在万物联网的互联网＋时代，我们能否用大数据与AI技术，为买房这一需求赋能，让人们的需求在买房助手的助力下更加便捷，更加智能？笔者的一系列产品构思证明，这个思路或许能得到实现。

年前的时候我得到了一份某一线城市的二手房源信息，包括了超过数万条房屋数据，而且内容十分完整，于是我就想着能用来做点什么，便萌生了设计一个大数据+机器学习的买房助手的产品构思。

下文并不会涉及太多复杂的技术原理，只是简述我的产品思路。

一、产品设计 1. 需求分析：为什么买房

一个人为什么要买房，这是一个与当下社会环境及法律政策、人文环境、经济环境、家庭关系、自身情况混合在一起的复杂需求，有可能是刚需，也有可能是投资，还有可能纯粹收迫于他人意愿的，想要把这些需求进行客观的整理是很困难的事情，因为这个需求的表现本身就可能很不客观的。

购房的表象原因很可能是以下四个方面：

刚需

购房者或其亲属需要固定住所、入户、子女上学、旧房屋被拆迁或破旧无法居住等原因，产生的刚性需求，买房可以说是为数不多的解决方案中，社会认同性更高的、也是最容易操作、综合效果更佳的一个方案。

改善型需求

为了改善居住环境，寻求更宽敞的空间、电梯，更好的医疗资源、教育资源、交通措施等，一般在已拥有一套房的基础上，再次购买的房产，俗称买“二套房”。

投资

房产的投资方向有很多，对于住宅而言，主要又分两种：房租收入、转手收入。

房租收入就是依靠房子出租获得租金的持续性收入。

转手收入则是在购房一段时间后将房屋再次销售给其他购房者，以获得的一次性收入，俗称“找人接盘”。

投资对房子的地理位置、所属地区当前及未来的经济、治安、交通、教育、医疗环境都比较多的考究。

其他

因为房子的价格对于大部分人而言都是非常高昂的，再加上很多地区存在限购政策，让“冲动消费”对于普通购房者而言几乎不可能成为原因。但是不排除依然有此类或其他的购房原因。

刨去现象看本质，在这些表象原因中我们可以抽取出一些可量化的指标：

房屋自身：房屋的产权、面积、状况、是否有小区、是否有供暖等等

政策：是否限购、限售及其他的政策限制如“满二”、“满五”、“唯一”，是否可以入户。

教育：是否学位房、学区房，对应学校的评级如“市一级”、“省一级”

交通：是否有地铁、公交、对于有车一族还有是否有车位

其他周边：周边是否有大医院、景区，医院又分三甲、卫生院等。景区也有不同的星级评级

地区经济：对于改善型和投资购房者而言这点比较重要，他们可能会去关注当地的GDP、未来规划，如珠三角、大湾区等。

房屋售价：之所以单独列出来，而不放在房屋自身的项目中，一是因为房屋的价格其实是“绝大部分场景下”购房者首先要面对的问题，并直接影响他们对其他指标的需求程度；二是房屋的价格/价值是由以上其他指标共同影响“塑造”的；三是有些房源是要求购房者一次性付款的，可能会筛掉大部分客户。

自身情况：自身经济情况、是否拥有购房资格、贷款资格等。

所以我们要顺藤摸瓜，弄清楚购房者或决定购房的主要参与人，在他们内心，到底哪项是决定因素，哪项是次要因素。

2. 需求匹配：到底要什么

完成了需求分析后，我们就可以从新房大数据、二手房大数据中，去寻找那些符合条件的房源：

可购房类型：住宅、商住两用、公寓、小产权（不推荐）

可承担经济范围：单价、总价

房屋情况：面积、户型、朝向、电梯、楼龄、楼况、小区面积、容积率、绿化率

配套教育：幼儿园、小学、初中、高中、大学，又可以具体细分学校的等级

配套交通：公交、地铁、车位、高速路、高铁、铁路等

其他配套：医院、公园、景区

周边经济环境：街道环境内是否有商业街、大型超市；县区定位是否是自贸区、金融区；城市定位是否是珠三角、大湾区等。

因为我拿到的是特定城市的数据，加上考虑了更多刚需购房的场景，所以关于景区、县区/城市定位这些更多与改善型、投资购房相关的内容，我后文中不再详述。

通过让用户填写/输入上面的条件，就可以搜索出符合他们的需求的房子，并可以通过价格、面积、地铁、小区、电梯等进行排序或筛选，然后再一个个实地去看看，找出性价比更高的那家，然后买定离手。

这时候你就会说，这特么不就是房天下、链家APP能做的么，跟传统的有啥不一样？哪里AI了？……

3. AI建议：找出性价比更高、最可靠的房源

我将所有的房源数据进行整理后，通过不同的数据研究方式，对每个房源信息进行分析。

线性回归：初步分析

线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析 *** ，运用十分广泛。

对所有数据进行线性回归，可以得到该城市每个区、每条街道、不同的地铁线、学区房/学位房、楼龄、是否有电梯等对房价的影响因子。