Ian Wong, medgrunnlegger og CTO av Opendoor – Intervju-serie

Kan du sammenfatte konseptet bak Opendoor, og hvordan det skiller seg fra konkurrenter som Zillow?

Opendoor gir mennesker en enkel og praktisk måte å kjøpe, selge og bytte hjem. Vi endrer en fragmentert, inflexibel eiendomsmarked-modell til en helhetlig, digital og påkravsbasert opplevelse. Som pioneren bak “ibuyering”, har Opendoor betjent over 70 000 kunder hittil og utvidet til 21 amerikanske markeder.

Opendoor kan gi nærmest umiddelbare markedsvurderinger for hjem ved hjelp av en proprietær vurderingsmodell som utnytter førstegangs- og tredjepartsdata, samt maskinlæring, AI og menneskelig gjennomgang. Med bare noen få berøringer i Opendoor-appen, kan selgere motta et tilbud fra Opendoor innen 24 timer. Å selge til Opendoor gir mer valg og sikkerhet, da hjemme-eiere kan velge flyttdato og unngå besvær og stress med hjem-visninger og reparasjoner.

I tillegg har vi begynt å løse andre smertepunkter i hjem-transaksjoner med lanseringen av et nytt produkt som gjenskaper hjem-kjøpsprosessen, lanseringen av et boliglån-virksomhet og oppkjøpet av et tittel- og escrow-selskap. Vårt mål er å gjøre flyttingen sammenhengende, påkravsbasert og stressfri.

Hva var det som tiltalte deg til Opendoor?

Vi har muligheten til å gjenskape eiendomstransaksjonen, og dermed omdefinere menneskers forhold til deres største eiendom. I stedet for en belastning, hva hvis hjemme-eiere kan benytte likviditeten i hjemmene sine på samme måte som du og jeg kan trekke ut penger fra våre bankkontoer? Hva hvis kjøpere og selgere kan hoppe over måneder med stress og usikkerhet, og bli mer sikre på å gå videre med neste kapittel i livene sine? Visjonen om å muliggjøre mer geografisk mobilitet og finansiell frihet er super spennende, og det føles som om vi bare begynner på denne reisen.

Opendoor analyserer en stor samling av historiske markedstransaksjoner. Hva slags datapunkter samler dere inn?

Nøyaktig eiendomsdata med det nivået av detalj som vi trenger, er ikke lett å komme over. Vi bruker en kombinasjon av store proprietære og tredjepartsdatamengder for å forstå historiske markedstransaksjoner, inkludert listebeskrivelser og hjem-nivådetaljer. Dette betyr at vi ser på vanlige datapunkter fra en liste, som salgsdato og pris, når hjemmet ble listet, samt datapunkter om enkelt hjem, som antall soverom og bad, kjøkkenattributter eller kvadratmeter. I tillegg inkorporerer vi egenskaper som betegner en hjemmes kvalitet eller unikhet, som gjør at vi kan velge bedre sammenligninger og til slutt prissette hjemmet så nøyaktig som mulig. Vi tar også hensyn til lignende data fra hjem som for tiden er på markedet. Til slutt hjelper disse datapunktene oss å forutsi den rettferdige markedsvurderingen av et hjem og hvor lenge det sannsynligvis vil ta å selge hjemmet.

Opendoor analyserer også hjem som tas av markedet uten å transaksjonere, hvordan brukes denne dataen forskjellig sammenlignet med hjem som har solgt?

Vi ser på lignende data for både aktive hjem og hjem som tas av markedet uten å transaksjonere — hjem vi kaller “delistings”. Vår datamengde ser på en rekke hjem-nivå- og listebeskrivelsesdetaljer, inkludert kvadratmeter og listebeskrivelsespris, for hver transaksjon. Vi undersøker disse innsiktene for delistings, men får ikke mulighet til å observere vår målvariabel for dager på markedet. I tillegg ser vi på markedet helhetlig for å forstå tilbud og etterspørsel. Ved å inkorporere ikke-transaksjonerte lister, får vi en mer omfattende bilde av markedet.

Opendoor bruker Ensembling som en faktor i husprising. Kan du forklare hva ensembling er og hvordan Opendoor bruker denne teknologien?

