Kunstig intelligens
Ian Wong, Co-founder & CTO of Opendoor – Interview Serie
Kan du sammenfatte konceptet bag Opendoor, og hvordan adskiller det sig fra konkurrenter som Zillow?
Opendoor giver folk en simpel og bekvem måde at købe, sælge og bytte hjem. Vi omdanner en fragmenteret, inflexibel ejendomsmodel til en end-to-end, digital og on-demand oplevelse. Som pioneren bag “ibuyering”, har Opendoor betjent over 70.000 kunder til dags dato og er udvidet til 21 amerikanske markeder.
Opendoor kan levere næsten øjeblikkelige markedsværdier for hjem ved hjælp af en proprietær vurderingsmodel, der udnytter første- og tredjepartsdata samt brugen af machine learning, AI og menneskelig gennemgang. Med kun få tryk på Opendoor-appen kan sælgere modtage et tilbud fra Opendoor inden for 24 timer. At sælge til Opendoor giver mere valg og sikkerhed, da hjemmeejere kan vælge deres flytning ud-dato og undgå besværet og stresset ved hjemvisninger og reparationer.
Derudover har vi begyndt at løse andre udfordringer i hjemtransaktionen med lanceringen af et nyt produkt, der genopfinder hjemkøbsprocessen, lanceringen af et boliglånevirksomhed og opkøbet af et titel- og eskrow-virksomhed. Vores mål er at gøre flytningen sammenhængende, on-demand og stressfri.
Hvad var det, der tiltrak dig til Opendoor?
Vi har chancen for at genopfinde ejendomstransaktionen og dermed gendefinere menneskers forhold til deres største aktiv. I stedet for en passiv, hvad hvis hjemmeejere kan udnytte likviditeten i deres hjem på samme måde, som du og jeg kan hæve fra vores checkkonto? Hvad hvis købere og sælgere kan springe måneder med stress og usikkerhed over og blive mere sikre på at gå videre med det næste kapitel i deres liv? Visionen om at enable mere geografisk mobilitet og finansielle frihed er super spændende, og det føles, som om vi lige er begyndt på den rejse.
Opendoor analyserer en stor samling af historiske markedstransaktioner. Hvad slags datapunkter samler du?
Præcis ejendomsdata med det niveau af detaljer, vi har brug for, er ikke let at komme til. Vi bruger en kombination af store proprietære og tredjepartsdatamængder til at forstå historiske markedstransaktioner, herunder liste- og hjemneniveau detaljer. Dette betyder, at vi ser på almindelige datapunkter fra en liste, som salgsdato og pris, når hjemmet blev listet, samt datapunkter om enkelt hjem, som antallet af soveværelser og badeværelser, køkkenattributter eller kvadratmeter. Oven på dette inkorporerer vi funktioner, der angiver en hjemmes kvalitet eller unikhed, hvilket giver os mulighed for bedre at vælge sammenlignelige og ultimate pris hjemmet så præcist som muligt. Vi tager også hensyn til lignende datapunkter fra hjem, der er til salg på markedet. Disse datapunkter hjælper os med at forudsige det retfærdige markedsværdi af et hjem og den tid, det sandsynligvis vil tage at gensælge hjemmet.
Opendoor analyserer også hjem, der tages af markedet uden at transaktions, hvordan bruges denne data anderledes sammenlignet med hjem, der er solgt?
Vi ser på lignende data for både aktive hjem og hjem, der tages af markedet uden at transaktions — hjem, vi kalder “delistings”. Vores datamængde ser på en række hjem- og listeniveau detaljer, herunder kvadratmeter og listepris, for hver transaktion. Vi undersøger disse indsigt for delistings, men får ikke mulighed for at observere vores målvariabel for dage-på-markedet. Derudover ser vi på markedet som helhed for at forstå udbud og efterspørgsel. Ved at inkorporere ikke-transaktionslistninger, får vi en mere komplet billed af markedet.
Opendoor bruger Ensembling som en faktor i huspris. Kan du forklare, hvad ensembling er, og hvordan Opendoor bruger denne teknologi?
