Sam Stone, PM, Opendoor Fiyatlandırma – Röportaj Serisi

Sam, finans ve makine öğrenimi交差ında ürünler geliştirmeye tutkun. Şu anda Opendoor’un Fiyatlandırma Grubu için Ürün Lideridir, bir late-stage startup’dır ve algoritmaları kullanarak evleri anında satın alır ve satar, ev sahiplerine evlerini listeleyerek ve göstererek oluşan zorluğu ve belirsizliği ortadan kaldırır.

Sizce makine öğrenimi ve veri bilimiyle ilk olarak ne ilgilenmeye başladınız?

Üniversiteden sonra, yüzlerce üniversite mezununu aynı giriş seviyesindeki pozisyona alan büyük bir profesyonel hizmet firmasında çalıştım. İlgilenmeye başladığım şey, firmadaki insanların görüşlerinin ne kadar farklı olduğu ve bu görüşlerin başarıya nasıl katkıda bulunacağıydı. Bu, gerçekten önemli bir sorun gibi görünüyordu ve netlik yoktu. Ancak, geçmişteki iş başvuruları ve yeni işe alımların sonuçları hakkında bol miktarda veriye sahiptik ve bu verileri никогда derinlemesine analiz etmemiştik. Bu nedenle, bu sorunu bir istatistiksel problem olarak ele aldım ve temel araçlar gibi lineer regresyon kullandım. Proje zamanla büyüdü ve bir startup haline geldi, kullandığımız yöntemler daha da gelişti. Örneğin, görüşmelerden alınan ses ve metinleri doğrudan işleyebilmek için daha güçlü makine öğrenimi modelleri gibi sinir ağlarını benimsemeye başladık.

Opendoor’un Otomatik Değerleme Modeli (OVM) hakkında konuşabilir misiniz ve bir mülkün tahmini değerini nasıl hesaplar?

Opendoor Değerleme Modeli (OVM), işimizin temel bir parçasıdır ve birçok aşağı akış fiyatlandırma uygulamasına beslenir.

Çok yönden, OVM tipik bir alıcı veya satıcı gibi davranır – bir mahalleyi, recently satılan evlerin türlerini ve fiyatlarını inceler. Ancak, özellikle ABD’deki evlerin çeşitliliği dikkate alındığında, sadece benzer satışların fiyatlarına bakmak yeterli değildir. Daha karmaşıktır. Bir dizi faktörü dikkate alırız, Bunlar arasında metrekare, bahçe alanı, banyo ve yatak odası sayısı, düzen, gürültülü yollar, iyileştirmeler ve daha fazlası bulunur. OVM, mülk vergisi bilgileri, piyasa trendleri ve birçok ev ve mahalle özgü sinyalleri içeren çok çeşitli veri kaynaklarından beslenir. Ayrıca, evlerdeki önceki insan ayarlamalarını hesaplamak için ortalama ayar değerini hesaplarız. Ve bu değerleri ölçekle birlikte iyileştirebiliriz. Piyasalar için daha fazla insan ayarlaması verisi topladıkça, veri kümesi büyür ve OVM performansı iyileşir. Bu, sürekli olarak performansını iyileştiren bir geri besleme döngüsüdür.

Bunun yanı sıra, yüksek doğrulukta olması gerekir ve düşük gecikme ve yüksek kapsamda çalışmalıdır. Bu, her yeni pazar girdiğimizde, OVM’nin yeteneklerini genişletmemiz ve ev sahipleri için tüm mahalleler ve ev türleri boyunca hizmet vermesini sağlamamız gerektiği anlamına gelir.

Kullanılan farklı makine öğrenimi metodolojileri nelerdir?

OVM’yi ilk inşa ettiğimizde, alıcıların ve satıcıların karar verme süreçlerini daha iyi anlamak için esas olarak lineer istatistiksel modellere güveniyorduk. Ancak zamanla, OVM gelişti ve şimdi bir sinir ağı üzerine dayanmaktadır, özellikle Siyam Ağları olarak adlandırılan bir mimari kullanıyoruz. Alıcıların ve satıcıların davranışlarını, benzer evleri seçme, onları ayaralama ve ağırlıklandırma dahil olmak üzere içe aktarmak için bunu kullanıyoruz. Bu, yüksek doğruluk elde etmek için modellerin bu önemli adımları yansıtmaları gerektiğini keşfettiğimiz için çok önemlidir.

Sinir ağı kullanmanın birçok avantajı vardır, bunlardan biri, tüm piyasalar boyunca verilerin işlenmesine olanak tanıyan ve yerel nüansları tespit edebilen bir hassasiyet ve esneklik sunmasıdır. Bu nedenle, Opendoor yeni bir pazara girerken veya mevcut bir pazarda envanteri genişletirken, aynı modeli kullanabilir ve mühendislerin bu süreçte harcadığı zamanı önemli ölçüde azaltabiliriz.

Opendoor’da kullandığımız diğer birçok makine öğrenimi metodolojisi de vardır, bunlar arasında karar ağaçları, kümeleme teknikleri, sıralama sistemleri ve optimizasyon algoritmaları bulunur.

