Ian Wong, Opendoor के सह-संस्थापक और सीटीओ – साक्षात्कार श्रृंखला

ओपनडोर के पीछे की अवधारणा को सारांशित कर सकते हैं और यह प्रतियोगियों जैसे ज़िलो से कैसे अलग है?

Opendoor लोगों को घर खरीदने, बेचने और ट्रेड-इन करने का एक सरल और सुविधाजनक तरीका प्रदान करता है। हम एक खंडित, लचीले रियल एस्टेट मॉडल को एक अंत-से-अंत, डिजिटल और ऑन-डिमांड अनुभव में बदल रहे हैं। “आईबायरिंग” के पioneer के रूप में, Opendoor ने अब तक 70,000 से अधिक ग्राहकों की सेवा की है और 21 अमेरिकी बाजारों में विस्तार किया है।

Opendoor अपने प्रोप्राइटरी वैल्यूएशन मॉडल का उपयोग करके घरों के लिए लगभग तुरंत बाजार मूल्य प्रदान करने में सक्षम है, जो पहले और तीसरे पक्ष के डेटा का लाभ उठाता है, साथ ही मशीन लर्निंग, एआई और मानव समीक्षा का उपयोग करता है। ओपनडोर ऐप में कुछ टैप्स के साथ, विक्रेता 24 घंटे के भीतर ओपनडोर से एक प्रस्ताव प्राप्त कर सकते हैं। ओपनडोर को बेचने से अधिक विकल्प और निश्चितता मिलती है क्योंकि घर मालिक अपनी मूव आउट तिथि चुन सकते हैं और घर के प्रदर्शन और मरम्मत की परेशानी और तनाव से बच सकते हैं।

इसके अलावा, हम घर की लेनदेन में अन्य दर्द बिंदुओं को हल करने के लिए एक नए उत्पाद के लॉन्च, एक घर ऋण व्यवसाय के लॉन्च और एक शीर्षक और एस्क्रो कंपनी के अधिग्रहण के साथ शुरू कर चुके हैं। हमारा लक्ष्य यात्रा को निर्बाध, ऑन-डिमांड और तनाव मुक्त बनाना है।

आपको ओपनडोर में क्या आकर्षित किया?

हमें रियल एस्टेट लेनदेन को पुनः कल्पना करने का मौका मिला है, जिससे लोगों के अपने सबसे बड़े संपत्ति के साथ संबंधों को फिर से परिभाषित किया जा सकता है। इसके विपरीत, एक दायित्व के रूप में, घर के मालिक अपने घरों द्वारा प्रदान की जाने वाली तरलता तक पहुंच प्राप्त कर सकते हैं, जिस तरह से आप और मैं अपने चेकिंग खाते से निकाल सकते हैं? अगर खरीदार और विक्रेता महीनों के तनाव और अनिश्चितता को छोड़ सकते हैं और अपने जीवन के अगले अध्याय के साथ आगे बढ़ने में अधिक आत्मविश्वास महसूस कर सकते हैं? भौगोलिक गतिशीलता और वित्तीय स्वतंत्रता को सक्षम करने की दृष्टि बहुत उत्साहजनक है, और यह महसूस होता है कि हम इस यात्रा पर बस शुरू कर रहे हैं।

ओपनडोर एक बड़े संग्रह के ऐतिहासिक बाजार लेनदेन का विश्लेषण करता है। आप किस प्रकार के डेटा बिंदुओं को इकट्ठा कर रहे हैं?

हमें आवश्यक स्तर के साथ सटीक रियल एस्टेट डेटा प्राप्त करना आसान नहीं है। हम ऐतिहासिक बाजार लेनदेन को समझने के लिए बड़े प्रोप्राइटरी और तीसरे पक्ष के डेटा सेट का उपयोग करते हैं, जिसमें लिस्टिंग-स्तर और घर-स्तर के विवरण शामिल हैं। इसका मतलब है कि हम लिस्टिंग से सामान्य डेटा बिंदुओं को देखते हैं, जैसे कि बिक्री तिथि और मूल्य, जब घर सूचीबद्ध हुआ, साथ ही घरों के बारे में डेटा बिंदु, जैसे कि बेडरूम और बाथरूम की संख्या, किचन विशेषताएं या वर्ग फुटेज। इसके अलावा, हम उन विशेषताओं को शामिल करते हैं जो एक घर की गुणवत्ता या अनोखापन को दर्शाते हैं, जिससे हम बेहतर तुलना करने में सक्षम हो सकते हैं और अंततः घर को यथासंभव सटीक रूप से मूल्य निर्धारित कर सकते हैं। हम बाजार में वर्तमान में उपलब्ध घरों से समान डेटा भी लेते हैं। अंततः, ये डेटा बिंदु हमें घर के न्यायसंगत बाजार मूल्य की भविष्यवाणी करने और घर को फिर से बेचने में लगने वाले समय की भविष्यवाणी करने में मदद करते हैं।

