Ian Wong, Co-fondateur et 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 capable de fournir des valeurs de marché équitables pour les maisons en utilisant un modèle de valorisation propriétaire qui utilise des données de première et de troisième partie, ainsi que l’utilisation de l’apprentissage automatique, de l’IA et de la révision humaine. Avec juste 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 maison, 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 faille, sur demande et sans stress.

Qu’est-ce qui vous a attiré chez Opendoor ?

Nous avons l’occasion de réinventer la transaction immobilière, en redéfinissant ainsi 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 plus grande mobilité géographique et une plus grande liberté financière est très excitante, et il semble que nous venons de commencer ce voyage.

Opendoor analyse une grande collection de transactions immobilières historiques. Quels types de données rassemblez-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 tierces pour comprendre les transactions immobilières historiques, y compris les détails au niveau de la liste et du logement. Cela signifie que nous examinons des points de données courants à partir d’une liste, comme la date de vente et le prix, quand la maison a été listée, ainsi que des points de données sur les logements individuels, comme le nombre de chambres et de salles de bain, les attributs de la cuisine ou la superficie. En plus de cela, nous incorporons des fonctionnalités qui dénotent la qualité ou l’unicité d’une maison, nous permettant de mieux sélectionner des biens comparables et de valoriser la maison de manière plus précise. 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 revendre la maison.

Opendoor analyse également les maisons qui sont retirées du marché sans transiger, comment utilisez-vous ces données différemment par rapport aux maisons qui ont été vendues ?

Nous examinons des données similaires pour les maisons actives et les maisons retirées du marché sans transiger — des maisons que nous appelons « delistings ». Notre ensemble de données examine une variété de détails au niveau du logement et de la liste, y compris la superficie et le prix de la 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 regardons le marché de manière holistique pour comprendre l’offre et la demande. En incorporant les listings non transigés, nous pouvons avoir une image plus complète du marché.

Opendoor utilise l’Ensembling comme facteur dans la valorisation 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 pourquoi ils achètent ou vendent. Et cela peut être très différent en fonction de l’acheteur et du vendeur. Nous incorporons cela dans notre modèle pour comprendre comment les acheteurs et les vendeurs perçoivent le marché, c’est là que l’Ensembling intervient. L’Ensembling nous permet d’utiliser différents modèles de valorisation ensemble pour calculer une moyenne pondérée des valeurs des maisons. Certains modèles peuvent pondérer certaines variables différemment que d’autres. Nous avons constaté que l’Ensembling donne généralement lieu à une valorisation plus précise que n’importe quel modèle unique.

Opendoor importe de grandes quantités de données 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 ordres de mots et aux nombres orthographiés. 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 standardiser le texte et améliorer la qualité des étiquettes. Markov Random Field nous permet de noter toutes les étiquettes conjointement et d’interpréter plus précisément les caractéristiques comme les subdivisions. La note de chaque étiquetage provient de deux composants différents : 1) à quel point les étiquettes finales sont liées 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 la durée moyenne de détention d’une maison qui est listée pour la vente. Qu’est-ce que l’analyse de survie et s’applique-t-elle dans le cas d’Opendoor ?

Fondamentalement, nous devons comprendre la liquidité au niveau de chaque maison et être en mesure de mettre à jour notre vision du 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 qu’il faudra probablement 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 une maison mettra à se vendre. En utilisant cette méthode, nous améliorons considérablement notre capacité à répondre à l’évolution des conditions du marché et à prédire plus précisément notre économie d’unités. 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 spécifiques à l’emplacement, tels que 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 concurrentielles, en prenant en compte des 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 examinons également les ajustements humains précédents sur les maisons pour calculer la valeur d’ajustement moyenne. Nous sommes capables de raffiner ces valeurs à mesure que nous collectons plus de données d’ajustement humain pour les marchés, et l’ensemble de données améliore les performances du OVM. Le plus important est que nous enrichissons les données tierces disponibles avec nos propres données propriétaires. En conséquence, les signaux spécifiques à l’emplacement s’améliorent considérablement avec le temps.

Y a-t-il autre chose que vous aimeriez partager sur 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 comporte de nombreux défis nouveaux et intéressants.

Pour en savoir plus, visitez Opendoor