Marchand de biens 2026 : détecter les biens sous-évalués avec l'API DVF

Le marchand de biens en 2026 : un métier qui se réinvente avec la data

Le métier de marchand de biens a profondément changé ces deux dernières années. Avec la baisse des transactions entre 2022 et 2024, la remontée des taux à 3,42 % sur 20 ans en mai 2026 et une réforme DPE qui rebat les cartes de la valeur, le temps des marges faciles est terminé. Acheter un appartement 10 % sous le marché, le rafraîchir et le revendre six mois plus tard ne suffit plus : les marges se sont compressées à 8-12 % sur les opérations standards, contre 18-25 % en 2019-2021.

Dans ce contexte, le pilotage par la donnée n'est plus un luxe. Les marchands de biens les plus performants en 2026 ne se contentent plus de scanner SeLoger et Leboncoin à la main : ils utilisent l'API DVF pour quantifier précisément l'écart entre le prix d'annonce d'un bien et la « fair value » statistique du quartier, calculée à partir des transactions réelles. Cet article détaille la méthodologie complète, du choix du périmètre de chasse au scoring des opportunités, avec des exemples de code prêts à l'emploi.

Si vous découvrez les données DVF, commencez par notre guide d'introduction avant de poursuivre. Pour les bases techniques de l'API, consultez notre guide développeur DVF.

Pourquoi le DVF est l'outil clé du marchand de biens en 2026

L'asymétrie d'information se réduit

Pendant des décennies, les marchands de biens construisaient leur avantage sur une connaissance fine et locale du marché : ils savaient « au pifomètre » qu'un T2 dans la rue X valait 280 000 € parce qu'ils avaient suivi cinq transactions similaires dans les derniers mois. Cette expertise prenait des années à acquérir et restait limitée à un périmètre géographique restreint.

Avec la base DVF — désormais à plus de 30 millions de transactions — cette asymétrie d'information s'est largement résorbée. N'importe quel acheteur peut consulter les ventes récentes de son quartier sur Explore DVF en cinq minutes. La conséquence ? Les vendeurs sont mieux informés et les surcotes manifestes ont quasiment disparu. Pour rester compétitif, le marchand de biens doit donc industrialiser son analyse : ce que l'amateur peut faire pour un seul bien, le pro doit le faire automatiquement pour des centaines.

La vitesse de décision devient un avantage

Sur les marchés tendus, les meilleures opportunités partent en 48 à 72 heures. Le marchand qui doit ressortir manuellement les comparables, calculer un prix médian et estimer une marge perd la course face à celui qui dispose d'un dashboard temps réel alimenté par l'API DVF. La différence n'est pas tant la qualité de l'analyse (les bons pros sont rigoureux dans les deux cas) que le délai entre la mise en ligne d'une annonce et le passage à l'offre.

Concrètement, un pipeline DVF bien construit permet de scanner 500 nouvelles annonces par jour sur un département, de filtrer celles qui présentent un écart de prix supérieur à 12 % vs la médiane locale, et d'envoyer une alerte qualifiée à l'acheteur dans les 15 minutes suivant la publication. C'est ce niveau d'industrialisation qui sépare les marchands data-driven des autres en 2026.

La méthodologie : calculer la « fair value » d'un bien

Définir le périmètre de comparables

La « fair value » d'un bien est la médiane du prix au m² de ses comparables sur les 12 à 24 derniers mois. Le périmètre de comparables doit être suffisamment large pour avoir de la robustesse statistique (30+ transactions minimum) et suffisamment serré pour rester pertinent. Les critères standards :

Géographie : même IRIS INSEE, ou même code postal pour les zones rurales, ou rayon de 500 m pour les centres-villes denses.
Type de bien : appartement ou maison (jamais mélanger).
Surface : fenêtre de ±30 % autour de la surface du bien cible (un T3 de 60 m² se compare à des biens de 42 à 78 m²).
Période : 12 mois glissants pour les marchés actifs, 24 mois pour les petites villes.
Filtres qualité : exclure les mutations < 1 000 €/m² et > 25 000 €/m² (erreurs ou ventes atypiques), les VEFA, les adjudications, les mutations à titre gratuit.

