Wywiady
Ian Wong, współzałożyciel i CTO Opendoor – seria wywiadów
Dodaj Unite.AI do preferowanych źródeł w Google
Czy mógłbyś podsumować koncepcję Opendoor i jak się różni od konkurentów, takich jak Zillow?
Opendoor daje ludziom prosty i wygodny sposób na kupowanie, sprzedaż i wymianę domów. Przekształcamy fragmentaryczny, nieelastyczny model nieruchomości w cyfrowe i na żądanie doświadczenie. Jako pionier “ibuyingu”, Opendoor obsłużyło już ponad 70 000 klientów i rozrosło się do 21 rynków w Stanach Zjednoczonych.
Opendoor jest w stanie zapewnić niemal natychmiastowe uczciwe wartości rynkowe domów za pomocą własnego modelu wyceny, który wykorzystuje dane pierwszo- i trzeciorzędowe, a także maszynowe uczenie się, sztuczną inteligencję i przegląd ludzki. Za pomocą kilku kliknięć w aplikacji Opendoor, sprzedawcy mogą otrzymać ofertę od Opendoor w ciągu 24 godzin. Sprzedaż do Opendoor zapewnia więcej wyboru i pewności, ponieważ właściciele domów mogą wybrać datę wyprowadzki i uniknąć kłopotów i stresu związanych z pokazami i naprawami domu.
Ponadto, zaczęliśmy rozwiązywać inne bóle głowy w transakcji domowej poprzez uruchomienie nowego produktu, który zmienia proces kupowania domu, uruchomienie biznesu pożyczek hipotecznych i przejęcie firmy tytułowej i escrow. Naszym celem jest uczynienie przeprowadzki bezproblemową, na żądanie i bezstresową.
Co skłoniło cię do dołączenia do Opendoor?
Mamy szansę zredefiniować transakcję nieruchomości, a tym samym zmienić relacje ludzi z ich największym aktywem. Zamiast zobowiązania, co gdyby właściciele domów mogli skorzystać z płynności, jaką daje im ich dom, tak jak ty i ja możemy wypłacić pieniądze z naszego konta? Co gdyby kupujący i sprzedający mogli pominąć miesiące stresu i niepewności, i stać się bardziej pewnymi, idącymi do przodu z następnym rozdziałem swojego życia? Wizja umożliwienia większej mobilności geograficznej i wolności finansowej jest super ekscytująca, i czujemy, że dopiero zaczynamy tę podróż.
Opendoor analizuje dużą kolekcję historycznych transakcji rynkowych. Jakiego rodzaju punkty danych zbierasz?
Dokładne dane nieruchomości o poziomie szczegółowości, którego potrzebujemy, nie są łatwe do znalezienia. Używamy kombinacji dużych, własnych i zewnętrznych zestawów danych, aby zrozumieć historyczne transakcje rynkowe, w tym szczegóły na poziomie ofert i domów. Oznacza to, że patrzymy na typowe punkty danych z oferty, takie jak data sprzedaży i cena, kiedy dom został wystawiony, a także punkty danych dotyczące poszczególnych domów, takie jak liczba sypialni i łazienek, atrybuty kuchni lub powierzchnia. Dodatkowo, włączamy funkcje, które wskazują na jakość lub unikalność domu, co pozwala nam lepiej wybrać porównywalne domy i ostatecznie wycenić dom jak najdokładniej. Uwzględniamy również podobne dane z domów aktualnie wystawionych na rynku. Ostatecznie, te punkty danych pomagają nam przewidzieć uczciwą wartość rynkową domu i czas, jaki prawdopodobnie upłynie, zanim dom zostanie ponownie sprzedany.
Opendoor analizuje również domy, które są wycofywane z rynku bez transakcji, w jaki sposób te dane są wykorzystywane inaczej w porównaniu z domami, które zostały sprzedane?
Patrzymy na podobne dane dla aktywnych domów i domów, które są wycofywane z rynku bez transakcji — domy, które nazywamy “wycofaniami”. Nasz zestaw danych obejmuje różne szczegóły na poziomie domu i oferty, w tym powierzchnię i cenę ofertową, dla każdej transakcji. Badamy te spostrzeżenia dla wycofań, ale nie możemy zaobserwować naszej docelowej zmiennej, czyli czasu na rynku. Dodatkowo, patrzymy na rynek całościowo, aby zrozumieć podaż i popyt. Poprzez włączenie nieztransakcyjnych ofert, mamy bardziej kompletny obraz rynku.
Opendoor używa Ensemblingu jako czynnika w wycenie domu. Czy mógłbyś wyjaśnić, co to jest Ensembling i jak Opendoor wykorzystuje tę technologię?
