Intelligence artificielle
Ian Wong, Co-fondateur & CTO d’Opendoor – Série d’entretiens
Pouvez-vous résumer le concept derrière Opendoor, et comment diffère-t-il des concurrents tels que Zillow ?
Opendoor offre aux gens un moyen simple et pratique d’acheter, de vendre et d’échanger des maisons. Nous transformons un modèle immobilier fragmenté et inflexible en une expérience numérique et sur demande de bout en bout. En tant que pionnier de l'”ibuyering”, Opendoor a servi plus de 70 000 clients à ce jour et s’est étendu à 21 marchés américains.
Opendoor est en mesure de fournir des valeurs de marché équitablement proches pour les maisons en utilisant un modèle de valorisation propriétaire qui exploite les données de première et de troisième partie, ainsi que l’utilisation de l’apprentissage automatique, de l’IA et de la révision humaine. Avec quelques tapes dans l’application Opendoor, les vendeurs peuvent recevoir une offre d’Opendoor dans les 24 heures. Vendre à Opendoor offre plus de choix et de certitude, car les propriétaires peuvent choisir leur date de départ et éviter les tracas et le stress des visites de maisons et des réparations.
En outre, nous avons commencé à résoudre d’autres points de douleur dans la transaction immobilière avec le lancement d’un nouveau produit qui réinvente le processus d’achat de maisons, le lancement d’une entreprise de prêts hypothécaires et l’acquisition d’une société de titre et d’escrow. Notre objectif est de rendre le déménagement sans accroc, sur demande et sans stress.
Qu’est-ce qui vous a attiré chez Opendoor ?
Nous avons la chance de réinventer la transaction immobilière, ce qui redéfinit les relations des gens avec leur plus grand actif. Au lieu d’une responsabilité, qu’est-ce que les propriétaires peuvent tirer parti de la liquidité offerte par leurs maisons de la même manière que vous et moi pouvons retirer de notre compte chèque ? Qu’est-ce que les acheteurs et les vendeurs peuvent sauter des mois de stress et d’incertitude, et devenir plus confiants pour passer à la prochaine étape de leur vie ? La vision de permettre une mobilité géographique et une liberté financière plus grandes est très excitante, et il semble que nous venons de commencer ce voyage.
Opendoor analyse une grande collection de transactions de marché historiques. Quels types de points de données assemblez-vous ?
Les données immobilières précises avec le niveau de granularité dont nous avons besoin ne sont pas faciles à obtenir. Nous utilisons une combinaison de grands ensembles de données propriétaires et de tiers pour comprendre les transactions de marché historiques, y compris les détails de niveau de liste et de niveau de maison. Cela signifie que nous regardons des points de données courants à partir d’une liste, comme la date de vente et le prix, lorsque la maison a été listée, ainsi que des points de données sur les maisons individuelles, comme le nombre de chambres et de salles de bain, les attributs de cuisine ou la superficie. En plus de cela, nous incorporons des fonctionnalités qui dénotent la qualité ou l’unicité d’une maison, ce qui nous permet de mieux sélectionner des biens comparables et de valoriser la maison de manière aussi précise que possible. Nous prenons également en compte des données similaires provenant de maisons actuellement sur le marché. En fin de compte, ces points de données nous aident à prédire la valeur de marché équitable d’une maison et le temps qu’il faudra probablement pour la revendre.
Opendoor analyse également les maisons qui sont retirées du marché sans transiger, comment ces données sont-elles utilisées différemment par rapport aux maisons qui ont été vendues ?
Nous examinons des données similaires pour les maisons actives et les maisons qui sont retirées du marché sans transiger — des maisons que nous appelons « delistings ». Notre ensemble de données examine une variété de détails de niveau de maison et de niveau de liste, y compris la superficie et le prix de liste, pour chaque transaction. Nous examinons ces informations pour les delistings, mais nous n’observons pas notre variable cible de jours sur le marché. En outre, nous examinons le marché de manière holistique pour comprendre l’offre et la demande. En incorporant des listes non transigées, nous obtenons une image plus complète du marché.
Opendoor utilise l’Ensembling comme facteur dans la tarification des maisons. Pouvez-vous expliquer ce qu’est l’Ensembling et comment Opendoor utilise cette technologie ?
