Home
Language
English
Türkçe
Bahasa Indonesia
About
Privacy Policy
Terms of Service
Pricing
Sign In
Download All
Share
不動産DB
@fudosandb
日本の不動産データを構造化して提供。国交省の実取引620万件超 + 賃料推定AI(誤差1.8%)。REST API / MCP / ブラウザで使えます。 兄弟サービス→【上場企業データ構造化データベース】( / @edinetdb)。
Web・API・MCP、完全無料で利用可能→
Joined March 2026
18
Following
333
Followers
112
Posts
Pinned Tweet
不動産DB
@fudosandb
2 months ago
国土交通省が公開する不動産情報ライブラリを主とした600万件以上のデータを構造化し、REST APIとAIコネクタで提供するプラットフォーム「FUDOSAN DB」を2026年4月6日にβ公開しました。 売買取引価格、地価公示、都市計画、ハザード情報まで35種類。 これら元データを実際に使おうとすると前処理だけで相当かかる。月5〜10万円の法人向けAPIを買うしかなかった。 全部構造化して、全データ¥0から使えるようにしました。AI賃料推定付き。 詳細はスレッドにまとめました。 https://t.co/gZGRrtO8ji
不動産DB
@fudosandb
3 days ago
データインフラに4つ目の兄弟。 政策・予算・公共調達を構造化した「政策DB」(
@seisakudb
)が公開されました。 不動産DBと同じく、公開データをAI(Claude/ChatGPT)からそのまま引ける形に。
政策DB
@seisakudb
3 days ago
プレスリリースを配信しました📣 「政策・予算・補助金・公共調達をAIから引ける『政策DB(SEISAKU DB)』公開」 税金がどの企業に流れたかを、Claude/ChatGPTから直接。 詳しくは↓ https://t.co/2sYQZIa44W
fudosandb
retweeted
政策DB
@seisakudb
3 days ago
プレスリリースを配信しました📣 「政策・予算・補助金・公共調達をAIから引ける『政策DB(SEISAKU DB)』公開」 税金がどの企業に流れたかを、Claude/ChatGPTから直接。 詳しくは↓ https://t.co/2sYQZIa44W
不動産DB
@fudosandb
4 days ago
エリアの実データを1画面で見たい人はこちら。推定賃料から実質利回りのシミュレーションまで地続きで出せます。 https://t.co/W92c70UjUp
不動産DB
@fudosandb
4 days ago
土地通信簿、プロンプトがよくできてますね。あとは地価・ハザード・将来人口・相場が"推測"じゃなく出典付きの実データになると、評価の説得力がぐっと上がると思っています。 例えば江東区。液状化リスク高・洪水想定50%でも、公示地価は前年比+9.0%、人口は2050年に+7.9%。出典付きだと、こういう一見矛盾する事実もそのまま評価表に乗ります。
ハムステルダム
@konstnar2011
5 days ago
チャッピーの土地通信簿💯 家づくりにおいても使えそう🙂 suumoなどで評価したい土地のURLをコピー。チャッピーに貼り付け、 プロンプトは以下のとおり↓↓↓ 添付した土地物件資料またはURLをもとに、住宅用地としての「土地 総合評価表」をA4縦1枚で作成してください。 不動産・建築・都市計画・災害リスクの専門家として、物件情報に加え、公的ハザードマップ、J-SHIS、自治体資料、地価公示、周辺売地相場、人口動態、都市計画情報を確認してください。 評価項目: ・物件概要 ・水害、地震、表層地盤増幅率、液状化、土砂災害 ・価格妥当性 ・将来資産性 ・利便性 ・建築時の注意点 A〜Eで評価し、総合評価を付けてください。 デザインは、濃紺ヘッダー、白背景カード、評価バッジ、アイコン、簡易イラスト、表、グラフを使ったインフォグラフィック風。 一般のお客様や不動産仲介業者に渡せる、見栄えの良い専門資料にしてください。 不明点は「要確認」とし、ハザードや都市計画は公的資料を優先してください。最終的に画像で出力してください。
See More
不動産DB
@fudosandb
4 days ago
こういう数字、AIに正確な不動産データが無いだけで、繋げば出せます。FUDOSAN DBをMCPでChatGPTやClaudeに接続すると、同じ通信簿が公示地価・洪水想定区域・2050年推計人口の実値で自動で埋まります。 接続方法: https://t.co/Ff1prOBl3G
fudosandb
retweeted
EDINET DB
@edinetdb
8 days ago
EDINET DBに「自分専用ダッシュボード」機能を追加しました。 自前でサーバー立てる必要なし、EDINET DBのダッシュボードページだけでOK。 ChatGPTやClaudeでMCPに繋いでおけば、「私のwatchlistの最近の開示を時系列で見れるダッシュボードを作って」と頼むだけで、AIが裏で組み立ててくれます。 もちろん、手動での組み立てや調整も可能です。 まだβ版。フィードバックをいただきながら今後詰めていきます。
edinetdb's tweet video.
