Ian Wong, medgrundare och CTO på Opendoor – Intervjuserie

Kan du sammanfatta konceptet bakom Opendoor och hur det skiljer sig från konkurrenter som Zillow?

Opendoor ger människor ett enkelt och bekvämt sätt att köpa, sälja och byta hem. Vi förvandlar en fragmenterad och inflexibel fastighetsmodell till en digital och on-demand-upplevelse. Som pionjärer inom “ibuyering” har Opendoor betjänat över 70 000 kunder hittills och expanderat till 21 amerikanska marknader.

Opendoor kan tillhandahålla nästan omedelbara rättvist marknadsvärden för hem med hjälp av en egen värderingsmodell som utnyttjar första- och tredjepartsdata, samt maskinlärande, AI och mänsklig granskning. Med bara några knapptryckningar i Opendoor-appen kan säljare få ett erbjudande från Opendoor inom 24 timmar. Att sälja till Opendoor ger mer val och säkerhet eftersom hemägare kan välja sin flyttdatum och undvika besvär och stress med hemvisningar och reparationer.

Utöver detta har vi börjat lösa andra smärtor i hemtransaktionen med lanseringen av en ny produkt som omdefinierar köpprocessen för hem, lanseringen av en bolåneverksamhet och förvärvet av ett titel- och escrow-bolag. Vårt mål är att göra flytten sömlös, on-demand och stressfri.

Vad var det som lockade dig till Opendoor?

Vi har chansen att omdefiniera fastighets-transaktionen och därmed omdefiniera människors relationer till deras största tillgång. Istället för en skuld, vad om hemägare kan utnyttja likviditeten i sina hem på samma sätt som du och jag kan ta ut pengar från våra checkkonton? Vad om köpare och säljare kan hoppa över månader av stress och osäkerhet och bli mer säkra på att gå vidare med nästa kapitel i sina liv? Visionen om att möjliggöra mer geografisk rörlighet och finansiell frihet är supernyttig, och det känns som att vi bara börjar på den resan.

Opendoor analyserar en stor samling historiska marknadstransaktioner. Vilka typer av datapunkter samlar ni in?

Exakt fastighetsdata med den nivå av granularitet vi behöver är inte lätt att komma åt. Vi använder en kombination av stora egna och tredjepartsdatamängder för att förstå historiska marknadstransaktioner, inklusive listningsnivå- och hemnivådetaljer. Detta innebär att vi tittar på vanliga datapunkter från en lista, som försäljningsdatum och pris, när hemmet listades, samt datapunkter om enskilda hem, som antalet sovrum och badrum, köksattribut eller boyta. Utöver detta inkorporerar vi funktioner som anger en hemmas kvalitet eller unikhet, vilket gör att vi kan välja jämförbara och slutligen prissätta hemmet så exakt som möjligt. Vi tar också hänsyn till liknande data från hem som för närvarande är på marknaden. Slutligen hjälper dessa datapunkter oss att förutsäga det rättvisa marknadsvärdet på ett hem och den tid det sannolikt kommer att ta att sälja hemmet.

Opendoor analyserar också hem som tas bort från marknaden utan att transaktionen genomförs, hur används denna data på ett annorlunda sätt jämfört med hem som har sålts?

Vi tittar på liknande data för både aktiva hem och hem som tas bort från marknaden utan att transaktionen genomförs — hem vi kallar “delistningar”. Vår datamängd tittar på en mängd hemnivå- och listnivådetaljer, inklusive boyta och listpris, för varje transaktion. Vi undersöker dessa insikter för delistningar, men får inte observera vår målvariabel för dagar på marknaden. Utöver detta tittar vi på marknaden i sin helhet för att förstå utbud och efterfrågan. Genom att inkorporera icke-transaktionerade listor kan vi få en mer komplett bild av marknaden.

Opendoor använder Ensembling som en faktor i husprissättning. Kan du förklara vad ensembling är och hur Opendoor använder denna teknik?