Opendoor’un algoritmaları için kullanılan büyük miktarda verinin nereden toplandığı hakkında konuşabilir misiniz?

Algoritmalarımız için en değerli olan veriler, aynı zamanda en zor bulunan verilerdir. Bu, kendimiz tarafından üretilen veya özel ilişkiler aracılığıyla geliştirilen verilerdir. Liste bilgilerinden alınan satış tarihi, oda ve banyo sayısı, metrekare ve daha fazlası gibi bir dizi veri noktasını kullanıyoruz. Ayrıca, evlerin benzersizliğini gösteren özelliklere de bakıyoruz, bunlar ancak insan uzmanlığıyla sağlanabilen şeylerdir, Örneğin, aydınlatma, sokak gürültüsü, cihaz ve bitiş kalitesi ve daha fazlası. already pazara çıkan evlerden ve sahiplerinin bize bilgi paylaştığı pazara çıkmamış evlerden veri topluyoruz.

Opendoor’un ham veri alımı altyapısının hızını ve güvenilirliğini artırmaya yönelik çabalarınızı tartışabilir misiniz?

Her yeni pazar girişinden önce, birçok yıllık histórik veriyi işliyoruz. Yüksek kaliteli veriler, algoritmalarımızı ve yerel operatörlerimizi eğitmek için çok önemlidir, böylece pazarın içindeki varyasyonları anlarlar. Hızı, kaliteyi ve güvenilirliği artırmak için esnek veri eşleme araçları ve yeni veri alanlarının kapsamı için otomatik olarak değerlendiren araçlar geliştirdik. Bu araçlar sayesinde, büyük miktarda histórik gayrimenkul işlem verilerini işleyip doğrulamak birkaç saat veya gün sürer, değil haftalar.

Bir başka stratejimiz de proaktif, otomatik veri kalitesi izlemektir. İşlemdeki her aşamada, işlediğimiz verilerin dağılımını kontrol eden sistemler kurduk. Örneğin, belirli bir pazarda yeni listelenen evlerin %20’sinin daire olması bekleniyorsa ve bugün yeni listelenen evlerin %50’si daire olarak sınıflandırılmışsa, bu bir mühendis tarafından araştırılması için bir uyarı oluşturur.

Uzman insan yargısının makine öğrenimi algoritmalarıyla nasıl birleştirildiğini ve sürekli olarak performansın iyileştirilmesine yönelik geri besleme döngülerini oluşturur?

Dahili fiyatlandırma uzmanlarımız, fiyatlandırma kararlarımız boyunca çok önemli bir rol oynar ve algoritmalarımızla birlikte çalışırlar. Makinelerin hala kör noktaları varsa, uzman operatörlerimiz bu boşluğu doldurur ve çeşitli aşamalarda onlara güveniyoruz. Örneğin, belirli iyileştirme projelerinin kalitesini ekler veya onaylarlar, ara kararlar alırlar ve kullanıcıya yönelik kararlar alırlar, Örneğin, hangi teklifleri kabul edeceğimiz. İnsan unsuru stratejimizin her zaman kritik bir parçası olacaktır ve uzmanlarla algoritmaları birleştirmenin en iyi yaklaşım olduğuna inanıyoruz.

Geriye dönük test hakkında konuşabilir misiniz ve Opendoor’da bunun önemi nedir?

Geriye dönük test, bir modelin historical veriler kullanılarak doğruluğunu değerlendirmek için bir yöntemdir. Örneğin, Opendoor Değerleme Modelini Ocak 2015’ten Ocak 2021’e kadar olan verilerle eğitebiliriz. “Eğitmek” burada, historical girdileri, ev özelliklerini ve satılan ev fiyatlarını modele vermeyi ve modelin girdi ve çıktı arasındaki ilişkiyi öğrenmesini ifade eder. Ardından, bu ilişkiyi öğrenmiş olan modeli, Şubat 2021’den historical verilerle besleriz. Çünkü veriler historical, sonuçları bilir ve tahminlerimizle ne kadar farklılaştıklarını ölçebiliriz.

Bu süreç, Opendoor’daki tüm makine öğrenimi ürünlerimiz için çok önemlidir. Makine öğrenimi modelinin historical verilerde gerçekten olmayan desenleri tanıması riskini azaltır, bu da aşırı uyarlama olarak bilinir. Ayrıca, historical verilerle elimine edilebilecek yeni ürünler ve stratejiler için pahalı gerçek dünya A/B testlerini çalıştırmaktan bizi kurtarır.

Opendoor hakkında paylaşmak istediğiniz başka bir şey var mı?

İşe alımlar yapıyoruz! Gayrimenkulün geleceğini inşa etmeye ve/veya fintech, makine öğrenimi ve tüketici ürünleri arasındaki kesişmede çalışmaya ilgi duyuyorsanız, lütfen başvurun! Şehirler ve fonksiyonlar boyunca açık rollerimiz var. Kariyer sayfamızı buradan ziyaret edin.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Opendoor ziyaret edebilir.