مقابلات
Sam Stone، PM، Pricing at Opendoor – Interview Series
سام هو شغوف ببناء المنتجات في تقاطع التمويل و تعلم الآلة. وهو حاليًا رئيس قسم المنتج لفرقة التسعير في Opendoor، وهي شركة ناشئة في مرحلة متأخرة تستخدم الخوارزميات لشراء وبيع المنازل على الفور، مما يوفر للملاك الوقت والجهد والمخاطر المرتبطة bằng تسويق منازلهم و استقبال الزوار.
ما الذي جذبك في البداية إلى تعلم الآلة و العلوم البيانية؟
بعد التخرج، عملت في شركة خدمات مهنية كبيرة وظفت مئات من خريجي الكليات في نفس المنصب الأولي. مع تقدمي في عمليات التوظيف، صُدمت و خاب أملي من اختلاف الآراء داخل الشركة حول السمات التي تؤدي إلى نجاح المرشحين. بدا الأمر وكأنه مشكلة مهمة، حيث كان هناك نقص في الوضوح. لكنني كنت متحمسًا لحقيقة أن لدينا بيانات كافية عن المرشحين السابقين و نتائج التوظيف الجديدة التي لم يتم ربطها أو تحليلها بشكل عميق. لذلك، بدأت العمل على ذلك، معاملته كمسألة إحصائية، باستخدام أدوات أساسية مثل الانحدار الخطي. مع مرور الوقت، نمت المشروع إلى شركة ناشئة، وأصبحت الطرق التي استخدمناها أكثر تطورًا. على سبيل المثال، كنا نريد معالجة الصوت و النص غير المهيكل من المقابلات مباشرة، وهذا أدى بنا إلى تبني نماذج تعلم الآلة الأكثر قوة مثل الشبكات العصبية.
يمكنك مناقشة نموذج تقييم Opendoor الآلي (OVM)، وكيف يحسب القيمة المقدرة للملكية؟
نموذج تقييم Opendoor (OVM) هو جزء أساسي من أعمالنا ويدخل في العديد من تطبيقات التسعير المتدفقة.
في nhiều طرق، يتصرف OVM مثل المشتري أو البائع النموذجي – يبحث عبر الحي، بما في ذلك أنواع و أسعار المنازل المباعة مؤخرًا. ومع ذلك، عندما يتعلق الأمر بتسعير المنازل، خاصة بالنظر إلى تنوع المنازل في جميع أنحاء الولايات المتحدة، فإنه ليس كافياً النظر فقط إلى أسعار المبيعات المماثلة. إنه أكثر تعقيدًا من ذلك. نأخذ في الاعتبار مجموعة متنوعة من العوامل، من المساحة و الفضاء الخلفي إلى عدد الحمامات و الغرف، التصميم، الطرق المزدحمة، التحديثات، وغيرها. يتم تغذية OVM بواسطة مجموعة متنوعة من مصادر البيانات، بما في ذلك المعلومات الضريبية للملكية، اتجاهات السوق بالإضافة إلى العديد من الإشارات المحددة للمنزل و الحي. كما نبحث عن التعديلات البشرية السابقة على المنازل لحساب قيمة التعديل المتوسطة. ونحن قادرون على تحسين هذه القيم مع النطاق. مع جمعنا لمزيد من بيانات التعديلات البشرية للأسواق، ينمو مجموعة البيانات و يحسن أداء OVM. إنه حلقة تغذية راجعة تتحسن باستمرار مع مرور الوقت.
بالإضافة إلى كونه دقيقًا للغاية، يجب أن يعمل بزمن استجابة منخفض و تغطية عالية. وهذا يعني أن كل مرة ندخل سوقًا جديدًا، نحتاج إلى توسيع قدرات OVM لضمان أنه يمكنه خدمة الملاك عبر الأحياء و أنواع المنازل.
ما هي بعض منهجيات تعلم الآلة المختلفة المستخدمة؟
عندما بدأنا بناء OVM، اعتمدنا في البداية على نماذج إحصائية خطية لفهم عملية اتخاذ القرار للمشترين و البائعين. لكن مع مرور الوقت، تطور OVM و يعتمد الآن على شبكة عصبية، و بالتحديد على هيكل يسمى الشبكة السيامية. نستخدم هذا لتحويل سلوكيات المشترين و البائعين، بما في ذلك اختيار المنازل المماثلة و تعديلها و وزنها. هذا أمر حيوي لأننا وجدنا أنه من أجل تحقيق دقة عالية، تحتاج النماذج إلى反عكس هذه الخطوات الرئيسية التي يتبعها المشاركون في السوق في هيكلها.
إحدى الفوائد الكثيرة لاستخدام شبكة عصبية هي أنها تتمتع بالدقة و المرونة لاستيعاب البيانات عبر جميع الأسواق و اكتشاف النويات المحلية الدقيقة. و بالتالي، عندما تطلق Opendoor في سوق جديد أو توسع مخزونها في سوق موجود، يمكننا استخدام نفس النموذج، و بالتالي تجاوز الكثير من عمل البنية التحتية الهندسية الذي يأتي من إنشاء نموذج إنتاج جديد. بدلاً من ذلك، نركض البيانات الجديدة من خلال النموذج الحالي، مما يقلل بشكل كبير من الوقت الذي يقضيه مهندسونا في هذه العملية.
هناك أيضًا العديد من منهجيات تعلم الآلة الأخرى التي نستخدمها في Opendoor، بالإضافة إلى الشبكات العصبية. تشمل هذه، على سبيل المثال لا الحصر، أشجار القرار و تقنيات التجميع و أنظمة الترتيب و خوارزميات التحسين.