Lorsqu’un acheteur veut acheter une maison ou qu’un vendeur décide de lister sa maison sur le marché, la façon dont ils déterminent la valeur de la maison dépendra de la raison pour laquelle ils achètent ou vendent. Et cela peut être très différent en fonction du type d’acheteur et de vendeur. Nous incorporons cela dans notre modèle pour comprendre comment les acheteurs et les vendeurs perçoivent le marché, c’est où l’Ensembling intervient. L’Ensembling nous permet d’utiliser différents modèles de tarification ensemble pour calculer une moyenne pondérée des valeurs des maisons. Certains modèles peuvent peser certaines variables différemment que d’autres. Nous avons constaté que l’Ensembling donne généralement lieu à une tarification plus précise qu’aucun modèle unique.
Opendoor importe des grandes données à partir de diverses sources, ce qui peut être un défi en raison de la façon dont les données ont été étiquetées ou formatées à l’origine. Opendoor utilise Markov Random Field pour aider à résoudre ce problème. Pouvez-vous expliquer ce qu’est cela ?
Le défi provient des mutations dans les données textuelles, des abréviations et des fautes d’orthographe aux commandes de mots et aux épellations numériques incohérentes. Les données de mauvaise qualité ont un impact sur nos modèles de valorisation des maisons, c’est pourquoi nous avons mis en œuvre une approche mathématique pour aider à normaliser le texte et améliorer la qualité des étiquettes. Markov Random Field nous permet de noter toutes les étiquettes conjointement et d’interpréter plus précisément des caractéristiques comme les sous-divisions. La note de chaque étiquetage provient de deux composants différents : 1) à quel point les étiquettes finales se rapportent au texte d’origine et 2) à quel point les étiquettes sont spatialement continues parmi les voisins. Avec les mathématiques des chaînes de Markov, nous rendons les données plus que la somme de leurs parties.
Vous utilisez une technique appelée analyse de survie pour modéliser le temps de détention moyen d’une maison qui est listée pour la vente. Qu’est-ce qu’une analyse de survie et s’applique-t-elle dans le cas d’Opendoor ?
Fondamentalement, nous devons comprendre la liquidité sur une base par maison, et être en mesure de mettre à jour notre point de vue sur le profil de liquidité d’une maison à mesure que nous obtenons plus d’informations. L’analyse de survie est une méthode statistique qui analyse le temps anticipé qu’il faudra jusqu’à ce qu’un ou plusieurs événements se produisent. Dans notre cas, nous utilisons l’analyse de survie pour aider à comprendre et prédire combien de temps il faudra pour vendre une maison. En utilisant cette méthode, nous améliorons considérablement notre capacité à répondre à l’évolution des conditions du marché, et prédire plus précisément nos économies unitaires. Cela nous aide à déterminer un seuil de risque pour chaque maison et à faire des investissements plus intelligents, ce qui est essentiel à notre entreprise.
Il y a souvent des facteurs qui affectent la valeur d’une maison qui sont très dépendants de l’emplacement, comme le bruit de la route. Comment utilisez-vous l’apprentissage automatique pour programmer votre modèle de valorisation pour un tel problème ?
Le Modèle de valorisation Opendoor (OVM) combine l’intelligence machine avec l’expertise humaine pour fournir des offres précises et compétitives, en tenant compte de facteurs moins apparents, comme le bruit de la route. Pour ce faire, nous nous appuyons sur nos opérateurs humains pour identifier les variables et nos machines pour prédire à quel point elles sont importantes dans l’algorithme de tarification. OpenStreetMap (OSM) est un ensemble de données librement disponible pour les géométries de route et nous aide à identifier les maisons adjacentes aux routes. Nous recherchons également des ajustements humains précédents sur les maisons pour calculer la valeur d’ajustement moyenne. Nous sommes en mesure de raffiner ces valeurs à mesure que nous collectons plus de données d’ajustement humain pour les marchés, l’ensemble de données grandit et améliore les performances du OVM. Le plus important est que nous enrichissons les données tierces disponibles avec nos propres données propriétaires. Par conséquent, les signaux dépendants de l’emplacement s’améliorent considérablement avec le temps.
Y a-t-il autre chose que vous aimeriez partager à propos d’Opendoor ?
Ce qui rend le travail chez Opendoor particulièrement spécial pour moi, c’est que nous utilisons la technologie, la science des données et l’excellence opérationnelle pour aider à résoudre des points de douleur réels pour des millions de consommateurs. Ce mariage du monde en ligne et hors ligne n’a jamais été fait et vient avec beaucoup de nouveaux et intéressants défis.
