Inteligência imobiliária

Transformando dados imobiliários em um sistema inteligente de captação e decisão.

Exemplo ilustrativoNão publicado

01 · Problema de negócio

Uma rede imobiliária nacional tem estoque fragmentado, oferta distribuída no território e compradores que dizem o que procuram em frases, não em filtros. O case mostra como a Menlo Tech traduz esse problema em um sistema: interpreta a intenção, cruza com um grafo geográfico e com os imóveis, ordena as opções com critérios explícitos e coordena agentes que publicam conteúdo e aprendem com o mercado.

Método, fluxo e agentes são apresentados em ambiente de demonstração e no tour (exemplo ilustrativo). Resultados medidos do cliente não são publicados nesta página.

A RE/MAX opera como rede: escritórios e corretores espalhados pelo país, com carteiras próprias, e uma marca que precisa ser encontrada por quem busca onde morar.

Para o comprador, o imóvel certo depende de lugar, preço, deslocamento, escola, vizinhança e rotina. Para a rede, depende de transformar esse conhecimento local em páginas e respostas úteis, em escala.

O problema operacional

A busca por filtros prefixados (bairro, preço, quartos) perde o que as pessoas realmente dizem: perto do metrô, sem baldeação, com escola a pé e silencioso.

Os dados estão desconectados: imóveis, geografia, demanda de busca e conteúdo vivem em sistemas diferentes, e cada lacuna vira trabalho manual ou oportunidade perdida.

Processo atual

  • Busca por filtros fixos, sem interpretar a intenção.
  • Conteúdo local produzido página a página, com revisão manual.
  • Estoque, geografia e demanda em bases separadas.

Limitações

  • Intenções compostas não cabem em filtros.
  • A escala de páginas locais depende de horas editoriais.
  • Sem ciclo de aprendizado, o que funciona não se repete de forma sistemática.

02 · Fundamento matemático

Recuperação semântica

Exemplo ilustrativo

A frase do comprador e cada imóvel viram vetores (embeddings), e a similaridade mede o quão próximos estão. É assim que “perto do metrô” encontra imóveis descritos com outras palavras.

Variáveis

  • ssimilaridade entre a consulta e o imóvel (de −1 a 1)
  • qconsulta do comprador
  • pimóvel candidato
  • Efunção que transforma texto em vetor

Função objetivo

Gerar candidatos: manter os imóveis mais próximos da consulta para ordená-los depois.

Restrições

  • Restrições rígidas filtram antes (por exemplo, imóvel ativo e região).
  • A similaridade gera candidatos; não decide sozinha.

Exemplo prático

Uma consulta sobre apartamento perto do metrô para ir ao trabalho aproxima imóveis em bairros com estação, mesmo quando o anúncio não usa essas palavras.

Implicação de negócio

Menos imóveis relevantes ficam invisíveis por causa de vocabulário.

Premissas e limitações

A qualidade depende do modelo de embeddings e da cobertura dos dados.

Ranqueamento multiobjetivo

Exemplo ilustrativo

Critérios normalizados (local, preço, transporte, escola, conforto, preferências) se combinam em uma nota por imóvel.

Variáveis

  • Sadequação do imóvel p à consulta q
  • wᵢpeso do critério i (não negativo; somam 1)
  • fᵢcritério i normalizado entre 0 e 1
  • nnúmero de critérios

Função objetivo

Maximizar a adequação percebida, respeitando restrições rígidas.

Restrições

  • Restrições rígidas eliminam candidatos antes da soma (por exemplo, sem baldeação, quando o comprador exige).
  • Os pesos somam 1 e podem variar conforme a intenção.

Exemplo prático

Na demonstração, mudar o peso de escola a pé reordena os imóveis e mostra quanto cada critério contribuiu para a nota.

Implicação de negócio

A ordem deixa de ser opaca: cada posição tem justificativa e trade-offs explícitos.

Premissas e limitações

Os pesos precisam ser calibrados com evidência de conversão; os do exemplo são ilustrativos.

Otimização com restrições

Exemplo ilustrativo

Escolher o que publicar, destacar ou captar com recursos limitados é um problema de otimização: cada ação tem valor esperado e custo.

