인터뷰
Opendoor의 공동 창립자 및 CTO인 Ian Wong – 인터뷰 시리즈
Unite.AI를 Google의 선호 소스에 추가
Opendoor의 개념을 요약하고, Zillow와 같은 경쟁사와 어떻게 다른지 설명해 주시겠습니까?
Opendoor는 사람들이 집을 사고, 팔고, 교환하는 것을 간단하고 편리하게 할 수 있는 방법을 제공합니다. 우리는 분산되고 유연하지 않은 부동산 모델을 종단간 디지털 및 주문형 경험으로 전환하고 있습니다. “ibuyering”의 개척자로서 Opendoor는 현재까지 70,000명 이상의 고객을 خدمت했으며 21개의 미국 시장으로 확장했습니다.
Opendoor는 1차 및 3차 데이터와 기계 학습, AI 및 인간 검토를 활용하는 독점적 인 평가 모델을 사용하여 집에 대한 거의 즉각적인 공정 가치를 제공할 수 있습니다. Opendoor 앱에서 몇 번의 탭으로 판매자는 24시간 이내에 Opendoor로부터 제안을 받을 수 있습니다. Opendoor에 판매하면 더 많은 선택과 확신을 제공하며 집주인들은 이동 날짜를 선택하고 집 시찰 및 수리의 번거로움을 피할 수 있습니다.
또한 우리는 새로운 제품을 출시하여 집 구매 과정을 재창조하고, 주택 대출 사업을 시작하고, 타이틀 및 에스크로 회사 인수를 통해 집 거래의 다른 고통 点을 해결하기 시작했습니다. 우리의 목표는 이동을 원활하게, 주문형 및 스트레스 없이 만드는 것입니다.
당신이 Opendoor에 끌렸던 것은 무엇입니까?
우리는 부동산 거래를 재창조하여 사람들이 자신의 가장 큰 자산인 집과의 관계를 재정의 할 수 있는 기회를 가지고 있습니다. 부동산을 책임으로 여기는 것이 아니라, 집주인들이 집에서 유동성을 얻을 수 있는 방법을 제공할 수 있습니다. 예를 들어, 당신과 내가 체크카드에서 출금하는 것과 같이 집주인들이 집에서 유동성을 얻을 수 있다면, 구매자와 판매자는 몇 개월의 스트레스와 불확실성을 피하고 다음 생애의 장을 더 자신감 있게 나아갈 수 있습니다. 지리적 이동성과 재정적 자유를 가능하게 하는 비전은 매우 흥미롭고, 우리는 이 여정의 시작에 불과합니다.
Opendoor는 역사적인 시장 거래에 대한大量의 데이터를 분석합니다. 어떤 유형의 데이터 포인트를 수집합니까?
필요한粒度의 정확한 부동산 데이터를 얻는 것은 쉽지 않습니다. 우리는 역사적인 시장 거래를 이해하기 위해 대규모의 독점 및 제3자 데이터 세트의 조합을 사용합니다. 즉, 우리는 목록 수준 및 집 수준의 세부 정보를 모두 살펴봅니다. 목록에서 일반적으로 볼 수 있는 데이터 포인트와 같은 판매 날짜 및 가격, 집이 목록에 올려진 날짜, 집의 특징과 같은 데이터 포인트, 예를 들어 침실 및 욕실의 수, 부엌 특성 또는 평방 피트와 같은 데이터 포인트를 살펴봅니다. 또한 우리는 집의 품질 또는 고유성을 나타내는 특성을 통합하여 더 나은 비교를 선택하고 궁극적으로 집을 가능한 한 정확하게 가격을 매길 수 있습니다. 우리는 또한 현재 시장에 있는 집의 유사한 데이터를 고려합니다. 궁극적으로, 이러한 데이터 포인트는 집의 공정 가치를 예측하고 집을 재판매하는 데 걸리는 시간을 예측하는 데 도움이 됩니다.
Opendoor는 거래되지 않은 채로 시장에서 제거된 집도 분석합니다. 이러한 데이터는 거래된 집과 어떻게 다르게 사용됩니까?
우리는 활성 집과 거래되지 않은 채로 시장에서 제거된 집, 즉 “delistings”라고 하는 집에 대해 유사한 데이터를 살펴봅니다. 우리의 데이터 세트는 각 거래에 대한 집 수준 및 목록 수준의 세부 정보를 살펴봅니다. 우리는 delistings에 대한 이러한 통찰력을 살펴보고,하지만 우리의 목표 변수인 시장에 있는 일 수를 관찰할 수 없습니다. 또한 우리는 공급과 수요를 이해하기 위해 시장 전체를 살펴봅니다. 거래되지 않은 목록을 통합함으로써 우리는 시장에 대한 더 포괄적인 그림을 얻을 수 있습니다.
Opendoor는 집 가격에 대한 요인으로 Ensembling을 사용합니다. Ensembling이 무엇인지 및 Opendoor에서 어떻게 사용하는지 설명해 주시겠습니까?