يعتمد Opendoor على كميات هائلة من البيانات، من哪里 يتم جمع هذه البيانات؟
البيانات التي تجدها خوارزمياتنا الأكثر قيمة هي أيضًا البيانات التي يصعب العثور عليها. هذا هو البيانات التي نولدها بأنفسنا أو نطورها من خلال علاقات حصرية. نستخدم مزيجًا من البيانات الداخلية وبيانات العقارات الثالثة، بما في ذلك نقاط البيانات من القوائم، مثل تاريخ البيع وعدد الغرف و المساحة و المزيد. بالإضافة إلى ذلك، ننظر إلى الميزات التي تشير إلى فريدية المنازل، وهي أشياء يمكن فقط للخبرة البشرية تقديمها، مثل الإضاءة وضوضاء الشارع و جودة الأجهزة و التشطيبات و المزيد. نجمع البيانات من المنازل التي已经 في السوق بالإضافة إلى المنازل خارج السوق التي شارك أصحابها المعلومات معنا.
يمكنك مناقشة بعض جهود Opendoor لتحسين سرعة و موثوقية البنية التحتية التي تزوّد بياناتها الخام؟
قبل إطلاق أي سوق جديد، نبتلع سنوات من البيانات التاريخية. البيانات عالية الجودة حاسمة لتدريب خوارزمياتنا و مشغلينا المحليين لضمان فهمهم للتنوع داخل ذلك السوق. لتحسين السرعة و الجودة و الموثوقية، بنينا أدوات خريطة بيانات مرنة و أدوات لتقييم تغطية حقول البيانات الجديدة تلقائيًا. مع توافر هذه الأدوات، يمكننا ابتلاع و التحقق من صحة كميات كبيرة من بيانات المعاملات العقارية التاريخية في غضون ساعات أو أيام، بدلاً من أسابيع.
استراتيجية أخرى استثمرنا فيها هي مراقبة جودة البيانات التلقائية و الوقائية. قمنا بتشغيل أنظمة تحقق من توزيعات البيانات التي نبتلعها و نتحولها في كل خطوة من العملية، في الوقت الفعلي. على سبيل المثال، إذا كنا نتوقع أن يكون هناك 20٪ من القوائم الجديدة في السوق على المتوسط من الشقق، و اليوم 50٪ من القوائم الجديدة مصنفة على أنها شقق، فإن هذا سيؤدي إلى تنبيه لمهندس للتحقيق.
كيف يتم دمج الحكم البشري الخبير مع خوارزميات تعلم الآلة لإنشاء حلقات تغذية راجعة للأداء المتحسن باستمرار؟
خبراؤنا الداخليون في التسعير يلعبون دورًا هامًا في قرارات التسعير عبر أعمالنا، و يعملون جنبًا إلى جنب مع خوارزمياتنا. حيث لا تزال الآلات تمتلك نقاط عمى، يملأ مشغلونا الفجوات، و نعتمد عليهم من خلال مراحل مختلفة. على سبيل المثال، يضيفون أو يؤكدون بيانات الإدخال، مثل جودة مشاريع الترميم某ة. يتخذون قرارات متوسطة حول الميزات التي قد تكون صعبة التقييم، وهم أيضًا يتخذون قرارات واجهة المستخدم، مثل العروض التي يجب أن نقبلها. العنصر البشري سيكون دائمًا حاسمًا في استراتيجيتنا و نعتقد أن زواج الخبراء و الخوارزميات هو الأفضل.
يمكنك تعريف الاختبار العكسي و مناقشة أهميته في Opendoor؟
الاختبار العكسي هو طريقة لتقييم دقة نموذج باستخدام البيانات التاريخية. على سبيل المثال، قد نقوم بتدريب نموذج تقييم Opendoor على بيانات من يناير 2015 إلى يناير 2021. في هذا السياق، “التربية” تعني أننا نغذي الإدخالات التاريخية، مثل سمات المنزل، و النتائج، مثل أسعار المنازل المباعة، إلى النموذج. و بالتالي، يتعلم النموذج علاقة بين الإدخالات و النتائج. ثم نأخذ هذا النموذج، الذي يعكس هذه العلاقات الجديدة المكتسبة، و نغذي فيه مجموعة أخرى من البيانات التاريخية، على سبيل المثال من فبراير 2021. لأن البيانات هي تاريخية، نعرف النتائج، و يمكننا قياس مدى انحرافها عن التنبؤات.
هذه العملية مهمة جدًا في Opendoor، و يتم استخدامها لجميع منتجات تعلم الآلة. إنها تقلل من خطر مشكلة تسمى التحسين الزائد، عندما يحدد نموذج تعلم الآلة أنماطًا في البيانات التاريخية التي ليست هناك حقًا. على سبيل المثال، العلاقات الزائفة التي لا تساعد في التنبؤ بالعالم الحقيقي. كما أنها تنقذنا من تشغيل اختبارات A / B المكلفة في العالم الحقيقي على المنتجات و الاستراتيجيات الجديدة التي يمكن إliminationها بناءً على البيانات التاريخية.
هل هناك أي شيء آخر تود مشاركته حول Opendoor؟
نحن نبحث عن موظفين! إذا كنت مهتمًا ببناء مستقبل العقارات، و / أو العمل في تقاطع التمويل و تعلم الآلة و المنتجات الاستهلاكية، يرجى التقدم! لدينا أدوار مفتوحة عبر الوظائف و المدن. راجعوا صفحة وظائفنا هنا.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Opendoor.
