Ian Wong, ผู้ร่วมก่อตั้งและ CTO ของ Opendoor – สัมภาษณ์ Series

คุณสามารถสรุปแนวคิดเบื้องหลัง Opendoor และวิธีที่แตกต่างจากคู่แข่ง เช่น Zillow ได้อย่างไร

Opendoor มอบวิธีการซื้อขายและแลกเปลี่ยนบ้านที่ง่ายและสะดวกสำหรับคนๆ หนึ่ง เรากำลังเปลี่ยนรูปแบบการขายบ้านที่กระจัดกระจายและไม่ยืดหยุ่นให้เป็นประสบการณ์แบบดิจิทัลและตามความต้องการ ในฐานะผู้บุกเบิก “ibuyering” Opendoor ได้รับใช้ลูกค้ามากกว่า 70,000 รายจนถึงปัจจุบัน และขยายไปถึง 21 ตลาดในสหรัฐอเมริกา

Opendoor สามารถให้ค่าประเมินบ้านที่ยุติธรรมและใกล้เคียงกับราคาตลาดได้โดยใช้แบบจำลองการประเมินที่เป็นเอกลักษณ์ ซึ่งใช้ข้อมูลทั้งภายในและภายนอก รวมถึงการใช้เครื่องมือการเรียนรู้ของเครื่องและ AI ด้วยการกดเพียงไม่กี่ครั้งบนแอป Opendoor ผู้ขายสามารถรับข้อเสนอจาก Opendoor ภายใน 24 ชั่วโมง การขายให้กับ Opendoor ให้ความมั่นใจและความยืดหยุ่นมากขึ้น เนื่องจากเจ้าของบ้านสามารถเลือกวันที่ย้ายออกและหลีกเลี่ยงความยุ่งยากและความเครียดจากการแสดงบ้านและการซ่อมแซม

นอกจากนี้ เราได้เริ่มแก้ไขปัญหาอื่นๆ ในกระบวนการทำธุรกรรมบ้านด้วยการเปิดตัวผลิตภัณฑ์ใหม่ที่คิดค้นกระบวนการซื้อบ้านใหม่ การเปิดตัวธุรกิจเงินกู้บ้าน และการซื้อกิจการบริษัทที่ให้บริการจดจำนองและจดจำนองของเรา เป้าหมายของเราคือการทำให้กระบวนการย้ายที่เป็นไปอย่างราบรื่น ตามความต้องการ และไม่มีความเครียด

คุณถูกดึงดูดให้เข้าร่วม Opendoor ด้วยสิ่งใด

เรามีโอกาสที่จะคิดค้นกระบวนการทำธุรกรรมบ้านใหม่ และทำให้ความสัมพันธ์ของผู้คนกับทรัพย์สินหลักๆ ของพวกเขาเปลี่ยนแปลงไป ไม่เหมือนกับการมองทรัพย์สินเป็นภาระ หากเจ้าของบ้านสามารถเข้าถึงทรัพยากรทางการเงินจากบ้านของตนได้เหมือนกับการถอนเงินจากบัญชีธนาคารของตนได้ล่ะ หากผู้ซื้อและผู้ขายสามารถข้ามความเครียดและความไม่แน่นอนหลายเดือน และมั่นใจมากขึ้นในการดำเนินชีวิตต่อไปได้แล้ว วิสัยทัศน์ของการทำให้เกิดการเคลื่อนย้ายทางภูมิศาสตร์และเสรีภาพทางการเงินมากขึ้นนั้นเป็นสิ่งที่น่าตื่นเต้นมาก และเรารู้สึกว่าเรากำลังเริ่มต้นการเดินทางนี้

