इयान वोंग, ओपेंडोर के सह-संस्थापक और सीटीओ – साक्षात्कार श्रृंखला

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

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

ओपेंडोर पहली और तीसरी पार्टी के डेटा का उपयोग करके एक प्रोप्राइटरी वैल्यूएशन मॉडल का उपयोग करके घरों के लिए लगभग तुरंत मार्केट मूल्य प्रदान करने में सक्षम है। ओपेंडोर ऐप में कुछ टैप के साथ, विक्रेता 24 घंटे के भीतर ओपेंडोर से एक प्रस्ताव प्राप्त कर सकते हैं। ओपेंडोर को बेचने से अधिक विकल्प और निश्चितता मिलती है क्योंकि घर मालिक अपनी मूव आउट तिथि चुन सकते हैं और घर दिखाने और मरम्मत की परेशानी और तनाव से बच सकते हैं।

इसके अलावा, हम घर लेन-देन 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 ओपेंडोर में क्या आकर्षित किया?

हमें रियल एस्टेट लेन-देन को पुनः कल्पना करने का मौका मिला है, जिससे लोगों के अपने सबसे बड़े संपत्ति के साथ संबंध को फिर से परिभाषित किया जा सकता है। इसके विपरीत, घर मालिक अपने घरों से तरलता का लाभ कैसे उठा सकते हैं जैसे हम अपने चेकिंग खाते से निकासी कर सकते हैं? क्या खरीदार और विक्रेता महीनों के तनाव और अनिश्चितता को छोड़कर अपने जीवन के अगले अध्याय के साथ आगे बढ़ने में अधिक आत्मविश्वास महसूस कर सकते हैं? भौगोलिक गतिशीलता और वित्तीय स्वतंत्रता को सक्षम करने का दृष्टिकोण बहुत उत्साहजनक है, और यह लगता है कि हम इस यात्रा पर बस शुरू कर रहे हैं।

ओपेंडोर एक बड़े संग्रह के ऐतिहासिक बाजार लेन-देन का विश्लेषण करता है। आप किस प्रकार के डेटा बिंदुओं को एकत्र कर रहे हैं?

सटीक रियल एस्टेट डेटा जिस स्तर की विस्तार से हमें आवश्यकता है, वह आसानी से उपलब्ध नहीं है। हम बड़े प्रोप्राइटरी और तीसरी पार्टी के डेटा सेट का उपयोग करके ऐतिहासिक बाजार लेन-देन, शामिल लिस्टिंग-स्तर और घर-स्तर के विवरण को समझने के लिए करते हैं। इसका मतलब है कि हम लिस्टिंग से सामान्य डेटा बिंदुओं को देखते हैं, जैसे कि बिक्री तिथि और मूल्य, जब घर सूचीबद्ध किया गया था, साथ ही घरों के बारे में डेटा बिंदुओं को देखते हैं, जैसे कि बेडरूम और बाथरूम की संख्या, किचन विशेषताएं या वर्ग फुटेज। इसके अलावा, हम घर की गुणवत्ता या विशिष्टता को दर्शाने वाली विशेषताओं को शामिल करते हैं, जिससे हम बेहतर तुलना करने में सक्षम होते हैं और अंततः घर को सबसे सटीक तरीके से मूल्य निर्धारित कर सकते हैं। हम बाजार को समग्र रूप से समझने के लिए बिक्री के लिए उपलब्ध घरों से समान डेटा बिंदुओं पर भी विचार करते 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।

ओपेंडोर उन घरों का विश्लेषण भी करता है जो बिना लेन-देन के बाजार से हटा दिए जाते हैं। यह डेटा कैसे अलग है और घरों की तुलना में इसका उपयोग कैसे 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 का एक सेट देखते हैं, जिसमें वर्ग फुटेज और सूची मूल्य शामिल हैं। हम उन अंतर्दृष्टि को डिलिस्टिंग के लिए देखते हैं, लेकिन हमें दिनों-बाजार में देखने को नहीं मिलता है। इसके अलावा, हम बाजार को समग्र रूप से समझने के लिए आपूर्ति और मांग को देखते हैं। गैर-लेन-देन वाली सूचियों को शामिल करके, हम बाजार की एक अधिक व्यापक तस्वीर प्राप्त करने में सक्षम हैं।

ओपेंडोर घर की कीमत निर्धारण में एक कारक के रूप में एंसेम्बलिंग का उपयोग करता है। एंसेम्बलिंग क्या है और ओपेंडोर इस प्रौद्योगिकी का उपयोग कैसे करता है?