ओपनडोर उन घरों का भी विश्लेषण करता है जो बिना लेनदेन के बाजार से हटा दिए जाते हैं, यह डेटा कैसे अलग तरह से उपयोग किया जाता है जो बेचे जाते हैं?

हम दोनों सक्रिय घरों और बाजार से हटाए गए घरों – जिन्हें हम “डिलिस्टिंग” कहते हैं – के लिए समान डेटा देखते हैं। हम घर-स्तर और सूची-स्तर के विवरणों के साथ-साथ वर्ग फुटेज और सूची मूल्य जैसे विभिन्न घर-स्तर और सूची-स्तर के विवरणों को देखते हैं। हम उन घरों के लिए इन अंतर्दृष्टि की जांच करते हैं जो बाजार से हटा दिए गए हैं, लेकिन हमें अपने लक्ष्य перемен को दिनों-बाजार में नहीं देखने को मिलता है। इसके अलावा, हम बाजार को समग्र रूप से समझने के लिए आपूर्ति और मांग को देखते हैं। गैर-लेनदेन सूचियों को शामिल करके, हम बाजार की एक अधिक व्यापक तस्वीर प्राप्त कर सकते हैं।

ओपनडोर हाउस प्राइसिंग में एन्सेम्बलिंग का एक कारक के रूप में उपयोग करता है। आप एन्सेम्बलिंग को समझा सकते हैं और ओपनडोर इस प्रौद्योगिकी का उपयोग कैसे करता है?

जब एक खरीदार घर खरीदना चाहता है या एक विक्रेता अपना घर बाजार में सूचीबद्ध करने का फैसला करता है, तो घर के मूल्य का निर्धारण करने का तरीका खरीदार और विक्रेता के प्रकार पर निर्भर करेगा। और यह बहुत अलग हो सकता है खरीदार और विक्रेता के प्रकार के आधार पर। हम अपने मॉडल में इसे शामिल करते हैं ताकि हम समझ सकें कि खरीदार और विक्रेता बाजार को कैसे देखते हैं, जो एन्सेम्बलिंग में आता है। एन्सेम्बलिंग हमें घर के मूल्यों की एक वजनित औसत गणना करने के लिए विभिन्न मूल्य निर्धारण मॉडल का उपयोग करने की अनुमति देता है। कुछ मॉडल अन्य मॉडलों की तुलना में कुछ चर को अलग तरह से महत्व दे सकते हैं। हमने पाया है कि एन्सेम्बलिंग आमतौर पर किसी एकल मॉडल की तुलना में अधिक सटीक मूल्य निर्धारण परिणाम देता है।

ओपनडोर विभिन्न स्रोतों से बड़े डेटा को आयात करता है, जो मूल रूप से डेटा को लेबल या प्रारूप में किया गया था, इसके कारण एक चुनौती है। ओपनडोर मार्कोव रैंडम फील्ड का उपयोग इस समस्या को हल करने में मदद के लिए करता है। आप इसके बारे में बता सकते हैं?

चुनौती पाठ डेटा में उत्परिवर्तन से आती है, जिसमें संक्षिप्त नाम, वर्तनी त्रुटियां, शब्दों के क्रम में असंगति और संख्यात्मक वर्तनी शामिल हैं। खराब गुणवत्ता वाले डेटा का हमारे घर मूल्यांकन मॉडल पर प्रभाव पड़ता है, जिसके लिए हमने पाठ को मानकीकृत करने और लेबल की गुणवत्ता में सुधार करने में मदद करने के लिए एक गणितीय दृष्टिकोण लागू किया है। मार्कोव रैंडम फील्ड हमें सभी लेबल को संयुक्त रूप से स्कोर करने और उपखंड जैसी विशेषताओं की व्याख्या करने में अधिक सटीक रूप से मदद करता है। प्रत्येक लेबलिंग का स्कोर दो अलग-अलग घटकों से आता है: 1) मूल पाठ के साथ अंतिम लेबल कितनी अच्छी तरह से संबंधित हैं और 2) लेबल पड़ोसियों के बीच कितने स्थानिक रूप से निरंतर हैं। मार्कोव श्रृंखला के गणित के साथ, हम डेटा को इसके भागों के योग से अधिक बनाते हैं।

आप एक तकनीक का उपयोग करते हैं जिसे सर्वाइवल विश्लेषण कहा जाता है जो घर की बिक्री के लिए औसत धारण समय को मॉडल करता है। सर्वाइवल विश्लेषण क्या है और क्या यह ओपनडोर के मामले में लागू होता है?

