Σαμ Στόουν, PM, Τιμολόγηση στο Opendoor – Σειρά Συνεντεύξεων

Ο Σαμ είναι παθιασμένος με την κατασκευή προϊόντων στο σημείο τομής των χρηματοοικονομικών και της μηχανικής μάθησης. Είναι τώρα ο Διευθυντής Προϊόντων για την Ομάδα Τιμολόγησης στο Opendoor, μια εταιρεία που χρησιμοποιεί αλγόριθμους για να αγοράζει και να πουλάει σπίτια άμεσα, σώζοντας τους ιδιοκτήτες σπιτιών από την ταλαιπωρία και την αβεβαιότητα της λίστας του σπιτιού τους και της φιλοξενίας.

Τι σας έκανε να ενδιαφερθείτε αρχικά για τη μηχανική μάθηση και την επιστήμη των δεδομένων;

Μετά το κολέγιο, εργάστηκα για μια μεγάλη εταιρεία επαγγελματικών υπηρεσιών που雇ε hundreds của φοιτητών στο ίδιο επίπεδο εισαγωγής. Όταν έγινα μέρος της διαδικασίας επιλογής, με εντύπωσε και με εξέπληξε πόσο διαφορετικές ήταν οι απόψεις των ανθρώπων μέσα στην εταιρεία σχετικά με τα χαρακτηριστικά των υποψηφίων που οδηγούσαν στην επιτυχία. Φαινόταν σαν ένα πολύ σημαντικό πρόβλημα, όπου έλλειπε σαφήνεια. Όμως, ήμουν ενθουσιασμένος από το γεγονός ότι είχαμε πολλά δεδομένα για τους προηγούμενους υποψηφίους και τα αποτελέσματα των νέων εργαζομένων που δεν είχαν συνδεθεί ποτέ ή αναλυθεί σε βάθος. Έτσι, άρχισα να εργάζομαι σε αυτό, αντιμετωπίζοντάς το ως ένα στατιστικό πρόβλημα, χρησιμοποιώντας βασικά εργαλεία όπως η γραμμική παλινδρόμηση. Με τον καιρό, το έργο μεγάλωσε και έγινε μια εταιρεία, και οι μεθόδους που χρησιμοποιούσαμε έγιναν πιο σύνθετες. Για παράδειγμα, θέλαμε να επεξεργαστούμε μη δομημένα ήχο και κείμενο από συνεντεύξεις απευθείας, και αυτό μας οδήγησε να υιοθετήσουμε πιο ισχυρά μοντέλα μηχανικής μάθησης όπως τα νευρωνικά δίκτυα.

Μπορείτε να συζητήσετε το μοντέλο αυτόματης αξιολόγησης του Opendoor (OVM) και πώς υπολογίζει την εκτιμώμενη αξία μιας ιδιοκτησίας;

Το Μοντέλο Αξιολόγησης του Opendoor (OVM) είναι ένα βασικό κομμάτι της επιχειρηματικής μας δραστηριότητας και τροφοδοτεί πολλές εφαρμογές τιμολόγησης.

Σε πολλές περιπτώσεις, το OVM συμπεριφέρεται σαν ένας τυπικός αγοραστής ή πωλητής – κοιτάζει σε ένα γειτονιά, συμπεριλαμβανομένων των τύπων και των τιμών των πρόσφατα πωλημένων σπιτιών. Ωστόσο, όταν πρόκειται για την τιμολόγηση των σπιτιών, ιδιαίτερα με δεδομένη την ποικιλία των σπιτιών στις Ηνωμένες Πολιτείες, δεν είναι αρκετό να κοιτάξεις μόνο τις τιμές των συγκρίσιμων πωλήσεων. Είναι πολύ πιο σύνθετο από αυτό. Λαμβάνουμε υπόψη μια ποικιλία παραγόντων, που κυμαίνονται από το μέγεθος και τον χώρο του πίσω μέρους μέχρι τον αριθμό των μπάνιων και των υπνοδωματίων, το σχήμα, τους繁忙ούς δρόμους, τις ανακαινίσεις και πολλά άλλα. Το OVM τροφοδοτείται από πολλές πηγές δεδομένων, συμπεριλαμβανομένων πληροφοριών για τους φόρους ιδιοκτησίας, τις τάσεις της αγοράς καθώς και πολλά σπίτι- και γειτονιά-ειδικά σήματα. Επίσης, κοιτάμε για προηγούμενες ανθρώπινες điều chỉnh σε σπίτια για να υπολογίσουμε την μέση τιμή điều chỉnh. Και μπορούμε να βελτιώσουμε αυτές τις τιμές με κλίμακα. Όσο συλλέγουμε περισσότερα ανθρώπινα δεδομένα για τις αγορές, η βάση δεδομένων μεγαλώνει και βελτιώνει την απόδοση του OVM. Είναι ένας βρόχος ανατροφοδότησης που συνεχώς βελτιώνει την απόδοση με τον καιρό.