구매자가 집을 사고 싶거나 판매자가 집을 시장에 올리기로 결정할 때, 집의 가치를 결정하는 방법은 구매자와 판매자 유형에 따라 매우 다를 수 있습니다. 우리는 이러한 요소를 모델에 통합하여 구매자와 판매자가 시장을 어떻게 보는지 이해합니다. 여기서 Ensembling이 들어옵니다. Ensembling을 사용하여 우리는 다양한 가격 모델을 함께 사용하여 집 가치의 가중 평균을 계산할 수 있습니다. 일부 모델은 다른 변수를 다르게 가중할 수 있습니다. 우리는 Ensembling이 일반적으로 단일 모델보다 더 정확한 가격을 제공한다는 것을 발견했습니다.
Opendoor는 다양한 소스에서 큰 데이터를 가져옵니다. 이는 데이터가 원래 레이블이 지정되거나 형식화된 방식으로 인해 어려울 수 있습니다. Opendoor는 이 문제를 해결하기 위해 Markov Random Field를 사용합니다. 이것이 무엇인지 설명해 주시겠습니까?
도전은 텍스트 데이터의 변이에서 비롯되며, 약어 및 철자 오류에서 일관되지 않은 단어 순서 및 숫자 철자까지 다양합니다. 품질이 낮은 데이터는 우리의 집 가치 모델에 영향을 미치므로 우리는 레이블의 품질을 개선하고 텍스트의 특성을 더 정확하게 해석하기 위한 수학적 접근 방식을 구현했습니다. Markov Random Field를 사용하여 우리는 모든 레이블을 공동으로 평가하고 하위 구역과 같은 특성을 더 정확하게 해석할 수 있습니다. 각 레이블의 점수는 두 가지 구성 요소에서 비롯됩니다. 1) 최종 레이블이 원본 텍스트와 얼마나 잘 관련되어 있는지 및 2) 레이블이 이웃 사이에서 얼마나 공간적으로 연속적인지. 마르코프 체인 수학을 사용하여 우리는 데이터를 부분의 합 이상으로 만듭니다.
당신은 집의 평균 보유 기간을 모델링하기 위해 생존 분석이라는 기술을 사용합니다. 생존 분석이 무엇인지 및 Opendoor의 경우에 적용되는지 설명해 주시겠습니까?
본질적으로 우리는 집마다의 유동성을 이해하고, 더 많은 정보를 얻을수록 우리의 유동성 프로필에 대한 견해를 업데이트할 수 있어야 합니다. 생존 분석은 하나 이상의 이벤트가 발생하기까지 예상되는 시간을 분석하는 통계적 방법입니다. 우리의 경우, 우리는 생존 분석을 사용하여 집이 얼마나 오래 팔릴지 이해하고 예측하도록 도와줍니다. 이 방법을 사용하여 우리는 시장 상황의 변화를 더 잘 대응하고 우리의 단위 경제를 더 정확하게 예측할 수 있습니다. 이는 각 집에 대한 위험 임계값을 결정하고 더 현명한 투자를 결정하는 데 도움이 되며, 이는 우리의 비즈니스에 필수적입니다.
집의 가치에 영향을 미치는 요소 중에는 위치에 따라 다르게 영향을 미치는 요소가 있습니다. 예를 들어, 도로 소음이 있습니다. 이러한 문제를 위해 집의 가치 모델을 프로그래밍하는 데 기계 학습을 어떻게 사용합니까?
Opendoor 평가 모델(OVM)은 기계 지능과 인간 전문 지식을 결합하여 정확하고 경쟁력 있는 제안을 제공하며, 도로 소음과 같은 덜 명백한 요인을 고려합니다. 이를 위해 우리는 인간 운영자들이 변수를 식별하고 기계가 가격 알고리즘에서 그들이 얼마나 중요한지 예측하도록頼みます. OpenStreetMap(OSM)은 도로 기하학에 대한 자유롭게 사용할 수 있는 데이터 세트이며, 도로에 인접한 집을 식별하는 데 도움이 됩니다. 우리는 이전에 인간이 집에 대한 조정을 계산하여 평균 조정 값을 계산합니다. 우리는 이러한 값을 규모로 정제하고, 시장에 대한 인간 조정 데이터를 더 많이 수집할수록 데이터 세트가 성장하고 OVM의 성능이 향상됩니다. 가장 중요한 것은, 우리는 우리의 독점 데이터로 사용할 수 있는 제3자 데이터를 풍부하게 합니다. 결과적으로, 위치에 따라 달라지는 신호는 시간이 지남에 따라 크게 개선됩니다.
Opendoor에 대해 더 공유하고 싶은 것이 있습니까?
저에게 Opendoor에서 일하는 것이 특별히 의미 있는 것은 기술, 데이터 과학 및 운영 우수성을 통해 수백만 명의 소비자에게 실제 세계의 고통 점을 해결하는 데 도움이 된다는 것입니다. 온라인과 오프라인 세계의 결합은 이전에 никогда 하지 못한 것으로, 새로운 관심 잡는 도전을 가져옵니다.
