Ian Wong, medstifter og CTO af Opendoor – Intervieuserie

Kan du sammenfatte konceptet bag Opendoor, og hvordan adskiller det sig fra konkurrenter som Zillow?

Opendoor giver mennesker en simpel og bekvem måde at købe, sælge og bytte hjem. Vi er ved at omdanne en fragmenteret, inflexibel ejendomsmarked til en digital og on-demand oplevelse. Som pionererne bag “ibuyering” har Opendoor betjent over 70.000 kunder til 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 maskinlæring, 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 flytningdato og undgå besværet og stresset ved hjemvisninger og reparationer.

Derudover har vi begyndt at løse andre udfordringer i hjemmehandlen med lanceringen af et nyt produkt, der genopfinder hjemmekøbsprocessen, lanceringen af et boliglåneforretning og opkøbet af et titel- og escrow-selskab. Vores mål er at gøre flytning sammenhængende, on-demand og stressfri.

Hvad var det, der tiltrak dig til Opendoor?

Vi har chancen for at genopfinde ejendomshandlen og dermed gendefinere menneskers forhold til deres største aktiv. I stedet for en passiv ejendom, hvad hvis hjemmeejere kan udnytte likviditeten i deres hjem på samme måde, som du og jeg kan hæve penge fra vores checkkonto? Hvad hvis købere og sælgere kan springe over måneder med stress og usikkerhed og blive mere sikre på, at de kan 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 I?

Nøjagtig 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 listingsniveau og hjemmeniveau detaljer. Dette betyder, at vi ser på almindelige datapunkter fra en listing, som salgsdato og pris, når hjemmet blev listet, samt datapunkter om enkelt hjem, som antallet af soveværelser og badeværelser, køkkenattributter eller kvadratmeter. Oveni dette inkluderer vi funktioner, der angiver en hjemmes kvalitet eller unikhed, hvilket giver os mulighed for bedre at vælge sammenlignelige hjem og til sidst prissætte hjemmet så præcist som muligt. Vi tager også hensyn til lignende data fra hjem, der i øjeblikket er på markedet. Til sidst hjælper disse datapunkter os med at forudsige det retfærdige markedsværdi af et hjem og hvor lang tid det sandsynligvis vil tage at gensælge hjemmet.

Opendoor analyserer også hjem, der tages af markedet uden at transaktionshændelse, hvordan bruges denne data anderledes i forhold til hjem, der er solgt?

Vi ser på lignende data for både aktive hjem og hjem, der tages af markedet uden at transaktionshændelse — hjem, vi kalder “delistings”. Vores datamængde ser på en række hjemmeniveau og listingsniveau detaljer, herunder kvadratmeter og listingspris, 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 inkludere ikke-transaktionslistinger 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. Dette kan være meget forskelligt afhængigt af køber- og sælger-type. Vi inkluderer dette i vores model for at forstå, hvordan købere og sælgere ser på markedet, hvilket er, hvor ensembling kommer ind. Ensembling giver os mulighed for at bruge forskellige prismodeller sammen til at beregne en vægtet gennemsnit af hjemmeværdier. Nogle modeller kan vægte visse variabler anderledes end andre. Vi har fundet, at ensembling generelt resulterer i mere præcise prissætning end en enkelt model.

Opendoor importerer store mængder data fra forskellige kilder, hvilket kan være en udfordring på grund af, hvordan dataene oprindeligt var mærket eller formateret. Opendoor bruger Markov Random Field til at hjælpe med denne problemstilling. Kan du forklare, hvad dette er?

Udfordringen stammer fra mutationer i tekstdata, fra forkortelser og stavefejl til inkonsistent ordning af ord og numeriske stavefejl. 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 underområder. 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 data til mere end bare summen af dets dele.

I bruger en teknik kaldet overlevelsesanalyse til at modelere den gennemsnitlige ejertid for et hjem, der er listet til salg. Hvad er overlevelsesanalyse, og hvordan anvender Opendoor denne?

Fundamentalt set har vi brug for at forstå likviditeten på et hjem-til-hjem-basis og være i stand til at opdatere vores syn på likviditetsprofilerne for et hjem, når vi får mere information. Overlevelsesanalyse er en statistisk metode, der analyserer den forventede tid, det vil tage, før en eller flere begivenheder indtræffer. I vores tilfælde bruger vi overlevelsesanalyse til at forstå og forudsige, hvor lang tid det vil tage for et hus at sælge. Ved hjælp af 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 træffe klogere 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 Vurderingsmodel (OVM) kombinerer maskinintelligens med menneskelig ekspertise til at levere præcise og konkurrencedygtige tilbud, hvor mindre åbenlyse faktorer som vejstøj tages i betragtning. For at gøre dette tillader vi vores menneskelige operatører at identificere variabler og vores maskiner at forudsige, hvor meget de betyder i prissætningsalgoritmen. OpenStreetMap (OSM) er en frit tilgængelig datamængde for vejgeometrier og hjælper os med at identificere hjem, der ligger i nærheden af veje. Vi søger også efter tidligere menneskelige justeringer på hjem for at beregne den gennemsnitlige justeringsværdi. Vi kan finjustere disse værdier med skala, og når vi samler mere menneskelig justeringsdata for markeder, vokser datamængden og forbedrer OVM’s præstation. Mest vigtigt er, at vi beriger frit tilgængelige tredjepartsdata med vores eget proprietære data. Som resultat heraf forbedres de beliggenhedsafhængige signaler dramatisk over tid.

Er der noget andet, du gerne vil dele om Opendoor?

Hvad der gør arbejdet hos Opendoor særligt speciel for mig, er, at vi bruger teknologi, datavidenskab og operationel excellence til at hjælpe med at løse virkelige problemer for millioner af forbrugere. Ægteskabet mellem den online og offline verden er aldrig blevet set før og kommer med mange nye og interessante udfordringer.

Lær mere om Opendoor