Ian Wong, Συνιδρυτής & CTO της Opendoor – Συνέντευξη Σειράς

Μπορείτε να συνοψίσετε την концепασία πίσω από την Opendoor και πώς διαφέρει από τους ανταγωνιστές όπως η Zillow;

Opendoor προσφέρει στους ανθρώπους έναν απλό και βολικό τρόπο για να αγοράσουν, να πουλήσουν και να ανταλλάξουν σπίτια. Μετατρέπουμε ένα θραυσματικό, άκαμπτο μοντέλο ακινήτων σε μια ψηφιακή και on-demand εμπειρία. Jako πιονέρες του “ibuyering”, η Opendoor έχει εξυπηρετήσει πάνω από 70.000 πελάτες μέχρι σήμερα και έχει επεκταθεί σε 21 αγορές των ΗΠΑ.

Η Opendoor είναι σε θέση να προσφέρει gần-αμέσως δίκαιες τιμές αγοράς για σπίτια χρησιμοποιώντας ένα ιδιόκτητο μοντέλο αξιολόγησης που αξιοποιεί πρώτες και τρίτες πarty δεδομένα, μαζί με τη χρήση μηχανικής μάθησης, AI και ανθρώπινης αναθεώρησης. Με μόνο quelques taps στην εφαρμογή Opendoor, οι πωλητές μπορούν να λάβουν μια προσφορά από την Opendoor μέσα σε 24 ώρες. Η πώληση στην Opendoor προσφέρει περισσότερη επιλογή και βεβαιότητα, καθώς οι ιδιοκτήτες σπιτιών μπορούν να επιλέξουν την ημερομηνία αναχώρησής τους και να αποφύγουν το άγχος και το στρες των εμφανίσεων και των επισκευών.

Επιπλέον, abbiamo αρχίσει να λύνουμε άλλα προβλήματα στην διαδικασία αγοράς σπιτιών με την έναρξη ενός νέου προϊόντος που αναβιάζει τη διαδικασία αγοράς σπιτιών, την έναρξη ενός επιχειρήματος δανείων σπιτιών και την απόκτηση μιας εταιρείας τίτλων και εσκόρ. Ο στόχος μας είναι να κάνουμε την μετακίνηση αμαχητί, on-demand και χωρίς στρες.

Τι ήταν αυτό που σας έκανε να ενδιαφερθείτε για την Opendoor;

Έχουμε την ευκαιρία να ξανασχεδιάσουμε τη συναλλαγή ακινήτων, ορίζοντας εκ νέου τις σχέσεις των ανθρώπων με το μεγαλύτερο περιουσιακό τους στοιχείο. Αντί να είναι ένα βάρος, τι αν οι ιδιοκτήτες σπιτιών μπορούν να αξιοποιήσουν τη ρευστότητα που προσφέρει το σπίτι τους με τον ίδιο τρόπο που και εμείς μπορούμε να αναλήξουμε από το τραπεζικό μας λογαριασμό; Τι αν οι αγοραστές και πωλητές μπορούν να παραλείψουν τους μήνες άγχους και αβεβαιότητας και να γίνουν πιο σίγουροι για το επόμενο κεφάλαιο της ζωής τους; Η όραση της ενεργοποίησης της γεωγραφικής κινητικότητας και της οικονομικής ελευθερίας είναι υπέρ συναρπαστική και feels σαν να ξεκινάμε αυτό το ταξίδι.

Η Opendoor αναλύει μια μεγάλη συλλογή ιστορικών συναλλαγών αγοράς. Ποιοι είναι οι τύποι δεδομένων που συλλέγουμε;

Ακρίβεια δεδομένων ακινήτων με το επίπεδο λεπτομέρειας που χρειαζόμαστε δεν είναι εύκολο να βρεθεί. Χρησιμοποιούμε eine συνδυασμό μεγάλων ιδιόκτητων και τρίτων δεδομένων για να κατανοήσουμε τις ιστορικές συναλλαγές αγοράς, συμπεριλαμβανομένων των λεπτομερειών listing-level και home-level. Αυτό σημαίνει ότι κοιτάμε κοινά δεδομένα από μια λίστα, όπως η ημερομηνία πώλησης και η τιμή, όταν το σπίτι λίστηκε, καθώς και δεδομένα που αφορούν τα ιδιαίτερα σπίτια, όπως ο αριθμός των υπνοδωματίων και των μπάνιων, χαρακτηριστικά κουζίνας ή τετραγωνικά μέτρα. Επίσης, ενσωματώνουμε χαρακτηριστικά που υποδεικνύουν την ποιότητα ή την μοναδικότητα ενός σπιτιού, μας επιτρέποντας να επιλέξουμε καλύτερα τα συγκρίσιμα και τελικά να τιμούμε το σπίτι με ακρίβεια. Επίσης, λαμβάνουμε υπόψη παρόμοια δεδομένα από σπίτια που είναι αυτή τη στιγμή στην αγορά. Τελικά, αυτά τα δεδομένα μας βοηθούν να προβλέψουμε τη δίκαιη αγορά τιμή ενός σπιτιού και το χρόνο που πιθανότατα θα χρειαστεί για να πουλήσει το σπίτι.

