这里我推荐一个我自己发现的地图网站openstreet。在地图上会显示社区名，不过社区范围不太精确。但是街道却非常清楚，甚至在地图上可以看到街道的分解线。

这里能采集到的大部分是现有的配套（openstreet会显示一些规划中的道路），有些配套还在规划中，这些就只能具体情况具体分析。

周边规划

周边规划的获取渠道有这么几种。

入门版 道听途说

这是最常见的类型，最初我也在这个阶段停留了很久。

一般是咨询当地朋友，了解一些规划。对于一些较成熟的城市来说这样也许足够了，成熟城市大的规划较少，但杭州城西的规划层出不穷，普通人还真未必搞得清楚。

就比如一般人会关心学校医院等正向的规划，忽略高架高压线等负向规划。如果门口道路要改造成高架，噪音影响还是很大的。

进阶版 房产类公众号

稍微好点的方式，是关注几个房产公众号。在炒房成风的杭州，这类公众号多如牛毛，搜几个热门楼盘的名字就很如找到。

这类公众号一般对规划很敏感，一有风吹草动就会开一篇文章解读。这类消息源相比朋友之间的口口相传信息密度大得多，消息源也更可靠一些。

高阶版 政府网站

最高阶的玩法是直接从规划的源头入手，直接在政府网站看规划文件。

这样做的优点是内容一般比较全面和准确，缺点是规划文件真的太难找了，整理起来也比较费劲。

规划有好几个不同级别，有国家级，省级，市级，区级。像地铁规划就要gwy的批准，省级的则有一些《xx省xx发展规划纲要》，市区级是一些市政设施如学校医院道路交通的规划，以及土地出让信息。

这里面国家级和省级的规划一般是很少变化的，通过之前朋友打听和房产公众号也基本能了解。

变化比较多的是市区级的规划。

很多道听途说的规划可能只是吹吹风，根本没有规划文件。或者之前的某个规划已经改了，而大家还不知道。所以市区级规划最佳信息源还是第一手的市级区级政府网站。

不同地区政府部门的排版差异还是挺大的，一般的目录是

政务公开-规划计划-规划信息-空间规划
这里面会有大量土地出让信息和规划文件。如下图：

小区配套

搞定了周边配套好规划，接下来具体的小区信息，就需要实地考察了。

不过在实地考察前，还是有一些方便的方式做好提前排雷。

1，贝壳找房的实地视频
贝壳找房对各个小区的物业环境拍摄了视频，可以不用到小区就有第一手的视频资料。

2，百度街景
百度街景是百度地图的一项功能，如果你对房子周边的环境不是特别熟悉的话，可以用百度街景先把附近的道路和街景搞清楚。比如我之前关注过一段时间的佛山楼市，虽然我佛山一次都没去过，但是通过百度街景，我对佛山主要街道已经很熟悉了。

以上都完成之后，开始进入实地考察阶段。

实地考察

实地考察时，除了关注室内的户型和采光，也要多多关注小区的情况。主要考察这几个方面。

小区环境
小区配套设施
物业管理水平
交通拥堵情况
停车位
邻里画像
主观偏好
这些小区信息对二手房来说比较容易确定，所见即所得。新房的话，只能多看看沙盘和图纸了。新房交付减配的情况时有发生，需要一定的运气。认准大开发商会相对更保险。

实地看房至少要看10套不同户型，看三五套的时候没啥感觉，不容易给出客观的评价。看到10套的时候基本上心里就有数了。

分析数据

说了这么多信息获取的方式，还有一个最大的问题没有解决。

以上的信息都很主观，A小区和B小区究竟哪个环境更好，没有绝对标准，如何量化比较？

兜了这么大一个圈子，终于到了具体的数据分析环节了。

我用的方法是层次分析法。

层次分析法
层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。

上面这段话很学术，没错，是我从网上复制来的。要想说清概念比较麻烦，不如直接来看案例。

层次分析法适用于多目标决策问题，什么是多目标呢。买房就是一个多目标的决策问题，价格、交通、教育、医疗等都需要考虑，其中许多目标还是矛盾的。层次分析法就是在这多个不同目标中选择一个最佳的方案。