Når en kjøper ønsker å kjøpe et hus eller en selger bestemmer seg for å liste sitt hjem på markedet, avhenger måten de bestemmer hjemmets verdi av hvorfor de kjøper eller selger. Og dette kan være svært forskjellig avhengig av kjøper- og selger-type. Vi inkorporerer dette i vår modell for å forstå hvordan kjøpere og selgere ser på markedet, og det er der ensembling kommer inn. Ensembling lar oss bruke forskjellige prismodeller sammen for å beregne en vektet gjennomsnitt av hjem-verdier. Noen modeller kan vekte visse variabler forskjellig enn andre. Vi har funnet at ensembling generelt resulterer i mer nøyaktig prising enn enkeltmodeller.

Opendoor importerer store datamengder fra ulike kilder, som kan være en utfordring på grunn av hvordan dataene ble opprinnelig merket eller formatert. Opendoor bruker Markov Random Field for å hjelpe med denne utfordringen. Kan du forklare hva dette er?

Utfordringen skyldes mutasjoner i tekstdata, fra forkortelser og skrivefeil til inkonsistente ordninger av ord og numeriske stavinger. Dårlig kvalitet på data påvirker våre hjem-vurderingsmodeller, og derfor implementerte vi en matematisk tilnærming for å standardisere tekst og forbedre kvaliteten på merkingene. Markov Random Field lar oss score alle merkinger felles og mer nøyaktig tolke egenskaper som underområder. Scoringen av hver merking kommer fra to forskjellige komponenter: 1) hvor godt de endelige merkingene relaterer til den opprinnelige teksten og 2) hvor romlig sammenhengende merkingene er blant naboer. Med matematikken til Markov-kjeder, gjør vi dataen mer enn bare summen av delene.

Du bruker en teknikk kalt overlevelsesanalyse for å modellere gjennomsnittlig holdetid for et hjem som er listet for salg. Hva er overlevelsesanalyse og hvordan gjelder det for Opendoor?

Grunnleggende sett, må vi forstå likviditet på et hjem-basis, og kunne oppdatere vår syn på likviditetsprofilen til et hjem når vi får mer informasjon. Overlevelsesanalyse er en statistisk metode som analyserer den forventede tiden det tar før en eller flere hendelser skjer. I vårt tilfelle, bruker vi overlevelsesanalyse for å forstå og forutsi hvor lenge et hus vil ta å selge. Ved å bruke denne metoden, forbedrer vi dramatisk vår evne til å reagere på utviklingende markedstilstander, og mer nøyaktig forutsi vår enhetsøkonomi. Dette hjelper oss å bestemme en risikoterskel for hvert hjem og gjøre smartere investeringer, som er avgjørende for vår virksomhet.

Det finnes ofte faktorer som påvirker verdien av et hjem som er svært avhengig av lokasjon, som f.eks. veistøy. Hvordan bruker du maskinlæring til å programmere din vurderingsmodell for slike problemer?

Opendoor-vurderingsmodellen (OVM) kombinerer maskinintelligens med menneskelig ekspertise for å gi nøyaktige og konkurranse-tilbud, og tar hensyn til mindre åpenbare faktorer, som f.eks. veistøy. For å gjøre dette, avhenger vi av våre menneskelige operatører til å identifisere variabler og våre maskiner til å forutsi hvor mye de teller i pris-algoritmen. OpenStreetMap (OSM) er en fritt tilgjengelig datamengde for vei-geometrier og hjelper oss å identifisere hjem i nærheten av veier. Vi ser også på tidligere menneskelige justeringer på hjem for å beregne gjennomsnittlig justeringsverdi. Vi kan forbedre disse verdiene med skala, og når vi samler inn mer menneskelig justeringsdata for markeder, vokser datamengden og forbedrer OVM-ytelsen. Det viktigste er at vi beriker lett tilgjengelig tredjepartsdata med vår egen proprietær data. Som resultat, forbedres lokasjon-avhengige signaler dramatisk over tid.

Er det noe annet du ønsker å dele om Opendoor?

Hva som gjør arbeidet på Opendoor spesielt særlig for meg, er at vi bruker teknologi, data-vitenskap og operasjonell eksellens for å hjelpe løse virkelige smertepunkter for millioner av forbrukere. Denne ekteskapet mellom den online- og offline-verden har aldri blitt gjort før og kommer med mange nye og interessante utfordringer.

For å lære mer, besøk Opendoor