Η Opendoor αναλύει επίσης σπίτια που αφαιρούνται από την αγορά χωρίς να συναλλαγούν, πώς χρησιμοποιούνται αυτά τα δεδομένα διαφορετικά σε σχέση με τα σπίτια που έχουν πουληθεί;

Κοιτάμε παρόμοια δεδομένα και για τα ενεργά σπίτια και τα σπίτια που αφαιρούνται από την αγορά χωρίς να συναλλαγούν — σπίτια που ονομάζουμε “delistings”. Η βάση δεδομένων μας κοιτάει μια ποικιλία λεπτομερειών σπιτιού και λίστας, συμπεριλαμβανομένων τετραγωνικών μέτρων και τιμής λίστας, για κάθε συναλλαγή. Εξετάζουμε αυτές τις εντυπώσεις για delistings, αλλά δεν μπορούμε να παρατηρήσουμε τη στόχο μας της ημερομηνίας συναλλαγής. Επίσης, κοιτάμε την αγορά ολιστικά για να κατανοήσουμε την προσφορά και τη ζήτηση. Ενσωματώνοντας μη συναλλαγμένες λίστες, έχουμε μια πιο ολοκληρωμένη εικόνα της αγοράς.

Η Opendoor χρησιμοποιεί Ensembling ως παράγοντα στην τιμολόγηση σπιτιών. Μπορείτε να εξηγήσετε τι είναι το ensembling και πώς το χρησιμοποιεί η Opendoor;

Όταν ένας αγοραστής θέλει να αγοράσει ένα σπίτι ή ένας πωλητής αποφασίζει να λίσαρει το σπίτι του στην αγορά, ο τρόπος με τον οποίο καθορίζουν την αξία του σπιτιού θα εξαρτηθεί από το γιατί αγοράζουν ή πουλάνε. Και αυτό μπορεί να είναι πολύ διαφορετικό ανάλογα με τον αγοραστή και τον πωλητή. Ενσωματώνουμε αυτό στο μοντέλο μας για να κατανοήσουμε πώς οι αγοραστές και πωλητές βλέπουν την αγορά, που είναι εκεί που έρχεται το ensembling. Το ensembling μας επιτρέπει να χρησιμοποιούμε διαφορετικά μοντέλα τιμολόγησης μαζί για να υπολογίσουμε einen βαρόμετρο μέσο όρο των τιμών σπιτιών. Κάποια μοντέλα μπορεί να δίνουν διαφορετικό βάρος σε ορισμένες μεταβλητές. Έχουμε βρει ότι το ensembling γενικά οδηγεί σε πιο ακριβείς τιμολόγησεις από οποιοδήποτε μοντέλο.

Η Opendoor εισάγει μεγάλα δεδομένα από διάφορες πηγές, το οποίο μπορεί να είναι μια πρόκληση λόγω του πώς τα δεδομένα ήταν αρχικά επισημασμένα ή διαμορφωμένα. Η Opendoor χρησιμοποιεί Markov Random Field για να βοηθήσει με αυτό το ζήτημα. Μπορείτε να εξηγήσετε τι είναι αυτό;

Η πρόκληση προέρχεται από μεταλλάξεις στο κείμενο δεδομένων, από συντομεύσεις και ορθογραφικά λάθη έως ασυνεπείς σειρές λέξεων και αριθμητικές ορθογραφίες. Κακή ποιότητα δεδομένων επηρεάζει τα μοντέλα αξιολόγησης σπιτιών μας, που είναι γιατί εφαρμόσαμε μια μαθηματική προσέγγιση για να βοηθήσουμε στη стандάρδωση κειμένου και τη βελτίωση της ποιότητας των ετικετών. Το Markov Random Field μας επιτρέπει να βαθμολογήσουμε όλες τις ετικέτες από κοινού και να ερμηνεύσουμε πιο ακριβώς χαρακτηριστικά όπως υποδιαιρέσεις. Η βαθμολογία κάθε ετικέτας προέρχεται από δύο διαφορετικά συστατικά: 1) πώς οι τελικές ετικέτες σχετίζονται με το αρχικό κείμενο και 2) πώς οι ετικέτες είναι χωρικά συνεχείς μεταξύ γειτόνων. Με τα μαθηματικά των αλυσίδων Markov, κάνουμε τα δεδομένα περισσότερο από το άθροισμα των μερών τους.

