月500件の物件情報、全部目で見てませんか？ — 買取再販のスクリーニングが終わらない構造的な原因

買取再販の仕入れ担当は、毎月数百件の物件情報をチェックしている。レインズ、楽待、アットホーム、業者間ネットワーク。情報ソースは増える一方なのに、最終的に買い付けに至るのは月500件中わずか0.5〜1件。つまり99.9%の物件は「見ただけ」で終わる。この「見るだけ」の時間をどう圧縮するかが、仕入れ担当の生産性を根本から変えるポイントになる。

手作業スクリーニングが抱える3つの問題

問題1：1件あたり30分、月250時間が消える

典型的な手作業スクリーニングの内訳はこうなる。物件概要の確認に5分、周辺相場の検索に10分、登記情報・都市計画のチェックに10分、Excelへの転記と判定メモに5分。合計で1件あたり約30分。月500件なら250時間。営業日20日で割ると、1日12.5時間をスクリーニングだけに使っている計算になる。もちろん全件を同じ深さで見ているわけではないが、「軽く見る」だけでも1件10分はかかる。

問題2：判定基準がベテランの頭の中にある

「このエリアは駅距離より学区が大事」「築40年超でもRC造なら再販できる」。こうした判定基準は、5年以上の経験を持つベテランの暗黙知として存在する。新人に引き継げないので、ベテランが休むとスクリーニング精度が落ちる。実際、ある買取再販会社では、ベテラン1名の退職後に仕入れ成約率が40%低下した事例がある。

問題3：スピード負けで物件を逃す

良い物件は早い者勝ち。スクリーニングに3日かけている間に、競合がもう買い付け申込みを入れている。特に首都圏の買取再販では、情報入手から買い付け判断までのリードタイムが48時間を切る物件も珍しくない。手作業では物理的に追いつかない。

AIスクリーニング導入の3ステップ

ステップ1：データ整備（2〜4週間）

まず必要なのは、過去に買い付けた物件と見送った物件のデータを整理すること。最低でも過去2年分、100件以上のデータが望ましい。整理する項目は以下の通り。

ポイントは「見送り」のデータも必ず残すこと。AIが学習するのは「買った物件」だけでなく、「なぜ見送ったか」のパターンも含まれる。見送りデータがないと、スクリーニング精度は上がらない。

ステップ2：判定基準の数値化（1〜2週間）

ベテランの頭の中にある判定基準を、数値のルールに落とし込む。完璧を目指す必要はない。まず「1次フィルタ」として、明らかに対象外の物件を弾くルールを5〜8個作る。

この1次フィルタだけで、月500件の物件の60〜70%（300〜350件）を自動で除外できる。残った150〜200件だけを人間が目視で2次スクリーニングする。これで作業量は一気に半分以下になる。

ステップ3：自動フィルタリングの実装（2〜4週間）

1次フィルタのルールをシステムに実装する。方法は大きく2つある。

導入前後のBefore/After比較

月250時間が37.5時間に。差の212.5時間は、仕入れ先への訪問・交渉・既存物件の再販活動に充てられる。スクリーニングは「やらなきゃいけないけど利益を生まない作業」なので、ここを圧縮する効果は人員を1名追加するのに匹敵する。

導入時の落とし穴と対策

落とし穴1：フィルタが厳しすぎて良物件を弾く

最初の1〜2ヶ月は、自動除外された物件の中から無作為に20件をサンプリングして、人間が目視チェックする。もし「これは買い付け対象だった」という物件が混ざっていたら、フィルタ条件を緩める。この調整を3ヶ月ほど繰り返すと、精度が安定してくる。

落とし穴2：データ入力が続かない

物件情報の入力が面倒で、結局使われなくなるケースが多い。対策は、ポータルサイトからのデータ自動取り込みを組み込むこと。レインズはCSVエクスポートに対応しているので、日次で取り込みバッチを走らせるだけで入力工数はゼロになる。

まとめ：スクリーニングは「判断」ではなく「除外」を自動化する

AIスクリーニングと聞くと「AIが買うべき物件を教えてくれる」と期待しがちだが、実際に効果が出るのは「明らかに対象外の物件を自動で除外する」部分。最終的な買い付け判断は、現地調査や売主との交渉を含めて人間がやる。AIが担うのは、人間が判断に集中できる環境を作ること。月250時間を37.5時間に圧縮し、浮いた時間で「買うべき物件」との接点を増やす。これがスクリーニング効率化の本質になる。