Sam Stone, PM, Opendoor'da Fiyatlandırma – Röportaj Dizisi

Sam, finans ve makine öğreniminin kesiştiği noktada ürünler geliştirme konusunda tutkulu. Halen Fiyatlandırma Grubunda Ürün Başkanı olarak görev yapmaktadır. Açık kapı, ev sahiplerini evlerini listeleme ve barındırma güçlüklerinden ve belirsizliğinden kurtararak, evleri anında satın almak ve satmak için algoritmalar kullanan son aşamadaki bir girişim.

Başlangıçta sizi makine öğrenimi ve veri bilimine çeken şey neydi?

Üniversiteden sonra, yüzlerce üniversite mezununu aynı giriş seviyesi pozisyonuna işe alan büyük bir profesyonel hizmetler firmasında çalıştım. İşe alma sürecine dahil olduğumda, adayın hangi niteliklerinin başarıya yol açtığı konusunda firma içindeki insanların fikirlerinin ne kadar çılgınca farklılaştığını görmek beni şaşırttı ve dehşete düşürdü. Netliğin eksik olduğu, gerçekten önemli bir sorun gibi görünüyordu. Ancak geçmişteki iş başvuruları ve yeni işe alım sonuçları hakkında hiçbir zaman birbiriyle bağlantılı olmayan veya derinlemesine analiz edilmemiş bol miktarda veriye sahip olduğumuz gerçeği beni heyecanlandırdı. Ben de doğrusal regresyon gibi temel araçları kullanarak istatistiksel bir problem olarak ele alarak bunun üzerinde çalışmaya başladım. Zamanla proje bir startup'a dönüştü ve kullandığımız yöntemler daha karmaşık hale geldi. Örneğin, görüşmelerdeki yapılandırılmamış ses ve metinleri doğrudan işlemek istedik ve bu da bizi sinir ağları gibi daha güçlü makine öğrenimi modellerini benimsemeye yöneltti.

Opendoor'un otomatik değerleme modelini (OVM) ve bir mülkün tahmini değerini nasıl hesapladığını tartışabilir misiniz?

Açık Kapı Değerleme Modeli (OVM) işimizin temel bir parçasıdır ve birçok alt fiyatlandırma uygulamasını besler.

Birçok yönden OVM, tipik bir alıcı veya satıcı gibi davranır; yakın zamanda satılan evlerin türleri ve fiyatları da dahil olmak üzere bir mahalleye bakar. Bununla birlikte, özellikle ABD'deki evlerin çeşitliliği göz önüne alındığında, evlerin fiyatlandırılması söz konusu olduğunda, yalnızca karşılaştırılabilir satışların fiyatlarına bakmak yeterli değildir. Bundan çok daha karmaşık. Metrekare ve arka bahçe alanından banyo ve yatak odası sayısına, yerleşim düzenine, işlek yollara, yükseltmelere ve daha fazlasına kadar çeşitli faktörleri dikkate alıyoruz. OVM, emlak vergisi bilgileri, pazar eğilimleri ve ayrıca eve ve mahalleye özgü birçok sinyal dahil olmak üzere çok sayıda veri kaynağından beslenir. Ortalama ayarlama değerini hesaplamak için evlerde önceki insan düzenlemelerini de ararız. Ve bu değerleri ölçekle hassaslaştırabiliyoruz. Pazarlar için daha fazla insan ayarlama verisi topladıkça, veri seti büyür ve OVM performansını iyileştirir. Zaman içinde performansı sürekli olarak artıran bir geri bildirim döngüsüdür.

Son derece hassas olmasının yanı sıra, düşük gecikme süresi ve yüksek kapsama alanı ile çalışması gerekir. Bu, yeni bir pazara her girdiğimizde, OVM'nin çeşitli mahallelerde ve ev tiplerinde ev sahiplerine hizmet verebilmesini sağlamak için yeteneklerini genişletmemiz gerektiği anlamına gelir.

Kullanılan farklı makine öğrenimi metodolojilerinden bazıları nelerdir?

OVM'yi oluşturmaya ilk başladığımızda, alıcılarımızın ve satıcılarımızın karar verme sürecini daha iyi anlamak için esas olarak doğrusal istatistiksel modellere güvendik. Ancak zamanla OVM gelişti ve şu anda bir sinir ağına, özellikle Siyam Ağı adı verilen bir mimariye dayanıyor. Bunu, alıcıların ve satıcıların karşılaştırılabilir evleri seçme, ayarlama ve ağırlıklandırma dahil davranışlarını yerleştirmek için kullanıyoruz. Bu çok önemlidir, çünkü yüksek doğruluk elde etmek için modellerin piyasa katılımcılarının mimarilerinde izledikleri bu temel adımları yansıtması gerektiğini keşfettik.

