مقابلات
إيان وونغ، المؤسس المشارك ومدير التكنولوجيا في Opendoor – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
يمكنك تلخيص概念 Opendoor، وكيف يختلف عن المنافسين مثل Zillow؟
Opendoor يوفر للناس طريقة بسيطة ومريحة لشراء وبيع وتداول المنازل. نحن نتحول إلى نموذج عقاري منقسم ومرن إلى تجربة رقمية وطالبية. كما أننا رواد “الشراء الفوري”، وقد خدمت Opendoor أكثر من 70،000 عميل حتى الآن وتوسعت إلى 21 سوقًا في الولايات المتحدة.
يمكن لـ Opendoor تقديم قيم سوقية عادلة تقريباً فورية للمنازل باستخدام نموذج تقييم مملوك ملكية خاصة يعتمد على البيانات الأولى والثالثة، إلى جانب استخدام التعلم الآلي والذكاء الاصطناعي والمراجعة البشرية. مع بضع نقرات في تطبيق Opendoor، يمكن للبائعين الحصول على عرض من Opendoor في غضون 24 ساعة. بيع Opendoor يوفر المزيد من الخيارات واليقين حيث يمكن للمالكين اختيار تاريخ مغادرة المنزل وتجنب مشاكل وعواقب العرض والصيانة.
بالإضافة إلى ذلك، بدأنا في حل نقاط الألم الأخرى في معاملة المنزل مع إطلاق منتج جديد يعيد تصور عملية شراء المنزل، وإطلاق أعمال قروض المنازل، واكتساب شركة عنوان وضمان. هدفنا هو جعل الانتقال سلسًا وطالبًا وخاليًا من القلق.
ما هو الشيء الذي جذبك إلى Opendoor؟
لدينا فرصة لإعادة تخيل معاملة العقارات، وبالتالي إعادة تعريف العلاقات بين الناس وأكبر أصولهم. بدلاً من كونها عبئًا، ماذا لو كان أصحاب المنازل يستطيعون الاستفادة من السيولة التي توفرها منازلهم بنفس الطريقة التي نستطيع من خلالها سحب الأموال من حساباتنا الجارية؟ ماذا لو كان البائعون وشراء المنازل يستطيعون تخطي أشهر من القلق وال不 اليقين، وتصبح أكثر ثقة في المضي قدمًا في الفصل التالي من حياتهم؟ رؤية تمكين المزيد من الحركة الجغرافية والحرية المالية مثيرة جدًا، ويشعرنا أننا مجرد بداية هذه الرحلة.
يحلل Opendoor مجموعة كبيرة من معاملات السوق التاريخية. ما هي النقاط البيانية التي تجمعها؟
البيانات العقارية الدقيقة بمستوى التفاصيل الذي نحتاجه ليست سهلة الحصول عليها. نستخدم مزيجًا من مجموعات البيانات الكبيرة المملوكة ملكية خاصة والبيانات الثالثة لفهم معاملات السوق التاريخية، بما في ذلك تفاصيل المستوى والعقاري. هذا يعني أننا ننظر إلى نقاط البيانات الشائعة من القائمة، مثل تاريخ البيع وسعره، عندما تم إدراج المنزل، بالإضافة إلى نقاط البيانات حول المنازل الفردية، مثل عدد الغرف والمراحيض وسمات المطبخ أو المساحة. بالإضافة إلى ذلك، ندمج الميزات التي تشير إلى جودة المنزل أو فريدته، مما يسمح لنا باختيار المنازل المماثلة بشكل أفضل وتحديد سعر المنزل بدقة أكبر. كما نأخذ في الاعتبار البيانات المماثلة من المنازل الحالية في السوق. في النهاية، تساعدنا هذه النقاط البيانية على التنبؤ بقيمة المنزل العادلة ووقت بيع المنزل.
يحلل Opendoor أيضًا المنازل التي يتم إزالتها من السوق دون معاملة، كيف يتم استخدام هذه البيانات بشكل مختلف مقارنة بالمنازل التي تم بيعها؟
ننظر إلى نفس النقاط البيانية للمنازل النشطة والمنازل التي يتم إزالتها من السوق دون معاملة – المنازل التي نسميها “إلغاء القائمة”. مجموعتنا من البيانات تنظر إلى مجموعة متنوعة من تفاصيل المستوى والعقاري، بما في ذلك المساحة والقيمة المدرجة، لكل معاملة. ندرس هذه الأفكار للإلغاء، ولكن لا نستطيع ملاحظة متغيرنا المستهدف من الأيام في السوق. بالإضافة إلى ذلك، ننظر إلى السوق بشكل شمولي لفهم العرض والطلب. من خلال دمج الإلغاءات غير المباعة، نحصل على صورة أكثر شمولاً للسوق.