Når en køber ønsker at købe et hus eller en sælger beslutter at liste deres hjem på markedet, afhænger måden, de bestemmer hjemmets værdi, af, hvorfor de køber eller sælger. Og dette kan være meget forskelligt afhængigt af køber- og sælger-type. Vi inkorporerer dette i vores model for at forstå, hvordan købere og sælgere ser markedet, og det er her, ensembling kommer ind. Ensembling giver os mulighed for at bruge forskellige prismodeller sammen til at beregne en vægtet gennemsnit af hjemværdier. Nogle modeller kan vægte visse variable anderledes end andre. Vi har fundet, at ensembling generelt resulterer i mere præcise priser end en enkelt model.
Opendoor importerer big data fra forskellige kilder, hvilket kan være en udfordring på grund af, hvordan dataen oprindeligt var mærket eller formateret. Opendoor bruger Markov Random Field til at hjælpe med dette problem. Kan du forklare, hvad dette er?
Udfordringen stammer fra mutationer i tekstdata, fra forkortelser og stavefejl til inkonsistent ordning af ord og numeriske stavninger. Dårlig kvalitetsdata påvirker vores hjemmevurderingsmodeller, hvilket er hvorfor vi implementerede en matematisk tilgang til at standardisere tekst og forbedre kvaliteten af mærkninger. Markov Random Field giver os mulighed for at score alle mærkninger sammen og mere præcist fortolke karakteristika som underinddelinger. Scoringen af hver mærkning kommer fra to forskellige komponenter: 1) hvor godt de endelige mærkninger relaterer til den oprindelige tekst og 2) hvor rumligt kontinuerlige mærkningerne er blandt naboer. Med matematikken bag Markov-kæder gør vi dataen mere end bare summen af dens dele.
I bruger en teknik kaldet overlevelsesanalyse til at modelere den gennemsnitlige ejerperiode for et hjem, der er listet til salg. Hvad er overlevelsesanalyse, og hvordan anvender Opendoor det?
Fundamentalt har vi brug for at forstå likviditet på et per-hjem-basis og være i stand til at opdatere vores syn på likviditetsprofilen af et hjem, når vi får mere information. Overlevelsesanalyse er en statistisk metode, der analyserer den forventede mængde tid, det vil tage, før en eller flere begivenheder indtræffer. I vores tilfælde bruger vi overlevelsesanalyse til at hjælpe os med at forstå og forudsige, hvor lang tid det vil tage for et hus at sælge. Ved at bruge denne metode forbedrer vi dramatisk vores evne til at reagere på udviklingen i markedet og mere præcist forudsige vores enhedsøkonomi. Dette hjælper os med at bestemme en risikotærskel for hvert hjem og tage smartere investeringsbeslutninger, hvilket er afgørende for vores forretning.
Der er ofte faktorer, der påvirker værdien af et hjem, som er meget afhængige af beliggenhed, såsom vejstøj. Hvordan bruger du maskinlæring til at programmere din vurderingsmodel for sådanne problemer?
Opendoor Vurderingsmodellen (OVM) kombinerer maskinintelligens med menneskelig ekspertise for at give præcise og konkurrencedygtige tilbud, tagende hensyn til mindre åbenlyse faktorer, som vejstøj. For at gøre dette tillader vi vores menneskelige operatører at identificere variable og vores maskiner at forudsige, hvor meget de betyder i prisalgoritmen. OpenStreetMap (OSM) er en frit tilgængelig datamængde for vejgeometrier og hjælper os med at identificere hjem, der ligger i nærheden af veje. Vi ser også på tidligere menneskelige justeringer på hjem for at beregne den gennemsnitlige justeringsværdi. Vi kan finjustere disse værdier med skala, og efterhånden som vi samler mere menneskelig justeringsdata for markeder, vokser datamængden og forbedrer OVM-præstationen. Mest vigtigt er, at vi beriger lett tilgængelige tredjepartsdata med vores egen proprietære data. Som resultat heraf forbedres de beliggenhedsafhængige signaler dramatisk over tid.
Er der noget andet, du gerne vil dele om Opendoor?
Det, der gør arbejdet på Opendoor særligt speciel for mig, er, at vi bruger teknologi, datavidenskab og operationel excellence til at hjælpe med at løse virkelige verdensproblemer for millioner af forbrugere. Ægteskabet mellem den online og offline verden er aldrig blevet gjort før og kommer med mange nye og interessante udfordringer.
