De votre adresse à votre estimation : le calcul en temps réel
Une fois le modèle entraîné, chaque nouvelle demande d'estimation déclenche un calcul en temps réel. Voici exactement ce qui se passe entre le moment où vous saisissez une adresse et le moment où un prix s'affiche.
Ce que vous fournissez, ce que le système complète
Vous répondez à ce que vous savez ; pour le reste, le système va chercher des données publiques sur votre bien (année de construction, chauffage, matériaux…) pour compléter le tableau. Mais votre réponse a toujours le dernier mot : si vous indiquez explicitement une information, elle prime toujours sur la donnée publique.
La priorité est systématiquement donnée à la réponse explicite de l'utilisateur ; les champs non renseignés (ou déclarés "inconnus") sont complétés à partir d'une base publique du bâti, géo-appariée par référence cadastrale ou par proximité géographique. L'enrichissement automatique est best-effort : son échec ou son indisponibilité ne bloque jamais le calcul, les champs concernés restant alors marqués comme manquants.
Reconstruire les mêmes variables qu'à l'entraînement
Pour être cohérent, le système recalcule pour votre bien exactement les mêmes types d'indicateurs que ceux utilisés pour entraîner le modèle (position dans le maillage spatial, indicateurs d'environnement, contexte économique du moment) — jamais une version simplifiée ou approximative.
Le pipeline de variables appliqué à une demande d'estimation reproduit strictement celui utilisé lors de la construction du jeu d'entraînement (mêmes formules de décroissance spatiale, mêmes fenêtres temporelles, mêmes encodages de variables catégorielles), condition indispensable à la cohérence entre l'entraînement et le service (« train/serve consistency »). Toute divergence, même minime, introduirait un biais systématique dans les prédictions.
Le mode écart : un prix relatif à son quartier
Plutôt que de deviner un prix absolu dans l'abstrait, le modèle raisonne d'abord en termes d'écart : votre bien vaut-il plus ou moins que le prix de référence déjà observé dans son environnement immédiat ? Le prix final s'obtient en appliquant cet écart au prix de référence local.
Le modèle prédit un écart relatif (au sens logarithmique) par rapport à l'indice spatial local le plus fin disponible (résolution hexagonale la plus précise, avec repli automatique vers une résolution plus large en cas de données locales insuffisantes). Le prix final se reconstruit comme le produit de ce prix de référence local par l'exponentielle de l'écart prédit. Cette approche permet au modèle de se concentrer sur ce qui distingue un bien de son environnement immédiat, plutôt que de réapprendre implicitement, pour chaque prédiction, un niveau de prix déjà capturé par l'indice spatial.
La fourchette calibrée
Le résultat n'est jamais un chiffre unique présenté comme certain, mais un prix médian entouré d'une fourchette basse et haute, dimensionnée pour refléter la difficulté réelle de l'estimation pour ce bien précis.
Les bornes de la fourchette (autour du 10ᵉ et du 90ᵉ centile de la distribution log-normale prédite) sont recalculées à partir des deux paramètres du modèle, puis leur largeur est ajustée par un facteur de calibration conforme (conformal prediction), déterminé sur un jeu de données tenu à l'écart de l'entraînement, global et affiné par département, pour garantir une couverture empirique fidèle plutôt que théorique.
Qui explique le prix
Le prix affiché n'est jamais une boîte noire : chaque caractéristique de votre bien (surface, proximité des transports, nuisance sonore, DPE, espaces verts…) se voit attribuer une contribution chiffrée, en euros, positive ou négative, qui permet de comprendre précisément pourquoi le prix estimé est ce qu'il est.
Chaque prédiction est décomposée par une méthode d'attribution additive de type Shapley (valeurs SHAP), calculée directement sur la structure d'arbres du modèle, pour les deux têtes (localisation et dispersion). La contribution de chaque variable est convertie en impact monétaire en simulant l'écart de prix final que provoquerait le retrait de sa contribution, permettant un classement explicite des variables par poids décroissant sur le résultat final.
Simuler un DPE meilleur
Sans aucune démarche supplémentaire, il est possible de voir combien votre bien pourrait valoir avec chaque classe de diagnostic énergétique, de A à G — utile pour évaluer le gain de valeur potentiel d'une rénovation énergétique avant même de l'engager.
Le même vecteur de variables est réévalué sept fois, en ne faisant varier que la classe de DPE (A à G), ce qui produit un prix médian par classe hypothétique — une simulation contrefactuelle directe, sans appel externe supplémentaire, exploitant la contrainte de monotonie imposée sur cette variable lors de l'entraînement.
Une donnée manquante n'est pas une donnée inventée
Si une information vous concernant n'est pas disponible, le modèle ne la remplace jamais par une valeur moyenne ou arbitraire : il a appris, pendant l'entraînement, à gérer nativement l'absence d'information sur chaque variable. Un indicateur affiche par ailleurs la proportion de caractéristiques réellement renseignées, pour rester transparent sur la complétude de chaque estimation.
Les valeurs manquantes sont représentées explicitement comme telles dans le vecteur de variables ; le modèle d'arbres de décision les traite nativement en les orientant vers une direction par défaut apprise lors de l'entraînement (où les valeurs manquantes étaient déjà présentes et gérées de façon identique), plutôt que par une imputation arbitraire qui introduirait un biais systématique. Le nombre de variables effectivement renseignées, rapporté au nombre total de variables du modèle, est exposé comme indicateur de complétude.
Envie de voir la méthode à l'œuvre sur votre bien ?
Estimer mon bien →Méthode & sources citées sur cette page
- Modèle d'estimation entraîné (voir la page Modèle & entraînement)
- Base publique du bâti pour l'enrichissement automatique