Иэн Вонг, сооснователь и технический директор Opendoor – 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, негибкую модель недвижимости в цифровой и онлайн-опыт. Как пионер “ibuyering”, Opendoor уже обслужила более 70 000 клиентов и расширила свою деятельность до 21 рынка США.

Opendoor может предоставлять почти мгновенные справедливые рыночные цены на дома, используя проприетарную модель оценки, которая использует первичные и третичные 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 обеспечивает больше выбора и уверенности, поскольку домовладельцы могут выбрать дату переезда и избежать хлопот и стресса, связанных с показом дома и ремонтом.

Кроме того, мы начали решать другие болевые точки в сделках с недвижимостью с запуском нового продукта, который переосмысливает процесс покупки дома, запуском бизнеса по ипотечным кредитам и приобретением компании по оформлению сделок с недвижимостью. Наша цель – сделать переезд безшовным, онлайн и без стресса.

Что привлекло вас в Opendoor?

У нас есть шанс переосмыслить сделки с недвижимостью, а значит, переопределить отношения людей с их самым большим активом. Вместо того, чтобы быть обязанностью, что если домовладельцы смогут использовать ликвидность, обеспеченную их домами, так же, как мы можем снять деньги со своего счета? Что если покупатели и продавцы смогут пропустить месяцы стресса и неопределенности и стать более уверенными в своем будущем? Видение обеспечения большей географической мобильности и финансовой свободы очень интересно, и кажется, что мы только начинаем это путешествие.

Opendoor анализирует большую коллекцию исторических транзакций на рынке недвижимости. Какие данные вы собираете?

Точные данные о недвижимости с необходимой детализацией не легко доступны. Мы используем комбинацию больших проприетарных и третичных наборов данных, чтобы понять исторические транзакции на рынке, включая детали на уровне листинга и дома. Это означает, что мы смотрим на общие данные из листинга, такие как дата продажи и цена, когда дом был выставлен на продажу, а также данные о отдельных домах, такие как количество спален и ванных комнат, кухонные атрибуты или площадь. Кроме того, мы включаем функции, которые обозначают качество или уникальность дома, что позволяет нам лучше выбрать сравнимые объекты и в конечном итоге оценить дом как можно более точно. Мы также учитываем аналогичные данные из домов, которые в настоящее время выставлены 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 используется эта информация 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 на уровне дома и листинга, включая площадь и цену листинга, для каждой транзакции. Мы анализируем эти данные для делистингов, но не можем наблюдать нашу целевую переменную – количество дней на рынке. Кроме того, мы смотрим на рынок в целом, чтобы понять предложение и спрос. Включая в себя непроданные листинги, мы можем получить более полную картину рынка.

Opendoor использует ансамблевую модель как фактор в ценообразовании домов. Можете ли вы объяснить, что такое ансамблевая модель 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 покупателя и продавца. Мы включаем это в нашу модель, чтобы понять, как покупатели и продавцы смотрят на рынок, что является местом, где появляется ансамблевая модель. Ансамблевая модель позволяет нам использовать разные модели ценообразования вместе, чтобы вычислить взвешенное среднее значение стоимости дома. Некоторые модели могут придавать больше веса определенным переменным, чем другие. Мы обнаружили, что ансамблевая модель обычно приводит к более точному ценообразованию, чем любая отдельная модель.

Opendoor импортирует большие данные из различных источников, что может быть сложной задачей из-за того, как данные были первоначально помечены или отформатированы. Opendoor использует Марковскую случайную поле, 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 несоответствующего порядка слов и числовых написаний. Плохое качество данных влияет на наши модели оценки недвижимости, что является причиной, по которой мы реализовали математический подход, чтобы помочь стандартизировать текст и улучшить качество меток. Марковская случайная поле 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 связаны с исходным текстом, и 2) того, насколько пространственно непрерывны метки среди соседей. С помощью математики Марковских цепей 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 основе своей нам нужно понять ликвидность на уровне каждого дома и быть в состоянии обновлять наш взгляд на ликвидность дома по мере получения новой информации. Анализ выживаемости – это статистический метод, который анализирует ожидаемое время до возникновения одного или нескольких 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 предсказывать нашу экономику. 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 интеллект с человеческим опытом, чтобы предоставить точные и конкурентоспособные предложения, принимая во внимание менее очевидные факторы, такие как шум от дороги. Чтобы сделать это, 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, расположенные рядом с дорогами. Мы также смотрим на предыдущие человеческие корректировки домов, чтобы рассчитать среднее значение корректировки. Мы можем уточнить эти значения с увеличением масштаба, и по мере сбора большего количества человеческих корректировок для рынков, набор данных растет и улучшает производительность OVM. Самое главное, мы обогащаем легко доступные третичные данные нашими собственными проприетарными данными. В результате местозависимые сигналы значительно улучшаются с течением времени.

Есть ли что-то еще, что вы хотели бы поделиться об Opendoor?

То, что делает работу в Opendoor особенно особенной для меня, заключается в том, 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 было сделано и приходит с множеством новых и интересных проблем.

Чтобы узнать больше, посетите Opendoor