Искусственный интеллект
Ian Wong, сооснователь и технический директор Opendoor – Серия интервью
Можете ли вы суммировать концепцию Opendoor и то, как она отличается от конкурентов, таких как Zillow?
Opendoor дает людям простой и удобный способ покупать, продавать и обменивать дома. Мы превращаем фрагментированную и негибкую модель недвижимости в цифровой и на-demand опыт. Как пионер “ibuyering”, Opendoor обслужила более 70 000 клиентов и расширилась до 21 рынка США.
Opendoor может предоставить gần-instant справедливые рыночные цены для домов, используя проприетарную модель оценки, которая использует первичные и третьи данные, а также машинное обучение, ИИ и человеческий обзор. С помощью нескольких касаний в приложении Opendoor продавцы могут получить предложение от Opendoor в течение 24 часов. Продажа Opendoor предоставляет больше выбора и уверенности, поскольку домовладельцы могут выбрать дату переезда и избежать хлопот и стресса от показа дома и ремонта.
Кроме того, мы начали решать другие болевые точки в транзакции с недвижимостью с запуском нового продукта, который переосмысливает процесс покупки дома, запуском бизнеса по ипотечным кредитам и приобретением компании по титулу и эскроу. Наша цель – сделать переезд безшовным, на-demand и без стресса.
Что именно привлекло вас в Opendoor?
У нас есть шанс переосмыслить транзакцию с недвижимостью, а значит, переопределить отношения людей с их самым большим активом. Вместо обязательства, что если домовладельцы могут использовать ликвидность, предоставляемую их домом, так же, как мы и вы можем снять деньги со своего счета? Что если покупатели и продавцы могут пропустить месяцы стресса и неопределенности и стать более уверенными в движении вперед с следующей главой своей жизни? Видение обеспечения большей географической мобильности и финансовой свободы очень интересно, и кажется, что мы только начинаем это путешествие.
Opendoor анализирует большую коллекцию исторических рыночных транзакций. Какие данные вы собираете?
Точные данные о недвижимости с необходимым уровнем детализации не легко доступны. Мы используем комбинацию больших проприетарных и третьих данных, чтобы понять исторические рыночные транзакции, включая детали уровня листинга и дома, такие как дата продажи и цена, когда дом был листингом, а также данные о отдельных домах, такие как количество спален и ванных комнат, кухонные атрибуты или квадратные футы. Кроме того, мы включаем функции, которые обозначают качество или уникальность дома, что позволяет нам лучше выбрать сравнимые и в конечном итоге оценить дом как можно более точно. Мы также учитываем аналогичные данные из домов, которые в настоящее время находятся на рынке. В конечном итоге, эти данные помогают нам предсказать справедливую рыночную стоимость дома и количество времени, которое, вероятно, потребуется для его перепродажи.
Opendoor также анализирует дома, которые сняты с рынка без транзакции, как эти данные используются по-другому по сравнению с проданными домами?
Мы смотрим на аналогичные данные для активных домов и домов, которые сняты с рынка без транзакции – дома, которые мы называем “делистингами”. Наш набор данных смотрит на различные детали уровня дома и листинга, включая квадратные футы и цену листинга, для каждой транзакции. Мы анализируем эти данные для делистингов, но не можем наблюдать нашу целевую переменную дней на рынке. Кроме того, мы смотрим на рынок в целом, чтобы понять предложение и спрос. Включая в себя листинги, которые не были проданы, мы можем получить более полную картину рынка.
Opendoor использует Ensembling как фактор в ценообразовании домов. Можете ли вы объяснить, что такое Ensembling и как Opendoor использует эту технологию?
Когда покупатель хочет купить дом или продавец решает выставить свой дом на рынок, способ, которым они определяют стоимость дома, будет зависеть от того, почему они покупают или продают. И это может быть очень khácным в зависимости от типа покупателя и продавца. Мы включаем это в нашу модель, чтобы понять, как покупатели и продавцы смотрят на рынок, где Ensembling приходит. Ensembling позволяет нам использовать разные модели ценообразования вместе, чтобы вычислить взвешенное среднее значение стоимости дома. Некоторые модели могут взвешивать определенные переменные по-разному. Мы обнаружили, что Ensembling обычно приводит к более точному ценообразованию, чем любая отдельная модель.
Opendoor импортирует большие данные из различных источников, что может быть сложным из-за того, как данные были первоначально помечены или отформатированы. Opendoor использует Markov Random Field, чтобы помочь с этой проблемой. Можете ли вы объяснить, что это такое?
Проблема возникает из-за мутаций в текстовых данных, от аббревиатур и опечаток до несоответствий в порядке слов и числовых написаний. Плохое качество данных влияет на наши модели оценки недвижимости, поэтому мы реализовали математический подход, чтобы помочь стандартизировать текст и улучшить качество меток. Markov Random Field позволяет нам оценить все метки совместно и более точно интерпретировать характеристики, такие как подрайоны. Оценка каждой метки исходит из двух разных компонентов: 1) того, насколько хорошо окончательные метки относятся к исходному тексту и 2) того, насколько пространственно непрерывны метки среди соседей. С помощью математики цепей Маркова мы делаем данные более чем просто суммой их частей.
Вы используете технику, называемую анализ выживаемости, чтобы смоделировать среднее время удержания дома, выставленного на продажу. Что такое анализ выживаемости и применимо ли оно в случае Opendoor?
В фундаменте нам нужно понять ликвидность на основе каждого дома и иметь возможность обновлять наш взгляд на ликвидность профиля дома, когда мы получаем больше информации. Анализ выживаемости – это статистический метод, который анализирует ожидаемое количество времени, которое понадобится, пока не произойдет одно или несколько событий. В нашем случае мы используем анализ выживаемости, чтобы помочь нам понять и предсказать, сколько времени понадобится для продажи дома. Используя этот метод, мы значительно улучшаем нашу способность реагировать на меняющиеся рыночные условия и более точно предсказать нашу экономику единиц. Это помогает нам определить порог риска для каждого дома и принимать более умные инвестиционные решения, что имеет решающее значение для нашего бизнеса.
Есть часто факторы, которые влияют на стоимость дома, которые очень зависят от местоположения, такие как шум от дороги. Как вы используете машинное обучение, чтобы запрограммировать вашу модель оценки для такой проблемы?
Модель оценки Opendoor (OVM) сочетает машинную интеллектуальность с человеческим опытом, чтобы предоставить точные и конкурентные предложения, принимая во внимание менее очевидные факторы, такие как шум от дороги. Для этого мы полагаемся на наших человеческих операторов, чтобы определить переменные, и наши машины, чтобы предсказать, насколько они важны в алгоритме ценообразования. OpenStreetMap (OSM) – это свободно доступный набор данных для геометрии дорог и помогает нам определить дома, примыкающие к дорогам. Мы также ищем предыдущие человеческие корректировки на домах, чтобы вычислить среднее значение корректировки. Мы можем уточнить эти значения с помощью масштаба, и когда мы собираем больше человеческих корректировок для рынков, набор данных растет и улучшает производительность OVM. Самое главное, мы обогащаем доступные третьи данные нашими собственными проприетарными данными. В результате общий сигнал, зависящий от местоположения, улучшается значительно со временем.
Есть ли что-то еще, что вы хотели бы поделиться об Opendoor?
То, что делает работу в Opendoor особенно особенной для меня, – это то, что мы используем технологии, науку о данных и операционное совершенство, чтобы помочь решить реальные болевые точки для миллионов потребителей. Это сочетание онлайн- и офлайн-мира никогда не делалось и приходит с множеством новых и интересных проблем.