जब एक खरीदार घर खरीदना चाहता है या विक्रेता अपना घर बाजार में सूचीबद्ध करने का फैसला करता है, तो घर का मूल्य निर्धारण करने का तरीका खरीदार और विक्रेता के प्रकार पर निर्भर करता है। 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 यह समझ सकें कि खरीदार और विक्रेता बाजार को कैसे देखते हैं, जो एंसेम्बलिंग में आता है। एंसेम्बलिंग 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 कुछ चर को दूसरों की तुलना में अधिक महत्व दे सकते हैं। हमने पाया है कि एंसेम्बलिंग आमतौर पर एकल मॉडल की तुलना में अधिक सटीक मूल्य निर्धारण परिणाम देता है।

ओपेंडोर विभिन्न स्रोतों से बड़े डेटा को आयात करता है, जो डेटा को मूल रूप से लेबल या प्रारूप में किया गया है। ओपेंडोर मार्कोव रैंडम फील्ड का उपयोग इस समस्या को हल करने के लिए करता है। यह क्या है?

चुनौती पाठ डेटा में उत्परिवर्तन से उत्पन्न होती है, जिसमें संक्षिप्त नाम, वर्तनी त्रुटियां, शब्दों के क्रम में असंगति और संख्यात्मक वर्तनी शामिल हैं। खराब गुणवत्ता वाले डेटा हमारे घर मूल्यांकन मॉडल को प्रभावित करते हैं, जिसके लिए हमने पाठ और लेबल की गुणवत्ता में सुधार करने के लिए एक गणितीय दृष्टिकोण लागू किया है। मार्कोव रैंडम फील्ड हमें सभी लेबल को संयुक्त रूप से स्कोर करने और विशेषताओं जैसे कि उपखंडों की व्याख्या करने में अधिक सटीकता से मदद करता है। प्रत्येक लेबलिंग का स्कोर दो अलग-अलग घटकों से आता है: 1) अंतिम लेबल मूल पाठ से कितनी अच्छी तरह 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 औसत धारण समय को मॉडल करता है। सर्वाइवल विश्लेषण क्या है और क्या यह ओपेंडोर के मामले में लागू होता है?

मूल रूप से, हमें घर-दर-घर तरलता को समझने और घर की तरलता प्रोफ़ाइल को अद्यतन करने में सक्षम होने की आवश्यकता है क्योंकि हमें अधिक जानकारी मिलती है। सर्वाइवल विश्लेषण एक सांख्यिकीय विधि है जो एक या एक से अधिक घटनाओं के होने से पहले 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 करने के लिए करते हैं। इस विधि का उपयोग करके, हम बाजार की स्थिति में बदलाव का जवाब देने की अपनी क्षमता में काफी सुधार करते हैं और अपने इकाई अर्थशास्त्र की भविष्यवाणी करने में अधिक सटीकता प्राप्त करते हैं। यह हमें प्रत्येक घर के लिए जोखिम की सीमा निर्धारित करने और स्मार्ट निवेश करने में मदद करता है, जो हमारे व्यवसाय के लिए महत्वपूर्ण है।

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

ओपेंडोर वैल्यूएशन मॉडल (ओवीएम) मशीन इंटेलिजेंस और मानव विशेषज्ञता को मिलाकर सटीक और प्रतिस्पर्धी प्रस्ताव प्रदान करता है, जिसमें कम दिखाई देने वाले कारक जैसे सड़क शोर शामिल हैं। ऐसा करने के लिए, हम अपने मानव ऑपरेटरों पर निर्भर करते हैं ताकि वे चर की पहचान कर सकें और हमारे मशीन उन्हें मूल्य निर्धारण एल्गोरिदम में कितना महत्व देते हैं। ओपनस्ट्रीटमैप (ओएसएम) एक स्वतंत्र रूप से उपलब्ध डेटासेट है जो सड़क ज्यामिति के लिए मदद करता है और हमें सड़कों के पास स्थित घरों की पहचान करने में मदद करता है। हम पिछले मानव समायोजन को घरों पर देखते हैं ताकि हम औसत समायोजन मूल्य की गणना कर सकें। हम इन मूल्यों को पैमाने पर सुधार सकते हैं और जैसे ही हम बाजारों के लिए अधिक मानव समायोजन डेटा एकत्र करते हैं, डेटासेट बढ़ता है और ओवीएम के प्रदर्शन में सुधार होता है। सबसे महत्वपूर्ण बात, हम तृतीय-पक्ष डेटा को अपने स्वामित्व वाले डेटा से समृद्ध करते हैं। परिणामस्वरूप, स्थान-निर्भर संकेतों में नाटकीय रूप से सुधार होता है।

ओपेंडोर के बारे में आप कुछ और साझा करना चाहेंगे?

ओपेंडोर में काम करना मुझे विशेष रूप से आकर्षक लगता है क्योंकि हम प्रौद्योगिकी, डेटा विज्ञान और संचालन उत्कृष्टता का उपयोग करके लाखों उपभोक्ताओं के लिए वास्तविक दुनिया के दर्द बिंदुओं को हल करने में मदद कर रहे हैं। यह ऑनलाइन और ऑफलाइन दुनिया का मिलन कभी नहीं किया गया है और इसके साथ कई नए और दिलचस्प चुनौतियाँ आती हैं।

ओपेंडोर के बारे में अधिक जानने के लिए यहां क्लिक करें