Calculer la médiane et l'intervalle de confiance

Une fois les comparables sélectionnés, calculez la médiane du prix au m² (plus robuste que la moyenne face aux outliers) ainsi que les quantiles 25 % et 75 % qui forment l'intervalle de confiance « marché normal ». Un bien dont le prix au m² affiché tombe en dessous du Q25 est statistiquement sous-évalué — c'est votre signal d'achat potentiel.

Exemple concret : sur Lyon 7e, médiane appartements 2025 à 5 100 €/m², Q25 à 4 600 €/m², Q75 à 5 700 €/m². Une annonce à 4 300 €/m² mérite une visite immédiate ; une annonce à 5 000 €/m² est dans la norme et ne représente pas une opportunité statistique.

Tenir compte des facteurs de décote

La sous-évaluation apparente peut s'expliquer par des facteurs légitimes qui ne constituent pas une opportunité réelle. Avant de se précipiter, le marchand doit identifier les causes possibles :

DPE F ou G : décote moyenne de 8 à 14 % vs un D équivalent, conformément aux dynamiques décrites dans notre analyse de la réforme DPE 2026. Si la décote constatée correspond à celle du DPE, ce n'est pas une opportunité — c'est un prix de marché normal pour un bien énergivore.
Étage et exposition : un RDC ou un nord franc se vend 5 à 10 % moins cher que le même bien étage / sud.
Travaux nécessaires : un bien à rénover entièrement vaut 30 à 50 % de moins qu'un bien rénové équivalent (mais c'est précisément l'opportunité du marchand !).
Vice juridique : copropriété en difficulté, servitude, contentieux. À détecter en amont via lecture du règlement de copropriété.
Localisation fine défavorable : un comparable médian agrège souvent des biens proches d'un parc et des biens donnant sur une voie ferrée. La micro-localisation peut justifier 10 % d'écart.

La vraie opportunité, c'est un écart de prix qui n'est pas expliqué par ces facteurs — c'est-à-dire un vendeur pressé, mal informé, ou en situation particulière (succession, divorce, mutation pro).

Pipeline complet en 5 étapes

Étape 1 — Définir la zone de chasse

Tous les territoires ne se prêtent pas à l'opération « marchand de biens ». Les meilleurs marchés combinent quatre critères : volume de transactions élevé (minimum 200 par an et par segment), turnover rapide (durée moyenne de vente inférieure à 90 jours), spread Q25-Q75 large (signe d'une variabilité exploitable), et marché tendu côté demande pour la revente. Les bassins typiques en 2026 : grande couronne parisienne (94, 95, 78 partiels), métropole lyonnaise hors Lyon intra-muros, agglomérations bordelaise et marseillaise, et villes moyennes universitaires comme détaillé dans notre analyse primo-accédants et villes moyennes.

Étape 2 — Récupérer les comparables via l'API

Avec l'endpoint /v1/mutations/nearby d'Immo API, vous récupérez tous les comparables autour d'un point GPS en une seule requête :

curl https://api.immoapi.app/v1/mutations/nearby \
  -H "Authorization: Bearer VOTRE_CLE" \
  -G \
  --data-urlencode "lat=45.7485" \
  --data-urlencode "lng=4.8467" \
  --data-urlencode "radius=500" \
  --data-urlencode "type_local=Appartement" \
  --data-urlencode "surface_min=42" \
  --data-urlencode "surface_max=78" \
  --data-urlencode "date_min=2025-05-01" \
  --data-urlencode "date_max=2026-04-30"

L'API renvoie un tableau JSON avec une ligne par mutation, contenant le prix de vente, la surface, la date, le type de bien et les coordonnées géographiques. À ce stade, vous avez votre échantillon de comparables.