När en köpare vill köpa ett hus eller en säljare bestämmer sig för att lista sitt hem på marknaden, så beror värdet på huset på varför de köper eller säljer. Och detta kan vara mycket annorlunda beroende på köpare och säljare. Vi inkorporerar detta i vår modell för att förstå hur köpare och säljare ser på marknaden, vilket är där ensembling kommer in. Ensembling tillåter oss att använda olika prissättningsmodeller tillsammans för att beräkna ett vägt medelvärde av hemvärden. Vissa modeller kan väga vissa variabler annorlunda än andra. Vi har funnit att ensembling generellt sett resulterar i mer exakt prissättning än någon enskild modell.

Opendoor importerar stora mängder data från olika källor, vilket kan vara en utmaning på grund av hur data etiketterades eller formaterades ursprungligen. Opendoor använder Markov Random Field för att hjälpa till med detta problem. Kan du förklara vad detta är?

Utmaningen uppstår från mutationer i textdata, från förkortningar och stavfel till inkonsekvent ordning av ord och numerisk stavning. Dålig kvalitet på data påverkar våra hemvärderingsmodeller, vilket är varför vi implementerade en matematisk metod för att standardisera text och förbättra kvaliteten på etiketter. Markov Random Field tillåter oss att poängsätta alla etiketter gemensamt och mer exakt tolka egenskaper som delningar. Poängen för varje etikett kommer från två olika komponenter: 1) hur väl de slutliga etiketterna relaterar till den ursprungliga texten och 2) hur rumsligt kontinuerliga etiketterna är bland grannar. Med matematiken i Markov-kedjor gör vi datan mer än bara summan av dess delar.

Du använder en teknik som kallas överlevnadsanalys för att modellera den genomsnittliga innehavsperioden för ett hem som är till salu. Vad är överlevnadsanalys och hur tillämpas den i Opendoors fall?

I grunden behöver vi förstå likviditet på ett per-hem-basis och kunna uppdatera vår syn på likviditetsprofilen för ett hem när vi får mer information. Överlevnadsanalys är en statistisk metod som analyserar den förväntade tiden det tar innan en eller flera händelser inträffar. I vårt fall använder vi överlevnadsanalys för att förstå och förutsäga hur länge ett hus kommer att ta att sälja. Med denna metod förbättrar vi dramatiskt vår förmåga att svara på föränderliga marknadsförhållanden och mer exakt förutsäga vår enhetsekonomi. Detta hjälper oss att bestämma en risktröskel för varje hem och göra smartare investeringar, vilket är avgörande för vår verksamhet.

Det finns ofta faktorer som påverkar värdet på ett hem som är mycket beroende av platsen, som till exempel buller från vägar. Hur använder du maskinlärande för att programmera din värderingsmodell för ett sådant problem?

Opendoor-värderingsmodellen (OVM) kombinerar maskinintelligens med mänsklig expertis för att tillhandahålla exakta och konkurrenskraftiga erbjudanden, med hänsyn till mindre uppenbara faktorer som buller från vägar. För att göra detta litar vi på våra mänskliga operatörer för att identifiera variabler och våra maskiner för att förutsäga hur mycket de betyder i prissättningsalgoritmen. OpenStreetMap (OSM) är en fritt tillgänglig datamängd för väggeometrier och hjälper oss att identifiera hem intill vägar. Vi letar också efter tidigare mänskliga justeringar på hem för att beräkna den genomsnittliga justeringsvärdet. Vi kan förfinansiera dessa värden med skala, och när vi samlar in mer mänsklig justeringsdata för marknader, växer datamängden och förbättrar OVM-prestandan. Framför allt berikar vi lätt tillgänglig tredjepartsdata med vår egen proprietära data. Som ett resultat förbättras de platsberoende signalerna dramatiskt över tid.

Finns det något annat du vill dela om Opendoor?

Det som gör att arbeta på Opendoor särskilt speciellt för mig är att vi använder teknik, data science och operativ excellens för att hjälpa lösa verkliga smärtor för miljontals konsumenter. Detta äktenskap mellan den online- och offline-världen har aldrig gjorts tidigare och kommer med många nya och intressanta utmaningar.

Läs mer på Opendoor