Εκτός από το ότι πρέπει να είναι πολύ ακριβής, πρέπει επίσης να τρέχει με χαμηλή καθυστέρηση και υψηλή κάλυψη. Αυτό σημαίνει ότι κάθε φορά που εισερχόμαστε σε μια neue αγορά, πρέπει να επεκτείνουμε τις ικανότητες του OVM για να διασφαλίσουμε ότι μπορεί να εξυπηρετήσει τους ιδιοκτήτες σπιτιών σε όλα τα γειτονιά και τους τύπους σπιτιών.

Ποια είναι μερικές από τις διαφορετικές μεθόδους μηχανικής μάθησης που χρησιμοποιούνται;

Όταν αρχίσαμε να κατασκευάζουμε το OVM, βασιστήκαμε κυρίως σε στατιστικά μοντέλα για να κατανοήσουμε καλύτερα τη διαδικασία λήψης αποφάσεων των αγοραστών και των πωλητών. Όμως, με τον καιρό, το OVM εξελίχθηκε και τώρα βασίζεται σε ένα νευρωνικό δίκτυο, συγκεκριμένα σε μια αρχιτεκτονική που ονομάζεται Siamese Network. Χρησιμοποιούμε αυτό για να ενσωματώσουμε τις συμπεριφορές των αγοραστών και των πωλητών, συμπεριλαμβανομένων της επιλογής συγκρίσιμων σπιτιών, των điều chỉnh και των βαρών. Αυτό είναι ζωτικό γιατί abbiamo βρει ότι για να επιτύχουμε υψηλή ακρίβεια, τα μοντέλα πρέπει να αντανακλούν αυτά τα βασικά βήματα που ακολουθούν οι συμμετέχοντες στην αγορά στη δομή τους.

Ένα από τα πολλά πλεονεκτήματα της χρήσης ενός νευρωνικού δικτύου είναι ότι έχει την ακρίβεια και την ευελιξία να καταναλώσει δεδομένα σε όλες τις αγορές και να ανιχνεύσει λεπτές τοπικές νύξεις. Ως αποτέλεσμα, όταν το Opendoor εισέρχεται σε μια neue αγορά ή επεκτείνει τα αποθέματα σε μια υπάρχουσα αγορά, μπορούμε να χρησιμοποιήσουμε το ίδιο μοντέλο, παρακάμπτοντας μεγάλο μέρος της εργασίας υποδομής που προέρχεται από την εκτέλεση ενός νέου μοντέλου παραγωγής. Αντίθετα, τρέχουμε νέα δεδομένα μέσω του υπάρχοντος μοντέλου, το οποίο μειώνει σημαντικά τον χρόνο που οι μηχανικοί μας δαπάνησαν στη διαδικασία.

Υπάρχουν επίσης πολλές άλλες μεθόδους μηχανικής μάθησης που χρησιμοποιούμε στο Opendoor, εκτός από τα νευρωνικά δίκτυα. Αυτό περιλαμβάνει, αλλά δεν περιορίζεται σε, δέντρα απόφασης, τεχνικές ομαδοποίησης, συστήματα κατάταξης και αλγόριθμους βελτιστοποίησης.