Opendoor วิเคราะห์ข้อมูลการทำธุรกรรมในตลาดที่หลากหลาย คุณรวบรวมข้อมูลจุดใดบ้าง

การรวบรวมข้อมูลทรัพย์สินอย่างแม่นยำด้วยระดับรายละเอียดที่เราต้องการนั้นไม่ใช่เรื่องง่าย เราใช้ข้อมูลทั้งภายในและภายนอกขนาดใหญ่เพื่อทำความเข้าใจการทำธุรกรรมในตลาด รวมถึงรายละเอียดระดับรายการและรายบ้าน ซึ่งหมายความว่าเรามองข้อมูลทั่วไปจากรายการ เช่น วันที่ขายและราคาขาย เมื่อบ้านถูกจัดแสดงบนเว็บไซต์ รวมถึงข้อมูลจากรายบ้าน เช่น จำนวนห้องนอนและห้องน้ำ คุณสมบัติของห้องครัว หรือพื้นที่ใช้สอย ในท้ายที่สุด ข้อมูลเหล่านี้ช่วยให้เราคาดการณ์ค่าทรัพย์สินและระยะเวลาที่จะขายบ้านได้

Opendoor วิเคราะห์บ้านที่ถูกถอดออกจากตลาดโดยไม่มีการทำธุรกรรม คุณใช้ข้อมูลนี้แตกต่างจากบ้านที่ขายได้อย่างไร

เรามองข้อมูลที่คล้ายกันสำหรับทั้งบ้านที่แสดงอยู่บนเว็บไซต์และบ้านที่ถูกถอดออกจากตลาดโดยไม่มีการทำธุรกรรม — บ้านที่เรียกว่า “delistings” ชุดข้อมูลของเรามองข้อมูลรายละเอียดระดับบ้านและรายการสำหรับการทำธุรกรรมแต่ละครั้ง เราใช้ข้อมูลเหล่านี้สำหรับการวิเคราะห์ delistings แต่ไม่ได้แสดงผลลัพธ์ของการทำธุรกรรม ในท้ายที่สุด การรวมข้อมูลที่ไม่ได้ทำธุรกรรมเข้ากับข้อมูลที่ทำธุรกรรมแล้วช่วยให้เราเข้าใจตลาดได้ดีขึ้น

Opendoor ใช้เทคนิค Ensembling ในการประเมินราคา บอกเราเกี่ยวกับเทคนิคนี้และวิธีการใช้

เมื่อผู้ซื้อต้องการซื้อบ้านหรือผู้ขายต้องการขายบ้าน วิธีการกำหนดราคา sẽขึ้นอยู่กับว่าทำไมพวกเขาถึงซื้อหรือขาย และสิ่งนี้อาจแตกต่างกันมากขึ้นอยู่กับผู้ซื้อและผู้ขาย เราใช้เทคนิคนี้ในการสร้างแบบจำลองการประเมินราคา โดยใช้หลายๆ โมเดลเพื่อคำนวณค่าเฉลี่ยของราคาบ้าน โมเดลบางอย่างอาจให้น้ำหนักตัวแปรต่างๆ แตกต่างกันไป เราพบว่าการใช้เทคนิคนี้ทำให้ได้ราคาที่แม่นยำมากกว่าการใช้โมเดลเดียว

Opendoor นำเข้าข้อมูลขนาดใหญ่จากแหล่งต่างๆ ซึ่งอาจเป็นความท้าทายเนื่องจากข้อมูลถูกจัดรูปแบบหรือป้ายกำกับอย่างไร Opendoor ใช้ Markov Random Field เพื่อช่วยเหลือในเรื่องนี้ คุณสามารถอธิบายสิ่งนี้ได้อย่างไร

ความท้าทายมาจากข้อผิดพลาดในการจัดรูปแบบข้อมูลข้อความ ตั้งแต่การย่อหน้าและข้อผิดพลาดในการเขียน ไปจนถึงการเรียงลำดับคำที่ไม่สอดคล้องกันและตัวเลขที่เขียนด้วยตัวอักษร ข้อมูลที่มีคุณภาพไม่ดีจะส่งผลต่อแบบจำลองการประเมินราคาของเรา ดังนั้นเราจึงใช้วิธีการทางคณิตศาสตร์เพื่อปรับปรุงคุณภาพของป้ายกำกับ Markov Random Field ช่วยให้เราสามารถให้คะแนนป้ายกำกับทั้งหมดและตีความคุณลักษณะต่างๆ เช่น ชื่อชุมชนได้อย่างแม่นยำยิ่งขึ้น คะแนนของป้ายกำกับแต่ละรายการมาจากสองส่วน: 1) ความสัมพันธ์ระหว่างป้ายกำกับและข้อความต้นฉบับ และ 2) ความต่อเนื่องของป้ายกำกับระหว่างเพื่อนบ้าน ด้วยคณิตศาสตร์ของ Markov Chain เราทำให้ข้อมูลมีค่ามากกว่าผลรวมของส่วนประกอบ