Gdy kupujący chce kupić dom lub sprzedawca decyduje się wystawić swój dom na rynku, sposób, w jaki określają wartość domu, zależy od tego, dlaczego kupują lub sprzedają. I to może być bardzo różne w zależności od kupującego i sprzedawcy. Włączamy to w naszym modelu, aby zrozumieć, jak kupujący i sprzedawcy postrzegają rynek, co jest miejscem, w którym pojawia się Ensembling. Ensembling pozwala nam używać różnych modeli wyceny, aby obliczyć ważoną średnią wartości domu. Niektóre modele mogą ważyć pewne zmienne inaczej niż inne. Stwierdziliśmy, że Ensembling zazwyczaj daje bardziej dokładne wyceny niż jeden model.
Opendoor importuje duże ilości danych z różnych źródeł, co może być wyzwaniem ze względu na to, jak dane zostały pierwotnie oznaczone lub sformatowane. Opendoor używa Markov Random Field, aby pomóc w tym problemie. Czy mógłbyś wyjaśnić, co to jest?
Wyzwanie wynika z mutacji w danych tekstowych, od skrótów i błędów pisarskich po niespójne kolejności słów i liczbowe pisownie. Słaba jakość danych wpływa na nasze modele wyceny domu, dlatego wdrożyliśmy matematyczne podejście, aby pomóc standaryzować tekst i poprawić jakość etykiet. Markov Random Field pozwala nam ocenić wszystkie etykiety wspólnie i bardziej dokładnie interpretować cechy, takie jak podziały. Ocena każdej etykiety pochodzi z dwóch różnych składników: 1) jak dobrze końcowe etykiety są związane z oryginalnym tekstem i 2) jak ciągłe przestrzennie są etykiety wśród sąsiadów. Z matematyką łańcuchów Markowa, robimy, że dane są więcej niż tylko suma ich części.
Używasz techniki zwanej analizą przeżycia, aby modelować średni czas posiadania domu, który jest wystawiony na sprzedaż. Co to jest analiza przeżycia i czy ma zastosowanie w przypadku Opendoor?
Podstawowo, musimy zrozumieć płynność na poziomie jednego domu i móc zaktualizować nasz pogląd na profil płynności domu, gdy uzyskujemy więcej informacji. Analiza przeżycia jest statystyczną metodą, która analizuje przewidywany czas, jaki upłynie, zanim wystąpi jeden lub więcej zdarzeń. W naszym przypadku, używamy analizy przeżycia, aby pomóc nam zrozumieć i przewidzieć, jak długo dom pozostanie na rynku. Używając tej metody, dramatycznie poprawiamy naszą zdolność do reagowania na ewoluujące warunki rynkowe i bardziej dokładnie przewidujemy naszą ekonomię jednostkową. To pomaga nam określić próg ryzyka dla każdego domu i podejmować bardziej inteligentne inwestycje, co jest kluczowe dla naszego biznesu.
Często są czynniki, które wpływają na wartość domu, które są bardzo zależne od lokalizacji, takie jak hałas drogowy. Jak używasz uczenia maszynowego, aby zaprogramować swój model wyceny dla takiego problemu?
Model wyceny Opendoor (OVM) łączy inteligencję maszynową z ekspertyzą ludzką, aby zapewnić dokładne i konkurencyjne oferty, biorąc pod uwagę mniej oczywiste czynniki, takie jak hałas drogowy. Aby to zrobić, polegamy na naszych operatorach, aby zidentyfikować zmienne i naszych maszynach, aby przewidzieć, jak bardzo one się liczą w algorytmie wyceny. OpenStreetMap (OSM) jest dostępnym zestawem danych dla geometrii dróg i pomaga nam identyfikować domy przylegające do dróg. Patrzymy również na poprzednie dostosowania ludzkie w domach, aby obliczyć średnią wartość dostosowania. Jesteśmy w stanie udoskonalić te wartości wraz ze skalą, i gdy zbieramy więcej danych dostosowań ludzkich dla rynków, zestaw danych rośnie i poprawia wydajność OVM. Najważniejsze, że wzbogacamy dostępne dane zewnętrzne o własne, własne dane. W rezultacie, sygnały zależne od lokalizacji poprawiają się dramatycznie w czasie.
Czy jest coś jeszcze, co chciałbyś podzielić się na temat Opendoor?
To, co sprawia, że praca w Opendoor jest dla mnie szczególnie wyjątkowa, to fakt, że używamy technologii, nauki o danych i doskonałości operacyjnej, aby pomóc rozwiązać prawdziwe bóle głowy dla milionów konsumentów. To połączenie świata online i offline nigdy nie było robione i przychodzi z wieloma nowymi i interesującymi wyzwaniami.