Étape 3 — Calculer la fair value

Le calcul de la médiane et des quantiles se fait en quelques lignes de Python :

import requests
import numpy as np

API_KEY = "votre_cle_immoapi"
HEADERS = {"Authorization": f"Bearer {API_KEY}"}

def fair_value(lat, lng, surface, type_local="Appartement"):
    """Calcule la fair value €/m² et les quantiles pour un bien."""
    params = {
        "lat": lat,
        "lng": lng,
        "radius": 500,
        "type_local": type_local,
        "surface_min": surface * 0.7,
        "surface_max": surface * 1.3,
        "date_min": "2025-05-01",
        "date_max": "2026-04-30",
    }
    resp = requests.get(
        "https://api.immoapi.app/v1/mutations/nearby",
        headers=HEADERS, params=params
    )
    mutations = resp.json().get("data", [])

    # Calcul du prix au m² et filtre des outliers
    prices = []
    for m in mutations:
        if m["surface_reelle_bati"] and m["valeur_fonciere"]:
            px_m2 = m["valeur_fonciere"] / m["surface_reelle_bati"]
            if 1000 < px_m2 < 25000:
                prices.append(px_m2)

    if len(prices) < 30:
        return None  # Volume insuffisant pour conclure

    return {
        "median": np.median(prices),
        "q25": np.quantile(prices, 0.25),
        "q75": np.quantile(prices, 0.75),
        "n": len(prices),
    }

Cette fonction renvoie pour chaque bien analysé sa fair value, ses bornes statistiques, et le nombre de transactions utilisées pour le calcul.

Étape 4 — Scanner les annonces et matcher

Le DVF seul ne suffit pas : il dit ce qui s'est vendu, pas ce qui est en vente maintenant. Pour détecter les opportunités, il faut récupérer les annonces actives sur les portails (SeLoger, Leboncoin, Bien'ici) et les croiser avec votre fair value. Cette partie peut être traitée par scraping (avec prudence côté CGU), par un agrégateur d'annonces tiers, ou par les flux RSS de certaines agences. Pour chaque annonce, calculez l'écart :

def detecter_opportunite(annonce):
    fv = fair_value(annonce["lat"], annonce["lng"],
                    annonce["surface"], annonce["type"])
    if not fv:
        return None

    prix_m2_annonce = annonce["prix"] / annonce["surface"]
    ecart_vs_median = (prix_m2_annonce - fv["median"]) / fv["median"]

    if prix_m2_annonce < fv["q25"]:
        return {
            "score": "FORTE_OPPORTUNITE",
            "ecart_pct": ecart_vs_median * 100,
            "fv_median": fv["median"],
            "fv_q25": fv["q25"],
            "n_comparables": fv["n"],
        }
    elif ecart_vs_median < -0.05:
        return {"score": "OPPORTUNITE_MODEREE",
                "ecart_pct": ecart_vs_median * 100}
    return None

Cette fonction filtre automatiquement les annonces normales et ne remonte que celles qui méritent une analyse humaine.

Étape 5 — Scorer et prioriser

Toutes les « opportunités » détectées ne se valent pas. Pour les prioriser, construisez un score composite qui pondère l'écart de prix, le volume de comparables (plus il est élevé, plus la fair value est fiable), la dynamique du quartier (médiane en hausse = opportunité de revente plus rapide), et la classe DPE (un DPE D ou mieux = pas de décote énergétique à compenser). Un score type :

score = (
    0.5 * abs(ecart_pct)         # Plus l'écart est grand, mieux c'est
    + 0.2 * min(n_comparables / 100, 1)  # Robustesse statistique
    + 0.2 * dynamique_quartier   # Tendance haussière du quartier
    + 0.1 * bonus_dpe            # +1 si DPE A-D, 0 si E, -1 si F-G
)

Les biens scorés au-dessus de 0,6 méritent une visite et une offre rapide. En dessous de 0,3, on les ignore — ce sont des faux signaux ou des opportunités trop fragiles pour justifier le risque opérationnel.