Variáveis

  • xᵢ1 se a ação i é executada; 0 caso contrário
  • vᵢvalor esperado da ação i
  • aᵢesforço ou custo da ação i
  • borçamento de esforço disponível

Função objetivo

Maximizar o valor esperado total das ações escolhidas.

Restrições

  • A soma dos esforços não passa do orçamento.
  • Só entram ações elegíveis pela política (qualidade e regras do portal).
  • Cada ação entra inteira ou não entra.

Exemplo prático

Entre as páginas candidatas, quais publicar nesta onda dado o limite de revisão editorial? O tour mostra o lançamento em ondas com critérios de parada.

Implicação de negócio

O esforço editorial vai para onde mais pode render.

Premissas e limitações

O valor vᵢ depende de previsão de demanda; sem dados medidos, é uma hipótese a validar.

Previsão de demanda

Exemplo ilustrativo

Combina o histórico recente com a previsão anterior para estimar a procura nos próximos períodos. Geografia e sazonalidade entram como extensões do modelo.

Variáveis

  • ŷdemanda prevista
  • ydemanda observada
  • αpeso do dado recente (entre 0 e 1)

Função objetivo

Minimizar o erro de previsão.

Restrições

  • α fica entre 0 e 1.
  • Sazonalidade e geografia pedem modelos próprios, além deste suavizador.

Exemplo prático

Se a busca por morar em um bairro sobe todo início de ano, a previsão antecipa páginas e estoque para esse período.

Implicação de negócio

Prioriza lançamentos onde a procura tende a crescer.

Premissas e limitações

A suavização exponencial é o método mais simples, usado aqui para explicar a ideia; a escolha final exige validação com dados reais.

Jornadas como cadeia de Markov

Exemplo ilustrativo

Cada visita passa por estados (busca, lista, imóvel, contato, conversão). As probabilidades de transição descrevem para onde a navegação costuma ir.

Variáveis

  • Xestado da jornada no passo t
  • Pᵢⱼprobabilidade de passar do estado i ao estado j

Função objetivo

Estimar a probabilidade de conversão e localizar onde as jornadas se perdem.

Restrições

  • Cada linha da matriz de transição soma 1.
  • Assume que o próximo passo depende só do estado atual.

Exemplo prático

Se muitas jornadas saem da lista para fora do site, a melhoria prioritária está na lista, não no imóvel.

Implicação de negócio

O ciclo de aprendizado mira a etapa que mais perde.

Premissas e limitações

Exige dados de navegação com consentimento; as probabilidades de exemplo não são medidas.

Execute o cálculo

03 · Arquitetura técnica

Imóveis

Atributos que descrevem cada imóvel e seu estado de publicação.

  • Preço, área e quartos
  • Localização e características
  • Estado: ativo, em revisão, publicado

Geografia

Entidades do território ligadas em um grafo.

  • Bairros e vizinhanças
  • Estações e linhas
  • Escolas e eixos de deslocamento

Demanda

O que as pessoas procuram e perguntam.

  • Consultas de busca
  • Sugestões e perguntas feitas a assistentes
  • Intenções agrupadas

Comportamento

Sinais que alimentam o aprendizado.

  • Navegação
  • Contatos
  • Conversão

Fontes e volumes reais dependem de dados aprovados pelo cliente. O tour e a demonstração usam dados ilustrativos.

Camadas da arquitetura

  1. Dados e conhecimento

    Base de imóveis, grafo geográfico e demanda de busca.

    Arquitetura proposta

  2. Inteligência

    Embeddings, classificação de intenção e previsão.

    Arquitetura proposta

  3. Decisão

    Ranqueamento multiobjetivo e otimização com restrições.

    Arquitetura proposta

  4. Orquestração e política

    Agentes especializados e validação de cada ação.

    Arquitetura proposta

  5. Observabilidade e aprendizado

    Registro de eventos, indexação, impressões e conversão.

    Arquitetura proposta

Arquitetura de referência: nem todo componente existe em toda implantação, e este case não afirma qual deles está em produção.