fudosandb
retweeted
EDINET DB
@edinetdb
17 days ago
これ、Geminiが厳しくなったというより、PDFを文書のまま投げる使い方の構造的な限界が出てる気がします。100ページPDFは内部で20-30万トークン展開されて、ターンごとに毎回再送される。決算説明資料なんかも似た分量になりがちで、同じ詰まり方をする人は多いはず。 同じ問い合わせでも、構造化API経由なら約250トークンで済むケースがある。1,200倍の差。AIのコストが上がってく中、「何を読ませるか」の設計が運用コストの主軸に来た、という話を以前書きました。 https://t.co/v3n5qSax2P
不動産DB
@fudosandb
28 days ago
全国市区町村の予測値はAPI/MCP で取れます。 REST: /v1/predict-future-rent MCP: predict_future_rent Web: https://t.co/13L3hkVRxS
不動産DB
@fudosandb
28 days ago
1年後の25㎡1K賃料を予測するモデル、都市と地方で分けています。 都市9都府県(東京/神奈川/大阪/愛知/埼玉/千葉/福岡/兵庫/京都) 方向性 89.5% / MAE 1.74pp / n=1,833 地方38道県(その他全国) 方向性 75.2% / MAE 1.46pp / n=1,802 都市は将来人口とCPIが強く効き、地方は人口要因の支配がさらに強い。
不動産DB
@fudosandb
28 days ago
学習: 2022-2025の市区町村×年パネル、3,635行 都市: 1,833行(9都府県) 地方: 1,802行(38道県) Walk-forward 3-fold CV で過学習を抑制。 正則化: l1=0.5 / l2=2.0 / feature_fraction=0.7 / min_child=30 メタJSON: models/phase3_metadata_v2.json
不動産DB
@fudosandb
29 days ago
全1,920市区町村の取引単価は API/MCPで叩けます。 Web: https://t.co/uopqUGqd1z{code} (例: /area/13103 港区) REST: /v1/area/{code} → latest_avg_price_condo MCP: get_area_profile (Claude Desktop / ChatGPT) PER 計算は別エンドポイントで自動化を検討中。
不動産DB
@fudosandb
29 days ago
首都圏の中古マンション PER が32倍超で割高、という話が話題に。 取引データと賃料推定モデルで23区別に分解すると、印象が変わります。 港区 PER 37.2倍 千代田 32.5倍 渋谷 30.4倍 中央 28.8倍 … 葛飾 17.3倍 江戸川 17.2倍 足立 16.8倍 23区トップとボトムで2.21倍の差。「32倍」は都心3-4区の数字でした。
不動産DB
@fudosandb
29 days ago
この PER 差はどこから来るのか。 取引単価のスプレッド: 港 222万 / 足立 62万 = 3.6倍 賃料のスプレッド: 港 5万円/m² / 足立 3.7万円/m² = 1.6倍 地価が賃料以上に都心で上がっているので、PER が拡大する構図。 20年前は港でも PER 25倍前後、と言われていたのを思うと、明らかに都心バブル局面。
不動産DB
@fudosandb
about 1 month ago
モデル仕様 → https://t.co/UU7HaSXu3y (近日 phase3_metadata_v2.json 公開)
不動産DB
@fudosandb
about 1 month ago
不動産AI予測の精度を「誤差○%」だけで判断するのは情報量が足りません。 特に賃料予測は、絶対誤差より「方向性が当たるか」のほうが意思決定への効きが大きい場面が多いです。 直近の学習結果(都市9都府県・地方38道県分割) ・都市: 方向性 89.5% / MAE 1.74pp ・地方: 方向性 75.2% / MAE 1.46pp ・全国合算: 方向性 82.4% / MAE 1.61pp 都市は方向性高い・ブレ幅大、地方は逆。
不動産DB
@fudosandb
about 1 month ago
地方が方向性 75.2% にとどまるのは、人口減少エリアの地価が「下がる方向」と思いきや、隣接市の波及で上がるケースが学習データに混ざるため。 逆にMAE 1.46ppと小さいのは、変動幅自体が小さいから。「動きにくいけど方向は読みづらい」のが地方の特性。
Last Seen Users on Sotwe
pro aris et focis
Seen from
Turkey
Pt Bokep
Seen from
Indonesia
Niso Niso
Seen from
Pakistan
Kamu
Seen from
Indonesia
臺與
Seen from
Indonesia
viral girl
Seen from
United States
Public_man
Seen from
Vietnam
呵呵呵呵
Seen from
Indonesia
Zizinakie
Seen from
Thailand
tambihbeunghar
Trends for you
1
olivia
Under 10K tweets
2
South Korea
Under 10K tweets
3
Zach
Under 10K tweets
4
#RaisingKanan
Under 10K tweets
5
Melanie
Under 10K tweets
6
Disclosure Day
Under 10K tweets
7
#criticalrolespoilers
Under 10K tweets
8
Come Over
Under 10K tweets
9
MY WAY
Under 10K tweets
10
#SoundTheSiren
Under 10K tweets
Most Popular Users
1
Elon Musk
@elonmusk
240.2M followers
2
Barack Obama
@barackobama
119.3M followers
3
Donald J. Trump
@realdonaldtrump
111.6M followers
4
Cristiano Ronaldo
@cristiano
109.3M followers
5
Narendra Modi
@narendramodi
106.9M followers
6
Rihanna
@rihanna
97.4M followers
7
NASA
@nasa
92.1M followers
8
Justin Bieber
@justinbieber
90.6M followers
9
KATY PERRY
@katyperry
87M followers
10
Taylor Swift
@taylorswift13
80.8M followers
11
Lady Gaga
@ladygaga
72.4M followers
12
Kim Kardashian
@kimkardashian
69.5M followers
13
Virat Kohli
@imvkohli
68.9M followers
14
YouTube
@youtube
68.6M followers
15
Bill Gates
@billgates
63.5M followers
16
The Ellen Show
@theellenshow
62.5M followers
17
CNN
@cnn
61.9M followers
18
Neymar Jr
@neymarjr
61.5M followers
19
X
@x
60.9M followers
20
Selena Gomez
@selenagomez
60.1M followers
Olivia
Online
✨
⭐
💫