Kunstmatige intelligentie
Ian Wong, Co-founder & CTO van Opendoor – Interview Serie
Kunt u het concept achter Opendoor samenvatten en hoe het zich onderscheidt van concurrenten zoals Zillow?
Opendoor biedt mensen een eenvoudige en handige manier om huizen te kopen, verkopen en in te ruilen. We veranderen een gefragmenteerd, inflexibel vastgoedmodel in een end-to-end, digitaal en on-demand ervaring. Als pionier van “ibuyeren” heeft Opendoor tot nu toe meer dan 70.000 klanten bediend en is uitgebreid naar 21 Amerikaanse markten.
Opendoor kan near-instant fair market waarden voor huizen bieden met behulp van een propriëtaire waarderingsmodel dat eerste en derde partijgegevens combineert, evenals het gebruik van machine learning, AI en menselijke beoordeling. Met slechts een paar tikken in de Opendoor-app kunnen verkopers binnen 24 uur een aanbod van Opendoor ontvangen. Verkopen aan Opendoor biedt meer keuze en zekerheid, aangezien huiseigenaren hun verhuisdatum kunnen kiezen en de rompslomp en stress van huizenbezichtigingen en reparaties kunnen vermijden.
Bovendien zijn we begonnen met het oplossen van andere pijnlijke punten in de huistransactie met de lancering van een nieuw product dat het huiskoopproces opnieuw uitvindt, de lancering van een hypotheekbedrijf en de overname van een titel- en escrowbedrijf. Ons doel is om verhuizen soepel, on-demand en stressvrij te maken.
Wat was het dat u aantrok bij Opendoor?
We hebben de kans om de vastgoedtransactie opnieuw uit te vinden, waardoor we de relatie van mensen met hun grootste activa opnieuw definiëren. In plaats van een passief bezit, wat als huiseigenaren toegang kunnen krijgen tot de liquiditeit van hun huizen op dezelfde manier als u en ik geld van onze betaalrekening kunnen opnemen? Wat als kopers en verkopers maanden van stress en onzekerheid kunnen overslaan en met meer vertrouwen naar de volgende fase van hun leven kunnen gaan? De visie om meer geografische mobiliteit en financiële vrijheid te ermögelen is super spannend, en het voelt alsof we net aan dat avontuur beginnen.
Opendoor analyseert een grote verzameling historische markttransacties. Wat voor soort gegevenspunten verzamelt u?
Accurate vastgoedgegevens met het niveau van granulariteit dat we nodig hebben, zijn niet gemakkelijk te vinden. We gebruiken een combinatie van grote propriëtaire en derde partijgegevenssets om historische markttransacties te begrijpen, waaronder gegevens over woningen en huizen, zoals de verkoopdatum en -prijs, wanneer het huis te koop werd aangeboden, evenals gegevens over individuele huizen, zoals het aantal slaapkamers en badkamers, keukenkenmerken of vierkante meter. Bovendien nemen we kenmerken op die de kwaliteit of uniekheid van een huis aanduiden, waardoor we beter vergelijkbare huizen kunnen selecteren en het huis zo nauwkeurig mogelijk kunnen waarderen. We nemen ook soortgelijke gegevens van huizen die momenteel te koop staan. Uiteindelijk helpen deze gegevenspunten ons om de faire marktwaarde van een huis te voorspellen en de tijd die het waarschijnlijk zal duren om het huis te verkopen.
Opendoor analyseert ook huizen die van de markt worden gehaald zonder te transigeren, hoe wordt deze gegevens anders gebruikt in vergelijking met huizen die zijn verkocht?
We kijken naar soortgelijke gegevens voor zowel actieve huizen als huizen die van de markt worden gehaald zonder te transigeren — huizen die we “delistings” noemen. Onze gegevensset kijkt naar een verscheidenheid aan huisniveaus en lijstniveaus, waaronder vierkante meter en aanbiedingsprijs, voor elke transactie. We onderzoeken die inzichten voor delistings, maar krijgen onze doelvariabele van dagen-op-de-markt niet te zien. Bovendien kijken we naar de markt als geheel om de vraag en het aanbod te begrijpen. Door niet-getransigeerde lijsten op te nemen, krijgen we een meer complete beeld van de markt.
Opendoor gebruikt Ensembling als factor in de huisprijs. Kunt u uitleggen wat ensembling is en hoe Opendoor deze technologie gebruikt?
