Inteligência artificial
Ian Wong, Co-fundador & CTO da Opendoor – Série de Entrevistas
Você pode resumir o conceito por trás da Opendoor e como ele difere de concorrentes como a Zillow?
Opendoor dá às pessoas uma maneira simples e conveniente de comprar, vender e trocar casas. Estamos transformando um modelo de imóveis fragmentado e inflexível em uma experiência digital e sob demanda de ponta a ponta. Como pioneira do “ibuyering”, a Opendoor atendeu mais de 70.000 clientes até o momento e expandiu para 21 mercados nos EUA.
A Opendoor é capaz de fornecer valores de mercado justos para casas em quase tempo real, utilizando um modelo de avaliação proprietário que aproveita dados de primeira e terceira parte, juntamente com o uso de aprendizado de máquina, IA e revisão humana. Com apenas alguns toques no aplicativo Opendoor, os vendedores podem receber uma oferta da Opendoor dentro de 24 horas. Vender para a Opendoor fornece mais escolha e certeza, pois os proprietários de casas podem escolher a data de mudança e evitar o estresse e o incômodo de exibições e reparos de casas.
Além disso, começamos a resolver outros pontos de dor na transação de casas com o lançamento de um novo produto que reimagina o processo de compra de casas, o lançamento de um negócio de empréstimos hipotecários e a aquisição de uma empresa de título e escrow. Nosso objetivo é tornar a mudança sem esforço, sob demanda e sem estresse.
O que foi que o atraiu para a Opendoor?
Temos a chance de reimaginar a transação de imóveis, redefinindo as relações das pessoas com seu maior ativo. Em vez de uma responsabilidade, e se os proprietários de casas pudessem aproveitar a liquidez proporcionada por suas casas da mesma forma que você e eu podemos sacar de nossa conta corrente? E se compradores e vendedores pudessem pular meses de estresse e incerteza e se tornar mais confiantes para seguir em frente com o próximo capítulo de suas vidas? A visão de habilitar mais mobilidade geográfica e liberdade financeira é super emocionante, e parece que estamos apenas começando essa jornada.
A Opendoor analisa uma grande coleção de transações de mercado históricas. Quais são os pontos de dados que você está reunindo?
Dados de imóveis precisos com o nível de granularidade que precisamos não são fáceis de encontrar. Usamos uma combinação de grandes conjuntos de dados proprietários e de terceiros para entender transações de mercado históricas, incluindo detalhes de nível de listagem e nível de casa. Isso significa que olhamos para pontos de dados comuns de uma listagem, como a data e o preço de venda, quando a casa foi listada, bem como pontos de dados sobre casas individuais, como o número de quartos e banheiros, atributos da cozinha ou metros quadrados. Além disso, incorporamos recursos que denotam a qualidade ou a singularidade de uma casa, permitindo-nos selecionar comparáveis mais precisos e, em última análise, preços mais precisos para a casa. Também levamos em conta dados semelhantes de casas atualmente no mercado. Em última análise, esses pontos de dados nos ajudam a prever o valor de mercado justo de uma casa e o tempo que provavelmente levará para revender a casa.
A Opendoor também analisa casas que são tiradas do mercado sem transacionar, como esses dados são usados de forma diferente em comparação com casas que foram vendidas?
Olhamos para dados semelhantes para casas ativas e casas que são tiradas do mercado sem transacionar — casas que chamamos de “delistings”. Nosso conjunto de dados examina uma variedade de detalhes de nível de casa e nível de listagem, incluindo metros quadrados e preço de listagem, para cada transação. Examinamos essas informações para delistings, mas não podemos observar nossa variável-alvo de dias no mercado. Além disso, olhamos para o mercado como um todo para entender a oferta e a demanda. Ao incorporar listagens não transacionadas, temos uma visão mais abrangente do mercado.
A Opendoor usa Ensembling como um fator no preço das casas. Você pode explicar o que é ensembling e como a Opendoor usa essa tecnologia?