Croiser DVF, DPE et travaux pour estimer la marge réelle

Le DPE comme levier de marge en 2026

Avec la réforme DPE 2026, les biens classés F et G se vendent avec une décote moyenne de 8 à 14 % vs leur équivalent en D. Pour un marchand de biens, cette décote est précisément l'opportunité : acheter un F, faire les travaux d'isolation et de chauffage pour le ramener en D ou E, puis revendre au prix du marché « normalisé ». L'opération type :

Achat : appartement classé F, 60 m², prix d'achat 180 000 € (3 000 €/m²) — soit -12 % vs la médiane locale à 3 400 €/m².
Travaux : isolation extérieure (faisable en copropriété si plan voté), PAC air-air, fenêtres double vitrage. Coût total : 35 000 € (583 €/m²).
Revente : reclassé en classe D, prix de vente 215 000 € (3 583 €/m²) — au niveau de la médiane du quartier.
Marge brute : 215 000 - 180 000 - 35 000 = 0 € ? Non : sans frais de notaire et frais de revente, c'est tout juste équilibré.

L'arithmétique montre que la décote DPE seule ne suffit pas à dégager une marge intéressante. Le marchand doit ajouter un autre levier : une négociation à la baisse (vendeur pressé), un bien sous-évalué pour d'autres raisons (rénovation cosmétique nécessaire), ou des travaux subventionnés (MaPrimeRénov' Copro pour les opérations collectives).

L'IA pour estimer le coût des travaux

L'estimation des travaux est historiquement le maillon faible du processus marchand de biens. En 2026, des outils d'estimation immobilière par IA permettent désormais d'évaluer en quelques secondes le coût de remise en état à partir de photos de l'annonce. Ces estimations restent imparfaites (à ±15 % typiquement) mais suffisent à filtrer rapidement les dossiers.

Vidéo : DVF, IA et automatisation pour la chasse immobilière

Pour visualiser concrètement comment automatiser la chasse aux opportunités via DVF et IA, voici une démonstration utile :

Automatiser la veille avec des webhooks

Du polling vers le push

Un marchand de biens sérieux ne scanne pas son pipeline une fois par jour : il doit être notifié dès qu'une opportunité apparaît. Les webhooks de l'API Immo API permettent d'inverser la logique : au lieu d'interroger l'API toutes les heures, vous lui demandez de vous prévenir uniquement quand une nouvelle transaction enregistrée modifie significativement la fair value d'un quartier suivi, ou quand une nouvelle annonce active passe sous votre seuil de prix.

Architecture type

Un système complet pour un marchand de biens combine plusieurs briques :

Une base PostgreSQL qui stocke vos zones de chasse, vos critères et l'historique des opportunités détectées.
Un worker n8n ou Make qui ingère les annonces SeLoger/Leboncoin via API ou RSS.
L'API Immo API pour calculer la fair value et historiser les transactions DVF.
Un canal de notification : Slack, Telegram, email ou SMS selon votre préférence pour les alertes urgentes.
Un dashboard léger (Retool, Metabase ou simple Next.js) pour visualiser les opportunités et leur statut (à visiter / visitée / offre / classée).

Le tout peut être construit en 2 à 3 semaines par un développeur seul, ou en 1 semaine en s'appuyant sur des automatisations no-code. Le coût mensuel d'infrastructure tourne autour de 80 à 150 € (API + hébergement + outils).