Wanneer een koper een huis wil kopen of een verkoper besluit zijn huis op de markt te zetten, hangt de manier waarop ze de waarde van het huis bepalen af van waarom ze kopen of verkopen. En dat kan heel anders zijn, afhankelijk van de koper en verkoper. We nemen dit op in ons model om te begrijpen hoe kopers en verkopers de markt zien, en dat is waar ensembling om de hoek komt kijken. Ensembling stelt ons in staat om verschillende prijsmodellen samen te gebruiken om een gewogen gemiddelde van de huizenwaarden te berekenen. Sommige modellen kunnen bepaalde variabelen anders wegen dan andere. We hebben ontdekt dat ensembling over het algemeen tot een nauwkeurigere prijs leidt dan een enkel model.
Opendoor importeert grote gegevens van verschillende bronnen, wat een uitdaging kan zijn vanwege de manier waarop de gegevens oorspronkelijk zijn gelabeld of opgemaakt. Opendoor gebruikt Markov Random Field om dit probleem aan te pakken. Kunt u uitleggen wat dit is?
De uitdaging ontstaat door mutaties in de tekstgegevens, van afkortingen en spelfouten tot inconsistentie in de volgorde van woorden en numerieke spellingen. Slechte kwaliteit gegevens heeft een impact op onze huiswaarderingsmodellen, waardoor we een wiskundige benadering hebben geïmplementeerd om tekst te standaardiseren en de kwaliteit van labels te verbeteren. Markov Random Field stelt ons in staat om alle labels gezamenlijk te scoren en kenmerken zoals subgebieden meer nauwkeurig te interpreteren. De score van elk label komt uit twee verschillende componenten: 1) hoe goed de uiteindelijke labels overeenkomen met de oorspronkelijke tekst en 2) hoe ruimtelijk consistent de labels zijn onder buren. Met de wiskunde van Markov-ketens maken we de gegevens meer dan alleen de som van hun delen.
U gebruikt een techniek genaamd survivalanalyse om de gemiddelde houdertijd van een huis dat te koop staat te modelleren. Wat is survivalanalyse en is het van toepassing op Opendoors geval?
Fundamenteel moeten we de liquiditeit per huis begrijpen en onze visie op het liquiditeitsprofiel van een huis kunnen bijwerken naarmate we meer informatie krijgen. Survivalanalyse is een statistische methode die de verwachte tijd analyseert totdat een of meer gebeurtenissen plaatsvinden. In ons geval gebruiken we survivalanalyse om te begrijpen en te voorspellen hoe lang een huis te koop zal staan. Met behulp van deze methode verbeteren we aanzienlijk onze mogelijkheid om te reageren op evoluerende marktomstandigheden en voorspellen we onze unit-economie meer nauwkeurig. Dit helpt ons om een risicodrempel voor elk huis te bepalen en slimmere investeringen te doen, wat essentieel is voor ons bedrijf.
Er zijn vaak factoren die de waarde van een huis beïnvloeden, die zeer locatie-afhankelijk zijn, zoals verkeerslawaai. Hoe gebruikt u machine learning om uw waarderingsmodel te programmeren voor een dergelijk probleem?
Het Opendoor Waarderingsmodel (OVM) combineert machine-intelligentie met menselijke expertise om accurate en concurrerende aanbiedingen te doen, waarbij minder voor de hand liggende factoren, zoals verkeerslawaai, worden meegenomen. Om dit te doen, vertrouwen we op onze menselijke operators om variabelen te identificeren en onze machines om te voorspellen hoeveel ze tellen in de prijsalgoritme. OpenStreetMap (OSM) is een vrij beschikbare gegevensset voor weggeometrieën en helpt ons om huizen naast wegen te identificeren. We zoeken ook naar eerdere menselijke aanpassingen op huizen om de gemiddelde aanpassingswaarde te berekenen. We kunnen deze waarden verfijnen met schaal, en naarmate we meer menselijke aanpassingsgegevens voor markten verzamelen, groeit de gegevensset en verbetert de prestatie van het OVM. Het belangrijkste is dat we gemakkelijk beschikbare derde partijgegevens verrijken met onze eigen propriëtaire gegevens. Als gevolg daarvan verbeteren de locatie-afhankelijke signalen aanzienlijk in de loop van de tijd.
Is er nog iets anders dat u over Opendoor wilt delen?
Wat het werken bij Opendoor voor mij speciaal maakt, is dat we technologie, datawetenschap en operationele excellentie gebruiken om echte wereldproblemen voor miljoenen consumenten op te lossen. Dit huwelijk van de online en offline wereld is nog nooit eerder gedaan en komt met veel nieuwe en interessante uitdagingen.
