Najmeh Dehghani, Ingegnere di analisi, JLL
Il processo di richiesta di preventivo (RFQ) può essere ottimizzato utilizzando algoritmi di apprendimento automatico per prevedere il prezzo degli edifici in metallo pre-ingegnerizzato (PEMB) sulla base di dati storici. Questo processo prevede la raccolta di dati sui PEMB, la loro preelaborazione rimuovendo i valori mancanti e gestendo i valori anomali, selezionando le funzionalità pertinenti attraverso la progettazione delle funzionalità e suddividendo i dati in set di addestramento e test. Per costruire il modello è possibile utilizzare algoritmi di apprendimento automatico popolari come regressione lineare, alberi decisionali, foresta casuale o reti neurali e per valutare il modello vengono utilizzate metriche delle prestazioni come l'errore quadratico medio (MSE) e l'errore quadratico medio (RMSE) .
Python e JMP sono due strumenti che possono essere utilizzati per questa modellazione predittiva. Python è un linguaggio di programmazione popolare con analisi dei dati e librerie di machine learning. Allo stesso tempo, JMP è un pacchetto software commerciale per l'analisi statistica e la visualizzazione dei dati. La scelta tra i due dipende dai requisiti specifici del progetto, dalle competenze dell'utente e dalle risorse disponibili.
Creando un modello predittivo per i PEMB, le organizzazioni possono stimare con maggiore precisione il peso dei progetti futuri, portando a una migliore definizione del budget, pianificazione e allocazione delle risorse.