คุณใช้เทคนิคการวิเคราะห์การรอดชีวิตเพื่อสร้างแบบจำลองระยะเวลาการถือครองบ้านที่แสดงขาย คุณสามารถอธิบายเทคนิคนี้และวิธีการใช้ได้อย่างไร

โดยพื้นฐานแล้ว เราต้องเข้าใจความสามารถในการขายบ้านแต่ละหลังและปรับปรุงมุมมองของเราเกี่ยวกับโปรไฟล์ความสามารถในการขายบ้านเมื่อเรามีข้อมูลเพิ่มเติม การวิเคราะห์การรอดชีวิตเป็นวิธีการทางสถิติที่วิเคราะห์ระยะเวลาที่คาดว่าจะเกิดเหตุการณ์หนึ่งหรือหลายเหตุการณ์ ในกรณีของเรา เราใช้การวิเคราะห์การรอดชีวิตเพื่อทำความเข้าใจและคาดการณ์ระยะเวลาที่บ้านจะขายได้ โดยใช้เทคนิคนี้ เราปรับปรุงความสามารถในการตอบสนองต่อการเปลี่ยนแปลงของตลาดและคาดการณ์เศรษฐกิจของเราได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งช่วยให้เรากำหนดขีดจำกัดความเสี่ยงสำหรับบ้านแต่ละหลังและลงทุนอย่างชาญฉลาด ซึ่งจำเป็นต่อธุรกิจของเรา

มักจะมีปัจจัยที่ส่งผลต่อราคาบ้านซึ่งพึ่งพาที่ตั้งมาก เช่น เสียงรถยนต์ คุณใช้การเรียนรู้ของเครื่องจักรเพื่อเขียนโปรแกรมแบบจำลองการประเมินสำหรับปัญหานี้อย่างไร

แบบจำลองการประเมินของ Opendoor (OVM) รวมทั้งความฉลาดของเครื่องจักรและความเชี่ยวชาญของมนุษย์เพื่อให้ได้ราคาที่แม่นยำและแข่งขันได้ โดยพิจารณาปัจจัยที่ไม่ชัดเจน เช่น เสียงรถยนต์ เราใช้การดำเนินการของมนุษย์เพื่อระบุตัวแปรและเครื่องจักรเพื่อคาดการณ์ว่าตัวแปรเหล่านั้นมีความสำคัญต่ออัลกอริทึมการกำหนดราคาอย่างไร OpenStreetMap (OSM) เป็นชุดข้อมูลที่มีอยู่สำหรับเรขาคณิตของถนนและช่วยให้เราระบุบ้านที่อยู่ติดกับถนน เรายังดูปัจจัยการปรับเปลี่ยนบ้านก่อนหน้านี้เพื่อคำนวณค่าเฉลี่ยของการปรับเปลี่ยน เราสามารถปรับปรุงค่าเหล่านี้ได้ด้วยการเพิ่มข้อมูลและเมื่อเรารวบรวมข้อมูลการปรับเปลี่ยนของมนุษย์มากขึ้นสำหรับตลาดต่างๆ ชุดข้อมูลจะเติบโตและปรับปรุงประสิทธิภาพของ OVM

มีสิ่งอื่นที่คุณต้องการแบ่งปันเกี่ยวกับ Opendoor หรือไม่

สิ่งที่ทำให้การทำงานที่ Opendoor พิเศษสำหรับฉันคือเรากำลังใช้เทคโนโลยี, วิทยาศาสตร์ข้อมูล และความเป็นเลิศในการดำเนินงานเพื่อช่วยแก้ปัญหาที่แท้จริงสำหรับผู้บริโภคหลายล้านคน การผสมผสานระหว่างโลกออนไลน์และออฟไลน์นี้ไม่เคยทำมาก่อนและมากับความท้าทายใหม่และน่าสนใจมากมาย

เรียนรู้เพิ่มเติมที่ Opendoor