04 · Execução agêntica

  • Agente de Intenção
    Transforma a frase do comprador em intenção estruturada, com restrições rígidas e preferências.
  • Agente de Correspondência de Imóveis
    Recupera candidatos por similaridade e aplica as restrições.
  • Agente de Inteligência Geográfica
    Consulta o grafo para deslocamentos, estações, escolas e vizinhança.
  • Agente de Qualidade de Conteúdo
    Confere se a página tem os blocos obrigatórios a partir de dados e se o texto é útil.
  • Agente de Validação de SEO
    Verifica regras de indexação, duplicidade e limites de arquivo.
  • Agente de Publicação
    Publica em ondas, dentro dos critérios de parada.
  • Agente de Análise de Desempenho
    Acompanha indexação e impressões e alimenta o aprendizado.
Os agentes propõem; uma camada de política valida cada ação antes de executar. O que um agente não pode fazer, como publicar sem passar pelo controle de qualidade, é regra e não sugestão.

Fluxo de execução

  1. Consulta em linguagem natural

    O comprador descreve o que procura com as próprias palavras.

    Exemplo ilustrativo

  2. Classificação de intenção

    A frase vira intenções: deslocamento, escola, silêncio, luz natural.

    Exemplo ilustrativo

  3. Representação semântica

    Consulta e imóveis viram vetores para comparação.

    Exemplo ilustrativo

  4. Grafo de conhecimento

    O território entra como entidades e relações verificáveis.

    Exemplo ilustrativo

  5. Correspondência de imóveis

    Candidatos são recuperados e filtrados por restrições rígidas.

    Exemplo ilustrativo

  6. Ranqueamento e otimização

    Os critérios se combinam; trade-offs ficam explícitos.

    Exemplo ilustrativo

  7. Execução por agentes

    Agentes preparam páginas e respostas; a política valida.

    Exemplo ilustrativo

  8. Feedback de conversão

    O que converte volta ao ranqueamento e à priorização.

    Arquitetura proposta

05 · Impacto no negócio

  • Relevância de busca Não publicado
    Intenções compostas passam a ser entendidas, e não apenas filtradas.
  • Qualificação de leads Não publicado
    Quem chega por uma intenção específica tende a chegar mais preparado.
  • Descoberta de estoque Não publicado
    Imóveis descritos de formas diferentes passam a ser encontrados.
  • Conversão Não publicado
    Resultados mais aderentes devem aproximar a busca do contato.
  • Operação de conteúdo Não publicado
    Páginas locais com blocos vindos de dados reduzem o trabalho manual repetitivo.
  • Eficiência da captação Não publicado
    A priorização por demanda direciona o esforço da rede.

Cada linha descreve uma relação esperada pelo desenho. Nenhuma é resultado medido: não há percentuais publicados para este case.

06 · Avaliação e aprendizado

Governança e supervisão humana

Uma camada de política valida cada ação dos agentes antes da execução: elegibilidade da página, blocos obrigatórios vindos de dados, limites de arquivo e regras de qualidade.

Editores humanos revisam o que a automação não resolve com segurança e decidem as exceções.

O lançamento é em ondas com critérios de parada explícitos: a próxima onda só abre se a indexação mínima e a taxa de páginas sem impressões estiverem dentro dos limites definidos.

Cada decisão deixa um registro de eventos que permite auditar o caminho.

Limitações e premissas

  • Os dados do tour e da demonstração são sintéticos ou ilustrativos.
  • Nenhum resultado medido do cliente é afirmado.
  • Embeddings, pesos e probabilidades dependem de validação com dados aprovados.
  • A aplicação em produção depende de acordo de dados, privacidade e regras de SEO do cliente.

Oportunidades futuras

  • Validar embeddings e pesos com dados aprovados e medir relevância.
  • Conectar o ciclo de feedback de conversão ao ranqueamento.
  • Estender a previsão de demanda com geografia e sazonalidade.
  • Publicar resultados medidos quando houver autorização e dados.

Abrir o tour interativo de algoritmos

O tour percorre os conceitos com laboratórios interativos.