Mô hình định giá tự động (AVM) là gì: AI ước giá tài sản hoạt động ra sao

Mô hình định giá tự động, viết tắt AVM (automated valuation model), là phần mềm dùng dữ liệu các giao dịch và đặc điểm tài sản để tính ra một con số ước lượng giá trị, thường kèm một khoảng giá và mức độ tin cậy, mà không cần người đi xem tận nơi. Nó ra đời trong ngành bất động sản và cho vay thế chấp, nhưng cùng nguyên lý ấy đang chạy trong các trang thu mua điện thoại cũ, ứng dụng định giá xe, công cụ báo giá đồ gia dụng.

Hiểu AVM không đòi hỏi biết lập trình. Bạn chỉ cần nắm nó lấy dữ liệu gì, so sánh kiểu gì và đầu ra nên gồm những gì. Biết ba điều đó, bạn sẽ đọc một con số "AI ước giá" như đọc một ý kiến tham khảo có nguồn gốc, chứ không như một bản án. Các con số trong bài đều là ví dụ giả định.

AVM khác gì một chatbot được hỏi "cái này đáng giá bao nhiêu"

Hai thứ hay bị gọi chung là "AI định giá" nhưng bản chất khác nhau. AVM đúng nghĩa là một mô hình được huấn luyện trên một kho dữ liệu cụ thể: hàng nghìn hay hàng triệu giao dịch đã xảy ra, mỗi giao dịch gắn với đặc điểm của tài sản. Khi bạn nhập thông tin một tài sản mới, mô hình tìm ra mối liên hệ giữa đặc điểm và giá trong kho đó rồi áp vào. Con số nó trả ra có thể truy ngược được: dựa trên những giao dịch nào, đặc điểm nào kéo giá lên hay xuống.

Chatbot đa năng thì không có kho giao dịch riêng của bạn. Nó trả lời dựa trên những gì học được từ văn bản trên mạng đến một thời điểm nào đó, cộng với những gì bạn dán vào cuộc trò chuyện. Nếu bạn hỏi chung chung, nó sẽ đưa ra một khoảng nghe hợp lý nhưng không có giao dịch thật nào đứng sau. Một số chatbot có thể tìm kiếm web, khi đó nó đọc được tin rao gần đây, nhưng tin rao là giá người bán mong muốn, không phải giá đã chốt.

Vì vậy, khi một trang web nói "AI định giá căn hộ của bạn trong ba giây", câu nên hỏi đầu tiên là: dữ liệu đầu vào là giao dịch thật hay tin rao, cập nhật đến khi nào, và họ có công bố mức sai số không. Còn khi bạn dùng chatbot, hãy coi nó như một trợ lý tính toán và lập luận, còn dữ liệu so sánh phải do bạn đưa vào. Cả hai đều hữu ích, nhưng mức tin khác nhau.

Ba cách một AVM tính ra con số

So sánh với tài sản tương tự gần nhất. Đây là cách giống người định giá nhất. Mô hình tìm những tài sản đã giao dịch có đặc điểm gần với tài sản cần định giá nhất, ví dụ cùng khu, diện tích chênh không quá một khoảng, cùng loại hình, rồi lấy giá của chúng làm gốc và điều chỉnh cho phần khác biệt. Ưu điểm là dễ giải thích: bạn xem được danh sách tài sản so sánh. Nhược điểm là khi xung quanh có ít giao dịch, "gần nhất" có thể vẫn rất xa.

Hồi quy theo đặc trưng. Cách này coi giá như tổng của nhiều phần: phần do vị trí, phần do diện tích, phần do số phòng, phần do tuổi công trình. Ý tưởng "giá ẩn của từng đặc điểm" được kinh tế học mô tả từ lâu, bài viết của Sherwin Rosen năm 1974 về giá ẩn và thị trường ngầm định thường được nhắc như nền móng. Mô hình học từ dữ liệu xem mỗi đặc điểm đáng bao nhiêu, rồi cộng lại cho tài sản mới. Nó cho biết vì sao giá lên xuống, nhưng giả định các phần cộng được với nhau, điều không phải lúc nào cũng đúng.

Học máy nhiều tầng. Các mô hình như rừng cây quyết định hay cây tăng cường dần không giả định gì trước về hình dạng quan hệ. Chúng tự tìm những tổ hợp phức tạp, chẳng hạn diện tích lớn chỉ đáng giá cao ở một số khu. Độ chính xác trung bình thường tốt hơn khi dữ liệu nhiều, đổi lại khó giải thích từng con số, và dễ "tự tin sai" ở vùng dữ liệu thưa.

