Le travail des professionnels de l'immobilier consiste en premier lieu à rechercher des informations: proximité des écoles et des commerces, réseau de transport, environnement calme... Autant d’arguments ou de contre-arguments qui leur permettront ou non de conclure une vente. Etudiants en intelligence artificielle et data science, Binta Gamassa et Martin Noël s'aperçoivent que “de nombreux professionnels de l'immobilier utilisent des outils vétustes et travaillent encore à la main avec des feuilles de calcul” confie l’entrepreneure. Convaincus du “pouvoir des données et de l’intelligence artificielle sur ce secteur”, ils développent en quelques semaines Lokimo, “un outil de prédiction des prix et des tendances immobilières automatisé qui intègre des données socio-économiques dynamiques” et les met automatiquement à jour.

Un design simple pour mieux appréhender les données

Très intuitive, la cartographie permet de choisir facilement une région et d’obtenir, d’un coup d’oeil, une vision générale ou très précise de son marché. L’onglet “résumé” fonctionne comme un dashboard comprenant un graphe analysant le prix du mètre carré, le nombre de logements vacants, la densité de population ou encore les commerces. Des précisions sont ensuite apportées pour chaque catégorie sous forme de statistiques ou de courbes. L'usage "d'un design simple permet de rapidement comprendre les données" souligne Binta Gamassa.

Le dernier onglet “marché” donne, quant à lui, des indications sur la durée moyenne de vente, la tension immobilière, la saturation du marché et le nombre d’annonces (mis à jour de manière hebdomadaire). Proposer des “données brutes ne suffisant pas”, les deux associés les ont “croisées pour pouvoir réaliser des prédictions et permettre aux utilisateurs de détecter rapidement les zones à fort potentiel”. Région, âge, école, taux d’emploi peuvent, en effet, être corrélés pour aider les courtiers à choisir où investir grâce à la fonctionnalité de recherche avec filtres. Les deux entrepreneurs prévoient également d’intégrer la génération automatique de rapports, afin de permettre à leurs utilisateurs d’exporter les données de leur choix.

Les Internets, source intarissable de données sous exploitées

En plus de l'agrégation automatique des données, Binta Gamassa et Martin Noël ont développé des “modèles prédictifs d'évolution du prix du mètre carré par zone. Pour cela, on utilise des algorithmes de machine learning qui apprennent à prédire l'évolution de ceux-ci, en se nourrissant de données aussi variées que des informations prises dans l’analyse d’articles de presse jusqu’aux données publiques de l'INSEE.” explique Binta Gamassa.

Les deux étudiants entrepreneurs ont également interrogé une quinzaine d’acteurs du secteur, avant de commencer à développer leur solution pour comprendre leurs besoins. Ils se sont ensuite nourris des retours de leurs premiers utilisateurs, ce qui leur a permis de “rapidement faire évoluer leur produit pour proposer une version plus en adéquation avec les aspirations des professionnels” reconnaît Binta Gamassa.

Lancement commercial imminent

Initié il y a quelques mois, le projet des deux étudiants entrepreneurs a déjà donné naissance à une solution disponible en ligne qu’ils sont entrain de transformer en startup. Une version plus complète, destinée au B2B, est actuellement en test. Leur participation au sein du startup studio EPITA Startup Lab, leur a permis monter une équipe, de trouver une idée business ayant du potentiel, puis une fois la première solution testée, de développer “l’aspect commercial de leur entreprise comme le démarchage de clients, le marketing du produit et de mieux comprendre leurs pain points” reconnaît Binta Gamassa. Leurs cours étant terminés, ils vont désormais “se consacrer à temps plein à leur entreprise et aller chercher de nouveaux clients” dans le cadre de leur stage de fin d’étude de six mois. Les deux associés sont, en effet, sur le point de signer leurs deux premiers contrats.

Maddyness, partenaire média du Groupe Ionis