Το Opendoor βασίζεται σε τεράστιες ποσότητες δεδομένων, από đâu συλλέγονται αυτά τα δεδομένα;

Τα δεδομένα που τα αλγόριθμους μας βρίσκουν πιο πολύτιμα είναι επίσης συχνά τα δεδομένα που είναι πιο δύσκολο να βρεθούν. Αυτά είναι τα δεδομένα που γεννάμε ourselves ή αναπτύσσουμε μέσω ιδιωτικών σχέσεων. Χρησιμοποιούμε eine συνδυασμό εσωτερικών δεδομένων και δεδομένων τρίτων μερών για την ακίνητη περιουσία, συμπεριλαμβανομένων σημείων δεδομένων από λίστες, όπως η ημερομηνία πώλησης, ο αριθμός των υπνοδωματίων και των μπάνιων, το μέγεθος και πολλά άλλα. Επιπλέον, κοιτάμε χαρακτηριστικά που υποδεικνύουν την μοναδικότητα των σπιτιών, τα οποία είναι πράγματα που μόνο η ανθρώπινη εμπειρία μπορεί να προσφέρει, όπως η φωτισμός, ο θόρυβος του δρόμου, η ποιότητα των συσκευών και των τελειωμάτων και πολλά άλλα. Συλλέγουμε δεδομένα από τα σπίτια που είναι ήδη στην αγορά, καθώς και από σπίτια εκτός αγοράς όπου οι ιδιοκτήτες έχουν μοιραστεί πληροφορίες μαζί μας.

Μπορείτε να συζητήσετε κάποιες από τις προσπάθειες του Opendoor για την βελτίωση της ταχύτητας και της αξιοπιστίας της υποδομής που τροφοδοτεί την κατανάλωση των сыρων δεδομένων;

Πριν από κάθε νέα εκτόξευση αγοράς, κατανάλωση πολλά χρόνια ιστορικών δεδομένων. Υψηλής ποιότητας δεδομένα είναι ζωτικά για την εκπαίδευση τόσο των αλγορίθμων μας όσο και των τοπικών операторών μας, για να διασφαλίσουμε ότι κατανοούν τις παραλλαγές μέσα στην αγορά. Για να βελτιώσουμε την ταχύτητα, την ποιότητα και την αξιοπιστία, έχουμε κατασκευάσει εύκαμπτα εργαλεία χαρτογράφησης δεδομένων και εργαλεία για την αυτόματη αξιολόγηση της κάλυψης νέων πεδίων δεδομένων. Με αυτά τα εργαλεία στη θέση μας, μπορεί να πάρει μόνο λίγες ώρες ή ημέρες για να κατανάλωση και να επικυρώσει μεγάλες ποσότητες ιστορικών δεδομένων συναλλαγών ακίνητης περιουσίας, αντί για εβδομάδες.

Μια άλλη στρατηγική στην οποία έχουμε επενδύσει είναι η προληπτική, αυτόματη παρακολούθηση της ποιότητας των δεδομένων. Έχουμε ρυθμίσει συστήματα που ελέγχουν τις κατανομές των δεδομένων που κατανάλωση και μετασχηματίζουμε σε κάθε βήμα της διαδικασίας, σε πραγματικό χρόνο. Για παράδειγμα, αν περιμένουμε ότι σε μια συγκεκριμένη αγορά 20% των νέων λιστών κατά μέσο όρο είναι διαμερίσματα, και τότε σήμερα 50% των νέων λιστών είναι ταξινομημένα ως διαμερίσματα, αυτό θα ενεργοποιήσει μια ειδοποίηση για έναν μηχανικό να ερευνήσει.