Χρησιμοποιείτε μια τεχνική που ονομάζεται ανάλυση επιβίωσης για να μοντελοποιήσετε τον μέσο χρόνο κράτησης ενός σπιτιού που είναι λίστα για πώληση. Τι είναι η ανάλυση επιβίωσης και ισχύει στην περίπτωση της Opendoor;

Βασικά, χρειαζόμαστε να κατανοήσουμε τη ρευστότητα σε βάση σπιτιού, και να ενημερώσουμε την άποψή μας για το προφίλ ρευστότητας ενός σπιτιού καθώς λαμβάνουμε περισσότερες πληροφορίες. Η ανάλυση επιβίωσης είναι μια στατιστική μέθοδος που αναλύει τον αναμενόμενο χρόνο που θα χρειαστεί μέχρι να συμβεί ένα ή περισσότερα γεγονότα. Στην περίπτωσή μας, χρησιμοποιούμε ανάλυση επιβίωσης για να βοηθήσουμε στην κατανόηση και πρόβλεψη του πόσο καιρό θα χρειαστεί για να πουλήσει ένα σπίτι. Χρησιμοποιώντας αυτή τη μέθοδο, βελτιώνουμε δραματικά την ικανότητά μας να ανταποκριθούμε στις εξελισσόμενες αγορικές συνθήκες και να προβλέψουμε πιο ακριβώς την οικονομική μας απόδοση. Αυτό μας βοηθά να καθορίσουμε ένα όριο κινδύνου για κάθε σπίτι και να κάνουμε πιο έξυπνες επενδύσεις, που είναι ζωτικό για την επιχείρησή μας.

Υπάρχουν συχνά παράγοντες που επηρεάζουν την αξία ενός σπιτιού που είναι πολύ εξαρτημένοι από την τοποθεσία, όπως ο θόρυβος της οδού. Πώς χρησιμοποιείτε τη μηχανική μάθηση για να προγραμματίσετε το μοντέλο αξιολόγησης για τέτοια ζητήματα;

Το Μοντέλο Αξιολόγησης Opendoor (OVM) συνδυάζει τη μηχανική νοημοσύνη με ανθρώπινη εμπειρία για να προσφέρει ακριβείς και ανταγωνιστικές προσφορές, λαμβάνοντας υπόψη moins εμφανείς παράγοντες, όπως ο θόρυβος της οδού. Για να το κάνουμε αυτό, βασίζουμε την ανθρώπινη μας λειτουργία για να αναγνωρίσουμε μεταβλητές και τις μηχανές μας για να προβλέψουμε πόσο σημαντικές είναι αυτές οι μεταβλητές στην 알고ριθμική τιμολόγησης. Το OpenStreetMap (OSM) είναι ένα ελεύθερα διαθέσιμο σύνολο δεδομένων για γεωμετρίες οδών και μας βοηθά να αναγνωρίσουμε σπίτια που είναι κοντά σε οδούς. Επίσης, κοιτάμε τις προηγούμενες ανθρώπινες ρυθμίσεις σε σπίτια για να υπολογίσουμε την μέση τιμή ρύθμισης. Είμαστε σε θέση να βελτιώσουμε αυτές τις τιμές με κλίμακα, και καθώς συλλέγουμε περισσότερα ανθρώπινα δεδομένα για τις αγορές, η βάση δεδομένων μεγαλώνει και βελτιώνει την απόδοση του OVM. Το πιο σημαντικό, εμπλουτίζουμε τα διαθέσιμα τρίτα δεδομένα με τα δικά μας ιδιόκτητα δεδομένα. Ως αποτέλεσμα, τα σήματα που εξαρτώνται από την τοποθεσία βελτιώνονται δραματικά με το χρόνο.

Υπάρχει κάτι άλλο που θα ήθελες να μοιραστείς σχετικά με την Opendoor;

Αυτό που κάνει την εργασία στην Opendoor ιδιαίτερα đặc biệt για μένα είναι ότι χρησιμοποιούμε τεχνολογία, επιστήμη δεδομένων και επιχειρησιακή αριστεία για να βοηθήσουμε να λύσουμε πραγματικά προβλήματα για εκατομμύρια καταναλωτές. Αυτό το γάμο μεταξύ του διαδικτυακού και του φυσικού κόσμου δεν έχει γίνει ποτέ και έρχεται με πολλά νέα και ενδιαφέροντα προκλήσεις. Για να μάθετε περισσότερα, επισκεφθείτε την Opendoor