يستخدم Opendoor Ensembling كعامل في تسعير المنازل. يمكنك شرح ما هو Ensembling وكيف يستخدمه Opendoor؟
عندما يريد المشتري شراء منزل أو يقرر البائع إدراج منزله في السوق، فإن الطريقة التي يحدد بها قيمة المنزل تعتمد على سبب الشراء أو البيع. وهذا يمكن أن يكون مختلفًا جدًا حسب نوع المشتري والبائع. ندمج هذا في نموذجنا لفهم كيف يرى المشترون والبائعون السوق، وهنا يأتي دور Ensembling. يسمح لنا Ensembling باستخدام نماذج تسعير مختلفة معًا لحساب متوسط وزن قيم المنازل. قد تضع بعض النماذج أوزانًا مختلفة للمتغيرات أكثر من غيرها. وجدنا أن Ensembling يؤدي بشكل عام إلى تسعير أكثر دقة من أي نموذج فردي.
يستورد Opendoor بيانات كبيرة من مصادر مختلفة والتي يمكن أن تكون تحديًا بسبب كيفية وضع العلامات أو تنسيق البيانات في الأصل. يستخدم Opendoor Markov Random Field لمساعدة هذا القضية. يمكنك شرح ما هو هذا؟
ينشأ التحدي من الطفرات في بيانات النص، من الاختصارات والorthography غير الصحيحة إلى ترتيب غير متسق للكلمات وترجمات رقمية. تؤثر بيانات الجودة السيئة على نماذج تقييم المنازل، لذلك قمنا بتنفيذ نهج رياضي لمساعدة توحيد النص وتحسين جودة العلامات. يسمح لنا Markov Random Field بتقييم جميع العلامات بشكل مشترك وتفسير سمات مثل التقسيمات بشكل أكثر دقة. يأتي تقييم كل علامة من مكونين مختلفين: 1) كيفية ارتباط العلامات النهائية بالنص الأصلي و 2) كيفية استمرار العلامات بشكل مساحي بين الجيران. باستخدام رياضيات السلاسل ماركوف، نجعل البيانات أكثر من مجرد مجموع أجزائها.
تستخدم تقنية تسمى تحليل البقاء لنمذجة متوسط وقت احتفاظ المنزل المعلن للبيع. ما هو تحليل البقاء وهل ينطبق على حالة Opendoor؟
بصورة أساسية، نحن بحاجة إلى فهم السيولة على أساس منزلي، وتمكنا من تحديث رؤيتنا لملف السيولة للمنزل عندما نحصل على المزيد من المعلومات. تحليل البقاء هو طريقة إحصائية تحلل الوقت المتوقع حتى حدوث حدث أو أكثر. في حالتنا، نستخدم تحليل البقاء لمساعدتنا على فهم وتنبؤ بمدى طول الوقت الذي سيستغرق بيع المنزل. باستخدام هذه الطريقة، نحسن بشكل كبير من قدرتنا على الاستجابة للظروف السوقية المتطورة، ونتوقع بشكل أكثر دقة اقتصاديات الوحدة، مما يساعدنا على تحديد عتبة المخاطر لكل منزل واتخاذ استثمارات أكثر ذكاءً، وهو أمر حيوي لاعمالنا.
هناك عوامل تؤثر على قيمة المنزل تعتمد على الموقع، مثل ضوضاء الطريق. كيف تستخدم التعلم الآلي لبرمجة نموذج التقييم لهذه القضية؟
يجمع نموذج تقييم Opendoor بين الذكاء الاصطناعي والخبرة البشرية لتوفير عروض دقيقة وتنافسية، مع الأخذ في الاعتبار العوامل الأقل وضوحًا، مثل ضوضاء الطريق. نحن نعتمد على مشغلينا البشريين لتحديد المتغيرات وألاتنا لتنبؤ بكيفية تأثيرها في خوارزمية التسعير. يُساعدنا OpenStreetMap (OSM) على تحديد المنازل المجاورة للطرقات. كما نبحث عن التعديلات البشرية السابقة على المنازل لحساب قيمة التعديل المتوسطة. نحن قادرون على تحسين هذه القيم مع النطاق، وكما نجمع المزيد من البيانات البشرية للتسويق، تتحسن أداء نموذج تقييم Opendoor بشكل كبير.
هل هناك أي شيء آخر تود مشاركته حول Opendoor؟
ما يجعل العمل في Opendoor خاصًا بالنسبة لي هو أننا نستخدم التكنولوجيا والعلوم البيانية والتميز التشغيلي لمساعدة حل نقاط الألم الحقيقية في العالم للملايين من المستهلكين. هذا الزواج بين العالمين المادي والرقمي لم يحدث من قبل ويأتي مع تحديات جديدة ومثيرة للاهتمام.