Chỉ số giá theo thời gian. Một số hệ thống còn dùng chỉ số giá lặp lại: theo dõi cùng một tài sản bán nhiều lần để ước mức giá chung của khu đã đổi bao nhiêu. Chỉ số Case–Shiller ở Mỹ là ví dụ nổi tiếng của cách này. Nó giúp đưa một giao dịch cũ về mặt bằng hôm nay, nhưng chỉ chạy khi thị trường có đủ giao dịch lặp.

Từ dữ liệu đến con số: các bước bên trong một AVM

Dù dùng cách tính nào, một AVM tử tế đều đi qua chuỗi việc tương tự. Biết chuỗi này giúp bạn đoán được chỗ nào có thể hỏng.

1. Gom dữ liệu: giao dịch đã chốt, tin rao, hồ sơ thế chấp, dữ liệu địa lý, ảnh. Nguồn nào thiếu thì mô hình mù ở chỗ đó.
2. Làm sạch: bỏ tin trùng, sửa diện tích nhập sai đơn vị, loại giao dịch giữa người thân với giá tượng trưng, gộp cách ghi địa chỉ khác nhau.
3. Tạo đặc trưng: biến thông tin thô thành thứ mô hình hiểu, ví dụ khoảng cách đến trục đường chính, độ rộng hẻm, tuổi máy tính theo tháng.
4. Huấn luyện: cho mô hình học trên phần lớn dữ liệu, giữ lại một phần để kiểm tra.
5. Kiểm định: so giá mô hình đoán với giá thật của phần giữ lại, đo sai số theo từng khu, từng phân khúc, không chỉ trung bình chung.
6. Đưa ra kết quả: giá điểm, khoảng giá, điểm tin cậy, danh sách tài sản so sánh và ngày dữ liệu.
7. Theo dõi và cập nhật: thị trường đổi thì mô hình cũ trôi dần, phải huấn luyện lại định kỳ.

Bước bị làm ẩu nhiều nhất là bước hai và bước năm. Làm sạch dữ liệu tốn công mà không ai thấy, còn kiểm định theo từng phân khúc thì dễ lộ ra những chỗ mô hình yếu, nên không phải bên nào cũng công bố.

Một kết quả định giá tự động đầy đủ phải có những gì

Nhiều công cụ chỉ hiện một con số to đùng. Đó là dấu hiệu nên dè dặt. Một đầu ra đáng tin tối thiểu có các phần sau:

• Giá điểm, tức con số ước lượng chính, nên hiểu là điểm giữa chứ không phải giá đúng.
• Khoảng giá, ví dụ giả định từ 2,1 đến 2,5 tỷ đồng. Khoảng càng rộng thì mô hình càng ít chắc.
• Điểm tin cậy hoặc mức độ chắc chắn, thường chia cao, trung bình, thấp, dựa trên lượng dữ liệu tương tự.
• Danh sách tài sản so sánh mà mô hình dựa vào, để bạn tự xem chúng có thật sự giống không.
• Ngày dữ liệu: giao dịch gần nhất được dùng là lúc nào.
• Những đặc điểm mô hình không biết: nội thất, hướng, tình trạng sửa chữa, giấy tờ. Công cụ trung thực sẽ ghi rõ.

Nếu công cụ bạn đang dùng thiếu ba phần đầu, hãy coi con số đó như một tin đồn có học thức. Bài về sai số định giá tự động trong cùng danh mục giải thích cách đọc khoảng giá và điểm tin cậy kỹ hơn.

AVM, thẩm định viên và tự ước: so sánh nhanh

Ba cách tìm ra giá trị này không loại trừ nhau. Người làm nghề thường dùng AVM để sàng lọc nhanh, rồi mới gửi thẩm định viên cho những trường hợp quan trọng.

Điểm cần nhớ: với thế chấp vay vốn, góp vốn bằng tài sản hay chia tài sản có tranh chấp, kết quả có giá trị pháp lý phải do thẩm định viên hoặc doanh nghiệp thẩm định giá được phép thực hiện theo quy định hiện hành. Con số của AVM chỉ là tham khảo trong những việc này.

Ở Việt Nam, AVM vướng nhất là dữ liệu

Ở những thị trường có cơ sở dữ liệu giao dịch công khai, AVM được nuôi bằng giá chốt thật. Ở Việt Nam, giá ghi trên hợp đồng công chứng không phải lúc nào cũng là giá thật thanh toán, và dữ liệu này cũng không mở rộng rãi. Phần lớn công cụ ước giá nhà đất mà người dùng thấy được nuôi chủ yếu bằng tin rao. Tin rao thường cao hơn giá chốt, có tin ảo, có tin đăng đi đăng lại.

