新制實價登錄上路後「建物型態」從原本的12大類，合併成4類分別為公寓、住宅大樓、華廈、透天厝，故在資料運用上變得不易查找其它建物型態。

建立智能機器學習，運用10種案件特徵如「土地使用分區」、「交易樓層」、「建物格局」及「建物主要用途」等條件，有效分辨95%原始案件的建物型態。

實價登錄成交價格時常混雜的車位總價，若要取得乾淨的建坪單價就得扣除車位價後加以計算，目前登載具車位交易案件中，因車位資訊不完整約50%案件無法拆分單價。

透過獨家的智能機器學習，可有效拆分99%不同車位類型與其建坪單價。

實價登錄資料中部份坐標具有偏移或空值的情況，且地址資訊也曾出現亂碼、缺漏及空值。

運用瑞竣門牌模組重新定位，可精準判斷該建物所在位置，以提升準確性。

實價登錄資料中部份案件屋齡為空或實際屋齡計算結果有誤，而在預售屋的買賣中，因建築完成日會大於交易完成日，導致出現預售屋其屋齡為正值的狀況。

針對以下三種狀況，皆有相對應的清整方式：
(1) 交易日期 大於 建築完成日
(2) 交易日期 小於 建築完成日
(3) 交易日期、建築完成日期任一為空值

實價登錄樓層為國字(一層、騎樓等)，系統無法以國字進行比對，查找符合之案例。

針對樓層資料都會轉成資料庫結構(1|2|騎樓)。

內政部是以縣市提供實價登錄資料，而檔案中並無縣市欄位資訊，故當資料匯入資料庫，若有相同資訊名稱，則無法快速辨識。
如下圖為例：中正區是坐落於臺北市，還是基隆市呢？

運用空間比對同鄉鎮市區名稱的案件，來做為案件歸類，以強化案件資訊的準確性，有效快速新增大量中正區案件所屬縣市與縣市代碼資訊。