Ian Wong, mede-oprichter en CTO van Opendoor – Interviewreeks

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 op vraag gebaseerd 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 bijna onmiddellijk een eerlijke marktwaarde voor huizen bieden met behulp van een eigen waarde-model dat eerste- en derdepartijgegevens combineert, evenals 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 huisbezoeken en reparaties kunnen vermijden.

Daarnaast zijn we begonnen met het oplossen van andere pijnlijke punten in de huisverkoop met de lancering van een nieuw product dat het huis kopen proces opnieuw uitvindt, de lancering van een hypotheekbedrijf en de overname van een titel- en escrowbedrijf. Ons doel is om verhuizen soepel, op vraag en stressvrij te maken.

Wat was het dat u aantrok bij Opendoor?

We hebben de kans om de vastgoedtransactie opnieuw uit te vinden en daarmee de relatie tussen mensen en hun grootste bezit te herdefiniëren. In plaats van een last, wat als huiseigenaren kunnen profiteren van de liquiditeit die hun huizen bieden, net zoals u en ik geld van onze bankrekening 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 bieden is super spannend, en het voelt alsof we net aan dat avontuur beginnen.

Opendoor analyseert een grote verzameling van 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 eigen en derdepartijgegevens om historische markttransacties te begrijpen, waaronder gegevens over woningen en lijsten. Dit betekent dat we kijken naar algemene gegevenspunten van een lijst, zoals de verkoopdatum en -prijs, wanneer het huis te koop werd aangeboden, evenals gegevenspunten over individuele woningen, zoals het aantal slaapkamers en badkamers, keukenkenmerken of vierkante meters. Bovenop dit alles nemen we functies op die de kwaliteit of uniekheid van een woning aanduiden, waardoor we beter vergelijkbare woningen kunnen selecteren en de woning uiteindelijk zo nauwkeurig mogelijk kunnen prijzen. We nemen ook soortgelijke gegevens van woningen die momenteel te koop staan. Uiteindelijk helpen deze gegevenspunten ons om de eerlijke marktwaarde van een woning en de tijd die het waarschijnlijk zal duren om de woning te verkopen, te voorspellen.

Opendoor analyseert ook woningen die van de markt worden gehaald zonder te transigeren, hoe wordt deze gegevens anders gebruikt in vergelijking met woningen die zijn verkocht?

We kijken naar soortgelijke gegevens voor zowel actieve woningen als woningen die van de markt worden gehaald zonder te transigeren – woningen die we “delistings” noemen. Onze gegevensset kijkt naar een verscheidenheid aan woning- en lijstgegevens, waaronder vierkante meters en vraagprijs, 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, kunnen we een meer complete beeld van de markt krijgen.

Opendoor gebruikt Ensembling als factor in huisprijsbepaling. Kunt u uitleggen wat ensembling is en hoe Opendoor deze technologie gebruikt?

Wanneer een koper een huis wil kopen of een verkoper besluit om 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 woningwaarden te berekenen. Sommige modellen kunnen bepaalde variabelen anders wegen dan anderen. We hebben ontdekt dat ensembling over het algemeen tot nauwkeurigere prijzen leidt dan elk afzonderlijk model.

Opendoor importeert grote hoeveelheden gegevens van verschillende bronnen, wat een uitdaging kan zijn vanwege de manier waarop de gegevens oorspronkelijk waren gelabeld of opgemaakt. Opendoor gebruikt Markov Random Field om hiermee om te gaan. Kunt u uitleggen wat dit is?

De uitdaging komt voort uit mutaties in de tekstgegevens, van afkortingen en spelfouten tot inconsistentie in de volgorde van woorden en numerieke spellingswijzen. Slechte gegevenskwaliteit heeft invloed op onze woningwaardebepalingsmodellen, en dat is waarom 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 wijken meer nauwkeurig te interpreteren. De score van elk label komt uit twee verschillende componenten: 1) hoe goed de uiteindelijke labels in verhouding staan tot de oorspronkelijke tekst en 2) hoe ruimtelijk continu de labels zijn onder buren. Met de wiskunde van Markov-ketens maken we de gegevens meer dan alleen de som van hun onderdelen.

U gebruikt een techniek genaamd overlevingsanalyse om de gemiddelde houdertijd van een huis dat te koop staat te modelleren. Wat is overlevingsanalyse en is het van toepassing in het geval van Opendoor?

Uiteindelijk hebben we de liquiditeit per woning nodig en moeten we onze visie op de liquiditeitsprofiel van een woning kunnen bijwerken naarmate we meer informatie krijgen. Overlevingsanalyse is een statistische methode die de verwachte tijd analyseert die het zal duren voordat een of meer gebeurtenissen plaatsvinden. In ons geval gebruiken we overlevingsanalyse 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 onze unit-economie meer nauwkeurig te voorspellen. 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 woning beïnvloeden, die sterk afhankelijk zijn van de locatie, zoals geluidsoverlast van de weg. Hoe gebruikt u machine learning om uw waardebepalingsmodel voor een dergelijk probleem te programmeren?

Het Opendoor Waardebepalingsmodel (OVM) combineert machine-intelligentie met menselijke expertise om nauwkeurige en concurrerende aanbiedingen te doen, waarbij minder voor de hand liggende factoren, zoals geluidsoverlast van de weg, worden meegenomen. We vertrouwen 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 woningen naast wegen te identificeren. We zoeken ook naar eerdere menselijke aanpassingen op woningen 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 derdepartijgegevens verrijken met onze eigen eigen gegevens. Als gevolg daarvan verbeteren de locatie-afhankelijke signalen dramatisch in de loop van de tijd.

Is er nog iets anders dat u over Opendoor wilt delen?

Wat het werken bij Opendoor voor mij bijzonder speciaal maakt, is dat we technologie, datascience en operationele excellentie gebruiken om echte pijnlijke punten 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.

Om meer te leren, bezoek Opendoor