Với đồ cũ như điện thoại, xe máy, máy tính, dữ liệu dễ hơn vì mẫu mã chuẩn hoá: cùng đời máy, cùng dung lượng thì so được với nhau. Các cửa hàng thu mua có dữ liệu thu vào của chính họ, đó là giá chốt thật. Nhưng tình trạng máy, pin, vết trầy, máy đã sửa hay chưa lại là thứ khó số hoá, nên ở mảng này con số tự động thường lệch nhiều nhất ở khâu đánh giá tình trạng.

Hệ quả thực tế: ở Việt Nam, bạn nên coi mọi con số AI ước giá như điểm khởi đầu để hỏi tiếp, nhất là với nhà đất. Cách kiểm chéo con số và cách dùng nó khi đàm phán có bài riêng trong danh mục này.

Khi nào nên dùng AVM, khi nào nên dừng lại

Một bảng kiểm nhanh trước khi bạn đặt niềm tin vào con số máy tính ra:

• Nên dùng: muốn biết nhanh tài sản mình nằm ở vùng giá nào trước khi đăng bán hay đi xem mua.
• Nên dùng: sàng lọc hàng chục lựa chọn để chọn ra vài cái đáng đi xem tận nơi.
• Nên dùng: theo dõi xu hướng chung của một khu hay một dòng máy qua thời gian.
• Dừng lại: tài sản có đặc điểm hiếm, như nhà nở hậu bất thường, xe độ, máy bản giới hạn.
• Dừng lại: khoảng giá công cụ đưa ra rộng hơn khoảng một phần năm giá điểm.
• Dừng lại: bạn cần con số để ký hợp đồng vay, chia tài sản hay giải quyết tranh chấp.
• Dừng lại: công cụ không cho biết dữ liệu lấy từ đâu và cập nhật khi nào.

Khi dùng bất kỳ công cụ nào, đừng nhập những thông tin không cần thiết như số giấy chứng nhận, họ tên chủ sở hữu, số căn cước. Một công cụ ước giá không cần những thứ đó để ra con số. Nếu việc của bạn liên quan đến pháp lý tài sản, AI Cố Vấn là nơi bạn có thể hỏi thêm về hướng xử lý trước khi gặp luật sư.

Câu hỏi thường gặp

AVM có phải là trí tuệ nhân tạo không?

Tuỳ cách gọi. Nhiều AVM đời đầu chỉ là hồi quy thống kê, không ai gọi là AI. Các AVM mới dùng học máy, về kỹ thuật thuộc nhánh trí tuệ nhân tạo. Với người dùng, điều quan trọng không phải là nhãn mà là dữ liệu đầu vào và sai số đã được kiểm định.

Vì sao hai trang ước giá cho cùng một căn nhà hai con số khác nhau?

Vì dữ liệu và phương pháp khác nhau. Trang này dùng tin rao, trang kia dùng giao dịch của đối tác; trang này đặt nặng diện tích, trang kia đặt nặng vị trí. Chênh nhau một khoảng là bình thường. Chênh rất xa là dấu hiệu tài sản của bạn nằm ở vùng dữ liệu thưa.

Kết quả AVM có dùng để vay ngân hàng được không?

Ngân hàng có thể dùng AVM nội bộ để sàng lọc hồ sơ, nhưng giá trị tài sản bảo đảm thường vẫn cần thẩm định theo quy trình của ngân hàng hoặc đơn vị thẩm định giá. Con số bạn tự tra trên mạng không thay được bước này.

AVM có biết nhà mình vừa sửa lại không?

Thường là không, trừ khi bạn nhập thông tin đó và công cụ có ô cho phép. Đây là lý do AVM hay định giá thấp nhà vừa cải tạo và định giá cao nhà xuống cấp trong cùng khu. Phần tình trạng là phần bạn phải tự điều chỉnh.

Dùng chatbot để ước giá có đỡ hơn tra AVM không?

Chatbot giỏi lập luận và giải thích, nhưng không có kho giao dịch riêng. Nếu bạn đưa cho nó dữ liệu so sánh tốt, nó có thể làm phép tính và chỉ ra giả định. Nếu không, con số nó đưa ra chỉ dựa trên hiểu biết chung, độ tin thấp hơn một AVM có dữ liệu thật.

Làm sao biết một công cụ ước giá có đáng tin không?

Xem nó có công bố nguồn dữ liệu, ngày cập nhật, khoảng giá và sai số đo trên dữ liệu kiểm tra hay không. Thử nhập vài tài sản bạn đã biết giá giao dịch thật và xem nó lệch bao nhiêu. Công cụ chỉ đưa một con số tròn không kèm gì là công cụ nên dè chừng.