Quando um comprador deseja comprar uma casa ou um vendedor decide listar sua casa no mercado, a forma como eles determinam o valor da casa depende de por que eles estão comprando ou vendendo. E isso pode ser muito diferente dependendo do tipo de comprador e vendedor. Incorporamos isso em nosso modelo para entender como compradores e vendedores veem o mercado, e é aí que o ensembling entra em cena. O ensembling permite que usemos diferentes modelos de preços juntos para calcular uma média ponderada dos valores das casas. Alguns modelos podem pesar certas variáveis de forma diferente. Descobrimos que o ensembling geralmente resulta em preços mais precisos do que qualquer modelo único.
A Opendoor importa grandes dados de várias fontes, o que pode ser um desafio devido à forma como os dados foram originalmente rotulados ou formatados. A Opendoor usa Markov Random Field para ajudar com esse problema. Você pode explicar o que é?
O desafio decorre de mutações nos dados de texto, desde abreviações e erros de digitação até ordenação inconsistente de palavras e grafias numéricas. Dados de baixa qualidade afetam nossos modelos de avaliação de casas, por isso implementamos uma abordagem matemática para ajudar a padronizar o texto e melhorar a qualidade dos rótulos. O Markov Random Field nos permite pontuar todos os rótulos conjuntamente e interpretar mais precisamente características como subdivisões. A pontuação de cada rótulo vem de dois componentes diferentes: 1) como os rótulos finais se relacionam com o texto original e 2) como os rótulos são espacialmente contínuos entre os vizinhos. Com as matemáticas das cadeias de Markov, tornamos os dados mais do que a soma de suas partes.
Você usa uma técnica chamada análise de sobrevivência para modelar o tempo de retenção médio de uma casa que está à venda. O que é análise de sobrevivência e se aplica ao caso da Opendoor?
Fundamentalmente, precisamos entender a liquidez por casa, e ser capaz de atualizar nossa visão do perfil de liquidez de uma casa à medida que obtemos mais informações. A análise de sobrevivência é um método estatístico que analisa a quantidade de tempo esperado até que um ou mais eventos ocorram. No nosso caso, usamos a análise de sobrevivência para entender e prever quanto tempo uma casa levará para vender. Usando esse método, melhoramos drasticamente nossa capacidade de responder a condições de mercado em evolução e prever mais precisamente nossa economia unitária. Isso nos ajuda a determinar um limiar de risco para cada casa e fazer investimentos mais inteligentes, o que é vital para nosso negócio.
Há fatores que afetam o valor de uma casa que são muito dependentes da localização, como o ruído do tráfego. Como você usa o aprendizado de máquina para programar seu modelo de avaliação para esse tipo de problema?
O Modelo de Avaliação da Opendoor (OVM) combina inteligência de máquina com expertise humana para fornecer ofertas precisas e competitivas, levando em conta fatores menos aparentes, como o ruído do tráfego. Para fazer isso, confiamos em nossos operadores humanos para identificar variáveis e em nossas máquinas para prever o quanto elas importam no algoritmo de preços. O OpenStreetMap (OSM) é um conjunto de dados disponível gratuitamente para geometrias de estradas e nos ajuda a identificar casas adjacentes a estradas. Também procuramos ajustes humanos anteriores em casas para calcular o valor de ajuste médio. Podemos refinar esses valores com escala, e à medida que coletamos mais dados de ajuste humano para mercados, o conjunto de dados cresce e melhora o desempenho do OVM. O mais importante é que enriquecemos dados de terceiros disponíveis com nossos próprios dados proprietários. Como resultado, os sinais dependentes da localização melhoram dramaticamente com o tempo.
Há algo mais que você gostaria de compartilhar sobre a Opendoor?
O que torna trabalhar na Opendoor particularmente especial para mim é que estamos usando tecnologia, ciência de dados e excelência operacional para ajudar a resolver pontos de dor do mundo real para milhões de consumidores. Esse casamento do mundo online e offline nunca foi feito e vem com muitos novos e interessantes desafios.
