Gewobag fait le choix du machine learning pour plus d’efficacité

Basée à Berlin, Gewobag figure parmi les plus grandes sociétés immobilières d’Allemagne. Depuis plus de 100 ans, l’entreprise poursuit un objectif ambitieux : améliorer l’accessibilité des logements au sein de la capitale allemande. À l’instar de Berlin, Gewobag a connu une croissance dynamique au cours des dernières décennies. Aujourd’hui, le portefeuille de l’entreprise compte environ 80 000 logements et devrait continuer de croître jusqu’à atteindre 86 500 unités d’ici 2026 grâce aux nouvelles constructions, à l’achat et à la rénovation de bâtiments existants.

Gewobag n’est pas qu’une simple société immobilière. En tant qu’entreprise communale, elle s’engage activement auprès de la société et place la durabilité sociale, économique et écologique au cœur de toutes ses actions. Membre fondateur de l’initiative « Living 2050 », Gewobag s’est notamment fixé comme objectif d’atteindre la neutralité carbone dans le cadre de son parc immobilier d’ici 2050.

Pour ce faire, l’entreprise compte sur la numérisation du secteur du logement. En optimisant ses processus et sa base de données, Gewobag a pour ambition d’économiser des ressources, de réduire ses émissions et de gagner en efficacité.

Des bâtiments intelligents et des décisions basées sur les données pour bâtir le secteur immobilier de demain

Comme de nombreux autres secteurs, l’immobilier connaît une numérisation croissante. Les bâtiments deviennent toujours plus intelligents, et l’utilisation et l’évaluation des données jouent un rôle de plus en plus important. La numérisation permet entre autres d’identifier un modèle d’exploitation inefficace, des problèmes et perturbations en amont, mais aussi de soulever des axes d’amélioration et notamment des processus opérationnels à optimiser. En outre, les données des bâtiments permettent de prendre des décisions durables au sein du secteur immobilier et de répondre aux exigences légales (par exemple, en matière de reporting ESG).

L’utilisation de portails de données énergétiques dans lesquels des données fiables, complètes et plausibles sont collectées et évaluées ne cesse de prendre de l’ampleur. Le déploiement de l’IA et du machine learning contribue à réduire les tâches manuelles et à améliorer l’efficacité des processus à long terme. Gewobag ED GmbH, le fournisseur de services énergétiques de Gewobag, a d’ailleurs adopté cette approche en collaboration avec la filiale de Wavestone, qdive. L’objectif ? Implémenter un contrôle automatisé de la plausibilité des données de consommation énergétique.

Le machine learning pour le contrôle automatique de la plausibilité des données de consommation

Dans le cadre de l’établissement de la facture annuelle de consommation de plusieurs centaines de logements, la plausibilité des quantités de consommation individuelles enregistrées à l’aide de compteurs d’énergie thermique était jusqu’à présent vérifiée manuellement. Ce processus impliquait un travail considérable, car les données nécessaires à l’analyse devaient être extraites de diverses sources de données, internes comme externes, avant d’être traitées puis évaluées dans Excel. En cas de consommation de chaleur anormale, une vérification sur place était souvent requise, entraînant dans de nombreux cas le remplacement d’un compteur défectueux et des retards de facturation.

Afin d’optimiser le processus, le contrôle annuel de la plausibilité de la consommation energétique a été automatisé grâce au machine learning. Ce dernier, qui s’inscrit dans une démarche d’intelligence artificielle, permet aux ordinateurs d’identifier des modèles, d’établir des prédictions et d’apprendre à partir de données sans programmation explicite.

Grâce au contrôle manuel de la plausibilité de la consommation energétique de ces dernières années, l’on connaît les constellations plausibles et celles qui ne le sont pas. Ces données servent à entraîner un modèle de machine learning capable désormais de classer automatiquement les nouvelles données selon leur plausibilité.

L’explicabilité au centre des contrôles automatiques de la plausibilité

Dans le cadre de l’automatisation des contrôles de plausibilité des données de consommation, une attention particulière est portée à l’explicabilité des résultats. Afin de pouvoir comprendre les évaluations automatiques de plausibilité, la base de décision de chaque résultat individuel s’appuie sur les données entrantes, comme le niveau de rendement ou la consommation spécifique.

Le modèle développé met systématiquement en œuvre ces exigences. Il identifie automatiquement et presque en temps réel les entrées peu plausibles (qui impliquaient auparavant un travail manuel fastidieux). Il garantit également un niveau de précision extrêmement élevé, le but étant que les résultats soient fiables et pertinents. Enfin, il assure la transparence du processus d’évaluation de la plausibilité.

À l’avenir, l’entreprise effectuera un contrôle de plausibilité régulier tout au long de l’année. Pour ce faire, elle a connecté les sources de données internes et externes au modèle de machine learning via une API. Cela signifie que l’entreprise peut désormais effectuer des contrôles automatiques de manière régulière ou au besoin, même en dehors de la période de facturation et ce, sans déployer d’efforts supplémentaires. Elle peut par exemple identifier et remplacer rapidement les compteurs défectueux.

Numérisation du secteur du logement : la puissance des technologies intelligentes

Le contrôle de la plausibilité à l’aide du machine learning permet d’automatiser des processus onéreux et fastidieux, et ainsi de réduire directement les frais de gestion. Il ne s’agit toutefois que d’une première étape vers la numérisation du secteur du logement.

À l’avenir, l’IA et le machine learning joueront un rôle décisif dans la gestion économique et durable du parc immobilier. En analysant les prévisions météorologiques et le comportement d’utilisation des habitants, il est par exemple possible d’optimiser la consommation d’énergie, de minimiser les coûts et de réduire les émissions de CO2. Le domaine de la maintenance et de la réparation présente quant à lui un potentiel incroyable, qui peut être exploité grâce à la mise en place de solutions avancées. Une surveillance continue et automatisée des technologies du bâtiment ainsi que des prévisions intelligentes permettent de détecter les problèmes en amont et de planifier efficacement les mesures de maintenance avant que des dommages importants ne surviennent. Cela permet de minimiser les temps d’arrêt et de réduire les coûts de réparation.

Les technologies comme l’IA et le machine learning offrent donc la possibilité de transformer durablement le secteur immobilier dans sa globalité et d’apporter une réelle valeur ajoutée à la société.