层次结构
构建层次分析法首先要建立层次结构，结构有三层：

目标层
准则层
方案层

不解释，上案例。

买房的决策就如上图所示，一共有n套房子需要比较，每一套都参考准则层的m个准则评估，最后得到一个目标层的总分，得分最高者就是最佳选项。得分的计算公式是维度权重*维度得分，即：

房子A的目标分=房子A的价格得分价格权重+房子A的交通得分交通权重+房子A的商业得分*商业权重……以此类推。

公式里会出现两个数字：

方案在不同准则内的得分
各准则的权重
知道了这两个数字，总得分的计算就非常简单了。

准则权重
先说说如何算准则的权重。

第一种，直接拍脑袋。

没错，就是拍脑袋。我们结合自己对需求的理解，直接对准则层中交通、医疗、教育、商业等等不同的维度赋予一个分数。如果只有四个维度的话，可以这样：

交通0.2，医疗0.3，教育0.3，商业0.2。
或者

交通0.1，医疗0.3，教育0.4，商业0.2
分数根据自己感觉去打，只要最终分数加起来等于1就行

第二种，间接拍脑袋。

没错，还是拍脑袋，只不过比直接拍要高级一点，做法是专家打分和对比矩阵。

对比矩阵长这样：

表格中的分数代表着两两比较的关系，分数从1-9代表不同含义：

1代表两个因素同等重要
3代表一个因素比另一个因素稍微重要
5代表一个因素比另一个因素明显重要
7代表一个因素比另一个因素强烈重要
9代表一个因素比另一个因素极端重要
2,4,6,8是上述数据的中值
倒数，A和B相比如果是3，那么B和A相比就是1/3

看起来是不是很精准？

那分数怎么来的呢？答案还是拍脑袋——啊不，是专家打分。

这里的专家就是你自己和家人朋友，当日最主要的还是房子的所有人和使用者。

上面表格中的数字，还不能直接计算出权重，还需要做一下一致性检验。

为啥要做这一步呢？

举个例子：如果你觉得医疗相比教育来说明显重要，打了5分；而医疗相比商业强烈重要，打了7分，那么教育和医疗就一定不是同等重要的，如果你打了1分就是不合理的。

一致性检验就是帮你检查在打分过程中是否存在标准不统一的情况，具体做法这里不赘述了。

通过了一致性检验，可以对上述表格计算出权重，最终得出权重如下：

交通0.1017、医疗0.2636、教育0.5189、商业0.1157。

计算方法这里不展开了。

准则打分
准则的权重确定后，我们还要给各个方案的不同准则打分。

打分的方式和权重的确认类似，基本也是拍脑袋。不过我们之前收集信息的时候已经有了一些记录，根据这些记录打分也算有一些根据，不是胡乱拍脑袋。

举个例子，我们通过实地调查，得到了下面的表格。

最简单的办法就是把这些主观描述直接转化成分数，按照十分制或者百分制都行，只要保持统一即可。

稍微复杂点的话就和之前算权重的方法一样，只不过要多做几遍。

比如交通方面，我们对比一下ABC三套房子。

之前分数越高代表越重要，现在打分的时候分数越高代表该项准则下表现越好。

然后再对上表进行一致性检验，以及计算结果，得出该准则下的分值。

其他的准则同理。

得出结论

算出了准则的权重和不同方案的得分，最后计算出总得分即可。如下图所示（数据只是演示，和之前的表格无关)：

最后计算得出房子A的分数最高，所以选房子A。

不过因为之前打分的时候很多时候是拍脑袋的，带有一点主观成分，会有一定的偏差，如果最终前几名得分比较接近的话，可以选出前三或前五，最终选择其中一个。

18年末，我用上述这套方法选出的top2小区，在之后的两年都是周边地区涨幅top5。又因为当时收集了大量规划信息，我一度被同事们公认为买房达人。

总结

今天聊了聊数据分析思维在买房这件事当中的应用。数据分析师分析一个问题，绝不是一上来就看有什么数据，而是要遵循分析的基本方法，从明确问题开始一步步深入，随后挖掘更多信息，并通过科学的数学方法得出客观有效的结论。

这篇文章还提供了很多别人不知道的工具和技巧，希望这篇文章能帮你在大城市更好地扎下根。

专注企业数据分析应用和数字化转型。关注公众号“商业智能研究”，回复“资料”，整理了6G的数仓、数据中台、数据治理、企业数据化管理案例，供免费领！