Spatialzr a développé Spatialzr LISA, le premier système de scoring prospectif de l'attractivité des actifs tertiaires, comparable like-for-like entre toutes géographies.
LISA répond à la question que les données de marché classiques ne posent pas : quelle est la trajectoire d'attractivité de cette cellule précise dans 3 à 5 ans — avant que le marché ne se retourne ?
En deux ans, Spatialzr a imaginé, testé et consolidé un standard de score de localisation pour l’immobilier commercial :
2023 : Exploration des besoins sur le marché du scoring immobilier, architecture du premier modèle d’agrégation de données publiques.
2024 / 2025 :
POCs sectoriels : Collaboration avec des groupes immobiliers et retailers pour réaliser plusieurs études pilotes sur Londres, Paris, Lyon, Lille et dans des régions tertiaires de France.
Première version industrialisée du score.
Notre démarche s’inscrit dans une logique d’amélioration continue : chaque retour de POC, chaque jeu de données, chaque nouveauté règlementaire nourrit la valeur de notre score.
En immobilier d’entreprise, la plupart des modèles commencent par les chiffres financiers. Spatialzr fait l’inverse : nous partons de l’intelligence de localisation comme couche fondamentale – données spatiales, accessibilité, points d’intérêt, contexte urbain et environnemental – puis nous empilons par‑dessus les données bâtiment, actif et marché. C’est ce qui fait du score LISA un véritable standard de localisation, et non un simple complément aux modèles de valorisation traditionnels.
Des travaux comme ceux de McKinsey montrent que près de 60% du pouvoir prédictif des modèles immobiliers peut provenir des caractéristiques de localisation et de quartier, bien au‑delà des seuls loyers ou taux de rendement. Spatialzr répond à ce constat en proposant un score de localisation spécifiquement conçu pour l’immobilier d’entreprise (CRE), qui transforme des données ouvertes complexes en un indicateur fiable pour évaluer le potentiel d’un site – bureaux, commerces, logistique ou résidentiel.
Que vous soyez investisseur, broker, promoteur, évaluateur ou asset manager, LISA devient une colonne commune qui vous aide à comparer des sites, analyser un portefeuille ou sélectionner les meilleurs emplacements dans une logique location‑first.
Source (constat sur la contribution des variables de localisation) : McKinsey & Company, « Getting ahead of the market: How big data is transforming real estate », 2018.
Les actifs immobiliers sont fixes et de long terme : l’emplacement est donc clé. Chez Spatialzr, nous pensons que les données de référence doivent reposer sur la donnée spatiale publique : scalable, structurée et universelle. C’est sur cette base que LISA est conçu comme une couche de référence standard pour les décisions immobilières.
Notre méthodologie évalue chaque site selon six facteurs pondérés :
📍 Zone métropolitaine
🚉 Accessibilité en transport
🛍️ Activité commerciale
🏢 Densité tertiaire
🌆 Vie urbaine
🌿 Facteurs environnementaux
Le score ainsi produit est ajusté en fonction du meilleur usage : bureaux, commerces, logistique, résidentiel – ou standard pour une évaluation générale.
Il peut être enrichi par des données complémentaires (comme les transactions, flux piétons, ESG, chiffre d’affaires...) ou adapté à une stratégie d’investissement précise.
Ce qui nous rend uniques
Spatialzr conçoit LISA comme une brique standard de localisation, pensée pour s’insérer dans les modèles existants plutôt que de les remplacer. Là où beaucoup de solutions restent des boîtes noires ou des interfaces fermées, LISA fournit un score transparent, basé sur des données publiques structurées, que vous pouvez utiliser comme colonne de référence dans vos modèles maison.
Spatialzr est porté par Cyril Théret, avec plus de 20 ans d’expérience dans le développement de plateformes de marché et de solutions data pour l’immobilier et la finance, en France et au Royaume‑Uni.
Cette double culture marché / data alimente la conception de LISA comme standard de localisation exploitable directement par les équipes investissement, asset management et risque.
![[object Object]](https://umsousercontent.com/lib_AzpNsgWyClRyCwLd/j5tmqaiaxn1kdzz9.png?w=234)