Πώς συνδυάζεται η εμπειρία των ανθρώπων με τις μεθόδους μηχανικής μάθησης για να δημιουργήσει βρόχους ανατροφοδότησης που βελτιώνουν συνεχώς την απόδοση;

Οι εσωτερικοί μας εμπειρογνώμονες τιμολόγησης παίζουν ένα τεράστιο ρόλο σε όλες τις αποφάσεις τιμολόγησης, εργαζόμενοι σε συνδυασμό με τους αλγόριθμους μας. Όπου τα μηχανήματα έχουν ακόμη τυφλά σημεία, οι εμπειρογνώμονές μας operators συμπληρώνουν, και βασίζουμε την εμπιστοσύνη μας σε αυτούς μέσω διαφόρων σταδίων. Για παράδειγμα, προσθέτουν ή επικυρώνουν δεδομένα εισόδου, όπως η ποιότητα ορισμένων έργων ανακαίνισης. Κάνουν ενδιάμεσες αποφάσεις σχετικά με τα χαρακτηριστικά που μπορεί να είναι δύσκολο να αξιολογηθούν, και επίσης κάνουν αποφάσεις που αφορούν τον χρήστη, όπως ποια προσφορά πρέπει να αποδεχθούμε. Το ανθρώπινο στοιχείο θα είναι πάντα κρίσιμο στη στρατηγική μας και πιστεύουμε ότι ο γάμος των εμπειρογνωμόνων και των αλγορίθμων είναι ο καλύτερος.

Μπορείτε να ορίσετε την επαναεξέταση και να συζητήσετε τη σημασία της στο Opendoor;

Η επαναεξέταση είναι ένας τρόπος αξιολόγησης της ακρίβειας ενός μοντέλου χρησιμοποιώντας ιστορικά δεδομένα. Για παράδειγμα, μπορεί να εκπαιδεύσουμε το Μοντέλο Αξιολόγησης του Opendoor σε δεδομένα από τον Ιανουάριο 2015 έως τον Ιανουάριο 2021. Σε αυτή τη περίπτωση, “εκπαίδευση” σημαίνει ότι τροφοδοτούμε ιστορικά δεδομένα εισόδου, όπως χαρακτηριστικά σπιτιών, και αποτελέσματα, όπως οι τιμές πώλησης σπιτιών, στο μοντέλο. Και, με τη σειρά του, το μοντέλο μαθαίνει μια σχέση μεταξύ εισόδου και αποτελέσματος. Στη συνέχεια, παίρνουμε αυτό το μοντέλο, το οποίο αντανακλά αυτές τις νέες σχέσεις, και το τροφοδοτούμε με ένα άλλο σύνολο ιστορικών δεδομένων, π.χ. από τον Φεβρουάριο 2021. Επειδή τα δεδομένα είναι ιστορικά, γνωρίζουμε τα αποτελέσματα, και μπορούμε να μετρήσουμε πόσο αυτά απομακρύνονται από τις προβλέψεις.

Αυτή η διαδικασία είναι πολύ σημαντική στο Opendoor, και χρησιμοποιείται για όλα τα προϊόντα μηχανικής μάθησης. Μειώνει τον κίνδυνο ενός προβλήματος που ονομάζεται υπερπροσαρμογή, όταν ένα μοντέλο μηχανικής μάθησης αναγνωρίζει μοτίβα σε ιστορικά δεδομένα που δεν υπάρχουν πραγματικά. Για παράδειγμα, ψευδείς συσχετίσεις που δεν βοηθούν στην προβλέψη του πραγματικού κόσμου. Επίσης, μας σώζει από το να τρέχουμε ακριβές πραγματικά tests A/B σε νέα προϊόντα και στρατηγικές που μπορούν να εξαλειφθούν με βάση ιστορικά δεδομένα.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με το Opendoor;

Ενδιαφερόμαστε! Αν σας ενδιαφέρει να κατασκευάσετε το μέλλον της ακίνητης περιουσίας, και/ή να εργαστείτε στο σημείο τομής των χρηματοοικονομικών, της μηχανικής μάθησης και των καταναλωτικών προϊόντων, παρακαλούμε να υποβάλετε αίτηση! Έχουμε ανοιχτές θέσεις σε όλες τις λειτουργίες και τις πόλεις. Ελέγξτε τη σελίδα καριέρας μας εδώ.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν το Opendoor.