Guides / Estimer un bien

Estimer la valeur d'un bien

Construisez une estimation fiable basée sur des transactions DVF réelles.

L'estimation par comparables est la méthode de référence des professionnels de l'immobilier. Elle consiste à trouver des biens similaires vendus récemment dans la même zone, puis à en déduire une fourchette de valeur pour le bien cible.

Trouver les comparables

Biens similaires vendus récemment, classés par score de similarité

Analyser les prix

Distribution des prix au m², fourchette basse/médiane/haute

Affiner si nécessaire

Élargir rayon ou période si peu de comparables

Étape 1 — Appeler find_comparables

L'endpoint GET /v1/comparables (ou l'outil MCP find_comparables) prend latitude, longitude et surface cible comme paramètres obligatoires.

import requests

API_KEY = "normi_votre_token"
BASE_URL = "https://mcp.normi.fr/v1"

def find_comparables(lat, lon, surface, type_local="Appartement", radius_m=500):
    r = requests.get(
        f"{BASE_URL}/comparables",
        params={
            "latitude": lat,
            "longitude": lon,
            "type_local": type_local,
            "surface_min": surface * 0.8,
            "surface_max": surface * 1.2,
            "radius_m": radius_m,
            "max_age_months": 12,
            "exclude_bulk_sales": True,
        },
        headers={"X-API-Key": API_KEY},
    )
    r.raise_for_status()
    return r.json()

# Appartement de 65m² à Paris 11e (lat/lon approximatifs)
result = find_comparables(48.8581, 2.3790, 65)
print(f"Comparables trouvés : {result['summary']['count']}")

Coordonnées GPS

Pour obtenir les coordonnées d'une adresse, utilisez l'API BAN gratuite : api-adresse.data.gouv.fr/search/?q=15+rue+de+la+Roquette+Paris

Étape 2 — Lire la réponse

La réponse contient deux blocs : comparables (liste triée par score) et summary (statistiques agrégées + fourchette d'estimation).

summary = result["summary"]
price_m2 = summary["price_m2"]
estimated = summary["estimated_range"]

print("=== Prix au m² ===")
print(f"  Minimum : {price_m2['min']:,} €/m²")
print(f"  Médiane : {price_m2['median']:,} €/m²")
print(f"  Maximum : {price_m2['max']:,} €/m²")

print("\n=== Fourchette d'estimation (65m²) ===")
print(f"  Basse   : {estimated['low']:,} €")
print(f"  Médiane : {estimated['median']:,} €")
print(f"  Haute   : {estimated['high']:,} €")

# Afficher les 3 meilleurs comparables
print("\n=== Top 3 comparables ===")
for comp in result["comparables"][:3]:
    print(f"  {comp['address']}")
    print(f"    {comp['surface_carrez']}m² — {comp['valeur_fonciere']:,} € ({comp['prix_m2']:,} €/m²)")
    print(f"    Distance: {comp['distance_m']}m — Score: {comp['similarity_score']:.2f}")
    print(f"    Vendu le: {comp['date_mutation']}")

Champ	Signification
similarity_score	1.0 = comparable parfait. Basé sur distance + écart de surface.
price_m2.median	Prix médian au m² sur l'ensemble des comparables trouvés.
estimated_range.low	P25 : 25% des comparables sont en dessous de ce prix.
estimated_range.median	Prix médian × surface cible — valeur centrale de l'estimation.
estimated_range.high	P75 : 75% des comparables sont en dessous de ce prix.

Étape 3 — Affiner si peu de comparables

Si summary.count est inférieur à 5, l'estimation est moins fiable. Élargissez progressivement les critères.

# Si moins de 5 comparables : élargir le rayon
if result["summary"]["count"] < 5:
    print(f"Seulement {result['summary']['count']} comparable(s). Élargissement du rayon à 1000m...")
    result = find_comparables(48.8581, 2.3790, 65, radius_m=1000)
    print(f"Après élargissement : {result['summary']['count']} comparables")

# Si toujours peu : élargir la période
if result["summary"]["count"] < 5:
    r = requests.get(
        f"{BASE_URL}/comparables",
        params={
            "latitude": 48.8581,
            "longitude": 2.3790,
            "type_local": "Appartement",
            "surface_min": 65 * 0.7,   # fourchette élargie
            "surface_max": 65 * 1.3,
            "radius_m": 1000,
            "max_age_months": 24,       # 2 ans au lieu de 12 mois
        },
        headers={"X-API-Key": API_KEY},
    )
    result = r.json()
    print(f"Avec 24 mois : {result['summary']['count']} comparables")

Compromis rayon vs pertinence

Augmenter le rayon au-delà de 1km peut introduire des biens dans des micro-marchés différents (arrondissement différent, quartier moins prisé). Préférez élargir la période temporelle plutôt que le rayon géographique.

Exemple JavaScript

const API_KEY = "normi_votre_token";

async function estimateProperty({ lat, lon, surface, typeLocal = "Appartement" }) {
  const params = new URLSearchParams({
    latitude: lat.toString(),
    longitude: lon.toString(),
    type_local: typeLocal,
    surface_min: (surface * 0.8).toString(),
    surface_max: (surface * 1.2).toString(),
    radius_m: "500",
    max_age_months: "12",
  });

  const res = await fetch(
    `https://mcp.normi.fr/v1/comparables?${params}`,
    { headers: { "X-API-Key": API_KEY } }
  );

  if (!res.ok) throw new Error(`HTTP ${res.status}`);
  const data = await res.json();

  const { price_m2, estimated_range, count } = data.summary;

  return {
    comparablesCount: count,
    pricePerM2: { min: price_m2.min, median: price_m2.median, max: price_m2.max },
    estimatedValue: {
      low: estimated_range.low,
      median: estimated_range.median,
      high: estimated_range.high,
    },
    topComparables: data.comparables.slice(0, 5),
    creditsUsed: data._credits.used,
  };
}

// Usage
const estimate = await estimateProperty({ lat: 48.8581, lon: 2.3790, surface: 65 });
console.log(`Estimation médiane : ${estimate.estimatedValue.median.toLocaleString("fr-FR")} €`);

Avec Claude (MCP)

Si Normi est connecté à Claude via MCP, vous pouvez simplement demander :

"Estime la valeur d'un appartement de 65m², 3 pièces, situé au 15 rue de la Roquette, Paris 11e. Utilise les ventes comparables des 12 derniers mois dans un rayon de 500m. Présente la fourchette basse/médiane/haute et liste les 3 meilleurs comparables avec leur adresse et prix."

Claude appellera automatiquement find_comparables et formatera les résultats de façon lisible.

Licence et données personnelles

Analyser un marché local