Prompt: Phân tích bong bóng bất động sản – Phân tích dữ liệu bất động sản – AI Real Estate

820
Chia sẻ
2k
Lượt xem
Mục lục

Tuyệt vời! Dưới đây là phân tích chi tiết về prompt template bạn cung cấp, tuân thủ cấu trúc yêu cầu:

1. Phân tích Cấu trúc Prompt

Prompt template này được cấu trúc để thu thập thông tin phân tích chuyên sâu về thị trường bất động sản. Nó sử dụng các biến số linh hoạt để cho phép người dùng tùy chỉnh yêu cầu, làm cho prompt trở nên mạnh mẽ và có thể tái sử dụng cho nhiều tình huống khác nhau. Cấu trúc bao gồm:

  • Chỉ định thị trường cụ thể: Biến [TÊN_THỊ_TRƯỜNG] cho phép người dùng xác định rõ ràng thị trường mà họ muốn phân tích (ví dụ: “Hà Nội”, “TP. Hồ Chí Minh”, “Thị trường cho thuê căn hộ tại Đà Nẵng”).
  • Xác định khung thời gian: Biến [KHOẢNG_THỜI_GIAN] giúp người dùng giới hạn phạm vi phân tích theo thời gian (ví dụ: “quý 1 năm 2023”, “năm 2022”, “từ 2020 đến nay”).
  • Danh sách các chỉ số cần phân tích: Prompt liệt kê rõ ràng các chỉ số kinh tế quan trọng cần được xem xét: “tỷ lệ giá/thu nhập (P/I ratio)”, “tỷ lệ cho vay trên giá trị (LTV)”, “tốc độ tăng giá so với thu nhập”, và “tỷ lệ bỏ trống”.
  • Yêu cầu đánh giá cốt lõi: Trọng tâm của prompt là yêu cầu đưa ra “đánh giá về nguy cơ hình thành bong bóng bất động sản”.
  • Yếu tố bổ sung cho đánh giá: Biến [YẾU_TỐ_HỖ_TRỢ] cho phép người dùng cung cấp thêm các yếu tố mà họ muốn AI xem xét để làm phong phú thêm phân tích, bên cạnh các chỉ số đã nêu. Điều này có thể bao gồm các yếu tố vĩ mô, chính sách, tâm lý thị trường, v.v. (ví dụ: “lãi suất cho vay”, “tăng trưởng dân số”, “chính sách phát triển đô thị”, “nhu cầu đầu tư nước ngoài”).

2. Ý nghĩa & Cách hoạt động

Về mặt kỹ thuật, prompt này hoạt động bằng cách cung cấp cho mô hình ngôn ngữ một ngữ cảnh rõ ràng và các tham số cụ thể để xử lý:

  • Ngữ cảnh & Phạm vi: [TÊN_THỊ_TRƯỜNG][KHOẢNG_THỜI_GIAN] thiết lập phạm vi địa lý và thời gian cho việc tìm kiếm và phân tích dữ liệu. Mô hình sẽ tập trung vào dữ liệu liên quan đến thị trường và khoảng thời gian được chỉ định.
  • Các chỉ số chính: Việc liệt kê các chỉ số cụ thể yêu cầu mô hình truy xuất, xử lý và hiểu ý nghĩa của từng chỉ số đó.
    • Tỷ lệ giá/thu nhập (P/I ratio): Đo lường mức độ phản ánh giá nhà so với thu nhập trung bình của hộ gia đình. Tỷ lệ cao có thể cho thấy nhà ở kém khả năng chi trả.
    • Tỷ lệ cho vay trên giá trị (LTV - Loan-to-Value ratio): Phản ánh tỷ lệ khoản vay so với giá trị tài sản thế chấp. LTV cao có thể có rủi ro cao hơn cho cả người vay và người cho vay.
    • Tốc độ tăng giá so với thu nhập: So sánh mức độ tăng giá bất động sản với tốc độ tăng thu nhập. Nếu giá tăng nhanh hơn thu nhập, khả năng chi trả sẽ giảm.
    • Tỷ lệ bỏ trống: Chỉ ra tỷ lệ các bất động sản không có người ở hoặc chưa được bán. Tỷ lệ bỏ trống cao có thể là dấu hiệu của nguồn cung dư thừa hoặc nhu cầu yếu.
  • Yêu cầu đánh giá suy luận: Yêu cầu “đánh giá về nguy cơ hình thành bong bóng bất động sản” là một mệnh lệnh suy luận phức tạp. Mô hình cần kết hợp kết quả phân tích các chỉ số trên và biến [YẾU_TỐ_HỖ_TRỢ] để đưa ra một nhận định mang tính chất dự báo hoặc cảnh báo.
  • Tích hợp yếu tố phụ: [YẾU_TỐ_HỖ_TRỢ] giúp mô hình xem xét các yếu tố bên ngoài có thể ảnh hưởng đến thị trường, làm cho phân tích trở nên toàn diện hơn. Mô hình sẽ tìm kiếm mối tương quan giữa các yếu tố này và các chỉ số đã cho để đưa ra kết luận hợp lý.

