Kunstig intelligens
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 folk en enkel og praktisk måte å kjøpe, selge og bytte hjem. Vi endrer en fragmentert, inflexibel eiendommodell til en hel-dekkende, digital og på-behov-erfaring. Som pioneren av “ibuyering”, har Opendoor betjent over 70 000 kunder hittil og utvidet til 21 amerikanske markeder.
Opendoor kan levere nærmest øyeblikkelige markedverdier for hjem ved hjelp av en egen verdimodell som utnytter førstegangs- og tredjepartsdata, samt maskinlæring, AI og menneskelig gjennomgang. Med bare noen berøringer i Opendoor-appen, kan selgere motta et tilbud fra Opendoor innen 24 timer. Salg til Opendoor gir mer valg og sikkerhet, ettersom 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-transaksjonen med lanseringen av et nytt produkt som gjenskaper hjem-kjøpsprosessen, lanseringen av et hjem-lånebedrift og oppkjøpet av et tittel- og eskrow-selskap. Vårt mål er å gjøre flyttingen sammenhengende, på-behov og stressfri.
Hva var det som tiltalte deg til Opendoor?
Vi har muligheten til å gjenskape eiendomstransaksjonen, og dermed omdefinere folks forhold til deres største eiendom. I stedet for en låst eiendom, hva hvis hjemme-eiere kan benytte likviditeten i hjemmene sine på samme måte som du og jeg kan trekke ut fra våre sjekkkontoer? Hva hvis kjøpere og selgere kan hoppe over måneder med stress og usikkerhet, og bli mer selvbevisste når de går 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 egen- og tredjepartsdatamengder for å forstå historiske markedstransaksjoner, inkludert listenivå- 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 funksjoner som indikerer en hjemmes kvalitet eller unikhet, noe som gjør at vi kan velge bedre sammenlignbare og til slutt prissætte 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 markedverdien av et hjem og hvor lenge det sannsynligvis vil ta å selge hjemmet.
Opendoor analyserer også hjem som tas av markedet uten å transaktions, hvordan brukes denne dataen annerledes sammenlignet med hjem som har solgt?
Vi ser på lignende data for både aktive hjem og hjem som tas av markedet uten å transaktions — hjem vi kaller “delistings”. Vårt datamengde ser på en rekke hjem-nivå- og liste-nivådetaljer, inkludert kvadratmeter og listpris, for hver transaksjon. Vi undersøker disse innsiktene for delistings, men får ikke mulighet til å observere vårt målvariabel for dager-på-markedet. I tillegg ser vi på markedet helhetlig for å forstå tilbud og etterspørsel. Ved å inkorporere ikke-transaktionslistinger, 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, måten de bestemmer hjemmets verdi på, avhenger 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 her ensembling kommer inn. Ensembling gjør det mulig for oss å 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 noen enkelt modell.
Opendoor importerer store datamengder fra forskjellige 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 problemstillingen. Kan du forklare hva dette er?
Udfordringen skyldes mutasjoner i tekstdataene, fra forkortelser og skrivefeil til inkonsistente ordninger av ord og numeriske stavinger. Dårlig kvalitet på dataene påvirker våre hjem-verdimodeller, og derfor implementerte vi en matematisk tilnærming for å hjelpe med å standardisere tekst og forbedre kvaliteten på merkingene. Markov Random Field gjør det mulig for oss å score alle merkinger sammen og mer nøyaktig tolke egenskaper som underinndelinger. 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 dataene 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 i Opendoors tilfelle?
Grunnleggende sett, må vi forstå likviditet på et per-hjem-basis, og være i stand til å oppdatere vår syn på likviditetsprofilen til et hjem når vi får mer informasjon. Overlevelsesanalyse er en statistisk metode som analyserer den forventede tiden det vil ta før en eller flere hendelser skjer. I vårt tilfelle, bruker vi overlevelsesanalyse for å hjelpe oss 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 utviklingene i markedet, og mer nøyaktig forutsi vår enhetsøkonomi. Dette hjelper oss å bestemme en risikoterskel for hvert hjem og gjøre smartere investeringer, noe som er avgjørende for vår forretning.
Det finnes ofte faktorer som påvirker verdien av et hjem som er svært avhengig av beliggenhet, som f.eks. vegstøy. Hvordan bruker du maskinlæring for å programmere din verdimodell for slike problemer?
Opendoor-verdimodellen (OVM) kombinerer maskinintelligens med menneskelig ekspertise for å gi nøyaktige og konkurranse-tilbud, og tar med mindre åpenbare faktorer, som vegstøy, i betraktning. For å gjøre dette, avhenger vi av våre menneskelige operatører for å identifisere variabler og våre maskiner for å forutsi hvor mye de teller i pris-algoritmen. OpenStreetMap (OSM) er en fritt tilgjengelig datamengde for veg-geometrier og hjelper oss å identifisere hjem i nærheten av veier. Vi ser også etter tidligere menneskelige justeringer på hjem for å beregne gjennomsnittsjusteringsverdien. Vi kan finjustere disse verdiene med skala, og når vi samler inn mer menneskelig justeringsdata for markeder, vokser datamengden og forbedrer OVM-ytelsen. Viktigst av alt, beriker vi lett tilgjengelig tredjepartsdata med vår egen proprietære data. Som resultat, forbedres de beliggenhetsavhengige signalene dramatisk over tid.
Er det noe annet du ønsker å dele om Opendoor?
Hva som gjør arbeidet i Opendoor spesielt særlig for meg, er at vi bruker teknologi, data-vitenskap og operasjonell ekspertise for å hjelpe med å løse virkelige verden-painpoints for millioner av forbrukere. Ekteskapet mellom den online- og offline-verden har aldri blitt gjort før, og kommer med mange nye og interessante utfordringer.