Tableau récapitulatif : marchand de biens artisanal vs data-driven

Critère	Approche artisanale	Approche data-driven (DVF API)
Volume d'annonces analysées	20-50 par semaine	500-2000 par semaine
Délai entre publication et offre	3-7 jours	15 min - 4 h
Couverture géographique	1-2 quartiers	Région ou pays entier
Précision de la fair value	Subjective, mémorielle	Statistique, sourcée DVF
Faux positifs détectés tardivement	Élevés (visites perdues)	Filtrés en amont
Coût mensuel	Temps humain ~ 30 h/semaine	API 49 € + infra 30 € + 10 h/semaine
Scalabilité	Limitée à une équipe locale	Multi-villes sans effort

Erreurs courantes à éviter

1. Ignorer le délai de publication DVF

La base DVF a 4 à 6 mois de retard sur les transactions réelles. Si vous calculez une fair value en mai 2026 à partir de transactions allant jusqu'à fin 2025, vous travaillez sur un marché qui peut avoir bougé de 1 à 3 % depuis. Sur des marges fines, c'est significatif. Compensez en ajoutant un facteur de drift basé sur les indices d'annonces récents ou les indices notariaux mensuels.

2. Sur-pondérer la médiane sur zones à faible volume

Sur une commune avec 12 transactions par an sur le segment cible, la médiane peut bouger de 8 % d'une année à l'autre uniquement par hasard d'échantillonnage. Sur ces zones, élargissez le périmètre géographique (communes limitrophes) ou temporel (24 mois au lieu de 12) plutôt que de croire un signal faible.

3. Confondre opportunité statistique et opportunité opérationnelle

Un bien sous-évalué de 15 % n'est intéressant que si vous pouvez l'acheter, le rénover et le revendre dans une fenêtre maîtrisée. Une copropriété en redressement judiciaire avec un appel de fonds prévu peut afficher un prix attractif mais cumuler des risques opérationnels qui annulent la marge. La data ouvre des pistes ; le terrain valide.

4. Négliger l'aspect fiscal

Le statut de marchand de biens implique une fiscalité particulière (TVA sur la marge, taxation au régime BIC, exonération conditionnelle de plus-value). Un bon dossier statistique mal monté fiscalement peut transformer 15 % de marge brute en 3 % de marge nette. Un comptable spécialisé est aussi indispensable que l'API.

Aller plus loin : intégrations recommandées

Pour bâtir une chaîne marchand de biens complète, plusieurs ressources complémentaires :

Comparatif des API DVF 2026 : pour choisir le bon fournisseur de données selon votre volume et vos contraintes de fraîcheur.
Immo API vs API Etalab : comparaison technique entre les deux principales sources d'API DVF en France.
Guide développeur DVF : tous les endpoints, authentification, pagination et exemples de code.
MCP et IA pour interroger le DVF : la couche conversationnelle pour explorer rapidement vos zones de chasse.
Perval vs DVF : pour comprendre les sources alternatives (notamment notariales) et leurs limites.

Conclusion : la data ne remplace pas le métier, elle le démultiplie

L'arrivée des données DVF en open data n'a pas tué le métier de marchand de biens, comme certains le craignaient en 2019. Au contraire, elle l'a transformé : les marchands qui exploitent intelligemment l'API DVF en 2026 traitent 10 à 20 fois plus d'opportunités, prennent des décisions plus rapides et plus fondées, et gagnent en marge ce qu'ils perdent en intuition. La clé n'est pas de remplacer le flair par l'algorithme, mais de combiner les deux : l'algorithme filtre les 1 000 annonces du jour pour en remonter 10 qualifiées, l'humain visite, négocie et tranche.

Pour démarrer concrètement, créez un compte sur immoapi.app, expérimentez les endpoints /v1/mutations/nearby et /v1/stats sur une zone de chasse pilote, et construisez votre premier pipeline en moins d'une semaine. Le ticket d'entrée est devenu accessible — il ne reste plus qu'à passer à l'exécution. Pour rester informé des évolutions du marché et anticiper les prochains mouvements, suivez notre analyse régionale de mai 2026 et notre point sur la dernière mise à jour DVF.