3. Ví dụ Minh họa

Dưới đây là hai ví dụ về cách prompt này có thể được sử dụng để tạo ra các yêu cầu cụ thể cho mô hình AI:

Ví dụ 1: Phân tích thị trường Hà Nội

Prompt điền đầy đủ:

Phân tích các chỉ số sau đây tại thị trường Hà Nội trong quý 3 năm 2023: tỷ lệ giá/thu nhập (P/I ratio), tỷ lệ cho vay trên giá trị (LTV), tốc độ tăng giá so với thu nhập, tỷ lệ bỏ trống. Đưa ra đánh giá về nguy cơ hình thành bong bóng bất động sản dựa trên các chỉ số này và các yếu tố hỗ trợ khác như lãi suất cho vay mua nhà, chính sách siết chặt tín dụng bất động sản, và tâm lý của nhà đầu tư.

Ví dụ 2: Phân tích thị trường cho thuê TP. Hồ Chí Minh

Prompt điền đầy đủ:

Phân tích các chỉ số sau đây tại thị trường TP. Hồ Chí Minh (phân khúc căn hộ cho thuê) trong năm 2022: tỷ lệ giá/thu nhập (P/I ratio), tỷ lệ cho vay trên giá trị (LTV), tốc độ tăng giá so với thu nhập, tỷ lệ bỏ trống. Đưa ra đánh giá về nguy cơ hình thành bong bóng bất động sản dựa trên các chỉ số này và các yếu tố hỗ trợ khác như tốc độ phục hồi kinh tế, lượng kiều hối, và nguồn cung căn hộ mới ra mắt.

👉 Tóm lại
Prompt template “Phân tích các chỉ số sau đây tại thị trường [TÊN_THỊ_TRƯỜNG] trong [KHOẢNG_THỜI_GIAN]: tỷ lệ giá/thu nhập (P/I ratio), tỷ lệ cho vay trên giá trị (LTV), tốc độ tăng giá so với thu nhập, tỷ lệ bỏ trống. Đưa ra đánh giá về nguy cơ hình thành bong bóng bất động sản dựa trên các chỉ số này và các yếu tố hỗ trợ khác như [YẾU_TỐ_HỖ_TRỢ].” là một công cụ hiệu quả để yêu cầu mô hình AI thực hiện phân tích thị trường bất động sản. Cấu trúc rõ ràng, việc sử dụng các biến số linh hoạt cho phép tùy chỉnh cao, tập trung vào các chỉ số kinh tế quan trọng và yêu cầu một đánh giá suy luận cụ thể về nguy cơ bong bóng. Điều này giúp người dùng nhận được các báo cáo phân tích chi tiết, có liên quan và có giá trị đưa ra quyết định.

Rate this prompt
Thống kê
1.198 lượt xem
Nội dung Prompt
AI Prompt

AI Prompt

AIPrompt.vn là nền tảng chia sẻ và khám phá prompt AI toàn diện, nơi bạn có thể tìm kiếm, học hỏi và ứng dụng các mẫu prompt chất lượng cao cho nhiều lĩnh vực như sáng tạo nội dung, thiết kế hình ảnh, dựng video, marketing, seeding mạng xã hội, và hơn thế nữa. Website được xây dựng nhằm giúp mọi người – từ người mới bắt đầu đến chuyên gia – có công cụ tối ưu để khai thác sức mạnh AI hiệu quả, nhanh chóng và chuyên nghiệp.

AI News | Bài viết

Follow Us

Recommended

Instagram

    Please install/update and activate JNews Instagram plugin.

Trending

Welcome Back!

Login to your account below

Create New Account!

Fill the forms bellow to register

Retrieve your password

Please enter your username or email address to reset your password.