मूल रूप से, हमें प्रति घर आधार पर तरलता को समझने की आवश्यकता है, और जैसे ही हमें अधिक जानकारी मिलती है, हम घर की तरलता प्रोफ़ाइल के अपने दृष्टिकोण को अद्यतन करने में सक्षम होना चाहते हैं। सर्वाइवल विश्लेषण एक सांख्यिकीय विधि है जो घटनाओं की संख्या के होने तक की अपेक्षित समय का विश्लेषण करती है। हमारे मामले में, हम सर्वाइवल विश्लेषण का उपयोग घर को बेचने में लगने वाले समय की भविष्यवाणी करने में मदद के लिए करते हैं। इस विधि का उपयोग करके, हम अपनी इकाई अर्थशास्त्र की भविष्यवाणी करने और विकसित बाजार की स्थितियों के प्रति प्रतिक्रिया करने की अपनी क्षमता में नाटकीय रूप से सुधार करते हैं। इससे हमें प्रत्येक घर के लिए एक जोखिम सीमा निर्धारित करने और स्मार्ट निवेश करने में मदद मिलती है, जो हमारे व्यवसाय के लिए महत्वपूर्ण है।

घर के मूल्य को प्रभावित करने वाले कारक अक्सर स्थान-निर्भर होते हैं, जैसे कि सड़क शोर। आप ऐसे मुद्दे के लिए अपने मूल्यांकन मॉडल को प्रोग्राम करने के लिए मशीन लर्निंग का उपयोग कैसे करते हैं?

ओपनडोर वैल्यूएशन मॉडल (ओवीएम) सटीक और प्रतिस्पर्धी प्रस्ताव प्रदान करने के लिए मशीन इंटेलिजेंस और मानव विशेषज्ञता को जोड़ती है, जिसमें सड़क शोर जैसे कम स्पष्ट कारक शामिल हैं। ऐसा करने के लिए, हम अपने मानव ऑपरेटरों पर निर्भर करते हैं ताकि वे चर की पहचान कर सकें और हमारे मशीनों को यह भविष्यवाणी करने में मदद कर सकें कि वे मूल्य निर्धारण अल्गोरिदम में कितने मायने रखते हैं। ओपनस्ट्रीटमैप (ओएसएम) एक सड़क ज्यामिति के लिए एक मुफ्त डेटा सेट है जो हमें सड़कों के पास स्थित घरों की पहचान करने में मदद करता है। हम उन घरों पर पिछले मानव समायोजन की तलाश करते हैं जो हमें औसत समायोजन मूल्य की गणना करने में मदद करते हैं। हम इन मूल्यों को पैमाने पर परिष्कृत कर सकते हैं, और जैसे ही हम बाजारों के लिए मानव समायोजन डेटा एकत्र करते हैं, डेटा सेट बढ़ता है और ओवीएम के प्रदर्शन में सुधार होता है। सबसे महत्वपूर्ण बात, हम तीसरे पक्ष के उपलब्ध डेटा को अपने स्वामित्व वाले डेटा से समृद्ध करते हैं। इसके परिणामस्वरूप, स्थान-निर्भर संकेतों में नाटकीय रूप से सुधार होता है।

क्या ओपनडोर के बारे में और कुछ है जिसे आप साझा करना चाहेंगे?

ओपनडोर में काम करना मुझे विशेष रूप से इसलिए पसंद है क्योंकि हम उपभोक्ताओं के लिए वास्तविक दुनिया के दर्द बिंदुओं को हल करने के लिए प्रौद्योगिकी, डेटा विज्ञान और संचालन उत्कृष्टता का उपयोग कर रहे हैं। ऑनलाइन और ऑफलाइन दुनिया का यह विवाह पहले कभी नहीं किया गया है और इसके साथ कई नए और दिलचस्प चुनौतियां आती हैं।

ओपनडोर के बारे में अधिक जानने के लिए यहां क्लिक करें