不動産DB

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）。

[不動産DB @fudosandb]

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]

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]

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

[政策DB @seisakudb]

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]

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]

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]

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。

[不動産DB @fudosandb]

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

[EDINET DB @edinetdb]

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。

[EDINET DB @edinetdb]

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]

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]

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]

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]

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]

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]

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]

モデル仕様 → https://t.co/UU7HaSXu3y (近日 phase3_metadata_v2.json 公開)

[不動産DB @fudosandb]

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]

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。