Bir sinir ağı kullanmanın birçok avantajından biri, tüm pazarlardaki verileri sindirmek ve ayrıntılı yerel nüansları tespit etmek için kesinlik ve esnekliğe sahip olmasıdır. Sonuç olarak, Opendoor yeni bir pazarda piyasaya sürüldüğünde veya mevcut bir pazarda envanteri genişlettiğinde, yeni bir üretim modelinin somutlaştırılmasından kaynaklanan mühendislik altyapısı çalışmalarının çoğunu atlayarak aynı modeli kullanabiliriz. Bunun yerine, mühendislerimizin sürece harcadığı zamanı önemli ölçüde azaltan mevcut model üzerinden yeni veriler çalıştırıyoruz.

Sinir ağlarına ek olarak Opendoor'da kullandığımız birçok başka makine öğrenimi metodolojisi de var. Buna karar ağaçları, kümeleme teknikleri, sıralama sistemleri ve optimizasyon algoritmaları dahildir ancak bunlarla sınırlı değildir.

Opendoor çok büyük miktarda veriye dayanır, bu veriler nereden toplanıyor?

Algoritmalarımızın en değerli bulduğu veriler aynı zamanda genellikle bulması en zor olan verilerdir. Bu, kendi ürettiğimiz veya özel ilişkiler yoluyla geliştirdiğimiz verilerdir. Satış tarihi, yatak odası ve banyo sayısı, metrekare ve daha fazlası gibi listelerdeki veri noktaları dahil olmak üzere şirket içi veriler ile üçüncü taraf emlak verilerinin bir kombinasyonunu kullanıyoruz. Ek olarak, aydınlatma, sokak gürültüsü, cihazların ve kaplamaların kalitesi ve çok daha fazlası gibi, yalnızca insan uzmanlığının sağlayabileceği, evlerin benzersizliğini gösteren özelliklere bakıyoruz. Halihazırda piyasada olan evlerden ve sahiplerinin bizimle bilgi paylaştığı piyasa dışı evlerden veri topluyoruz.

Opendoor'un ham veri alımını sağlayan altyapının hızını ve güvenilirliğini artırmaya yönelik çabalarından biraz bahsedebilir misiniz?

Herhangi bir yeni pazar lansmanından önce, uzun yıllara dayanan tarihsel verileri alıyoruz. Yüksek kaliteli veriler, hem algoritmalarımızı hem de yerel operatörlerimizi o pazardaki farklılıkları anlamalarını sağlamak üzere eğitmek için hayati önem taşır. Hızı, kaliteyi ve güvenilirliği artırmak için esnek veri eşleme araçları ve yeni veri alanlarının kapsamını otomatik olarak değerlendirmek için araçlar oluşturduk. Bu araçlar yürürlükteyken, büyük miktarda tarihsel gayrimenkul işlem verisini almamız ve doğrulamamız haftalar yerine saatler veya günler alıyor.

Yatırım yaptığımız başka bir strateji de proaktif, otomatikleştirilmiş veri kalitesi izlemedir. Sürecin her adımında aldığımız ve dönüştürdüğümüz verilerin dağıtımlarını gerçek zamanlı olarak kontrol eden sistemler kurduk. Örneğin, belirli bir pazarda yeni ilanların ortalama %20'sinin apartman dairesi olmasını beklersek ve bugün yeni ilanların %50'si apartman olarak sınıflandırılırsa, bu, bir mühendisin araştırması için bir uyarı verir.

Uzman insan muhakemesi, sürekli gelişen performansın geri bildirim döngülerini oluşturmak için makine öğrenimi algoritmalarıyla nasıl birleştirilir?

Şirket içi fiyatlandırma uzmanlarımız, algoritmalarımızla birlikte çalışarak fiyatlandırma kararlarımızda büyük bir rol oynar. Makinelerin hala kör noktaları olduğu yerleri uzman operatörlerimiz dolduruyor ve biz de çeşitli aşamalarda onlara güveniyoruz. Örneğin, belirli yenileme projelerinin kalitesi gibi girdi verilerini ekler veya doğrularlar. Hangi özelliklere değer vermenin zor olabileceği konusunda ara kararlar verirler ve ayrıca hangi teklifleri kabul etmemiz gerektiği gibi kullanıcıya dönük kararlar verirler. İnsan unsuru, stratejimiz için her zaman kritik olacaktır ve uzmanlarla algoritmaları birleştirmenin en iyisi olduğuna inanıyoruz.

Hem geriye dönük testi tanımlayabilir hem de Opendoor'daki önemini tartışabilir misiniz?

Geriye dönük test, tarihsel verileri kullanarak bir modelin doğruluğunu değerlendirmenin bir yoludur. Örneğin, Opendoor Değerleme Modelini Ocak 2015'ten Ocak 2021'e kadar olan veriler üzerinde eğitebiliriz. Bu bağlamda, "eğitim", modele ev özellikleri gibi tarihsel girdileri ve satılan ev fiyatları gibi sonuçları beslediğimiz anlamına gelir. Ve karşılığında, model girdiler ve sonuçlar arasındaki ilişkiyi öğrenir. Ardından, yeni öğrenilen ilişkileri yansıtan bu modeli alıyoruz ve örneğin Şubat 2021'den başka bir tarihsel veri kümesini besliyoruz. tahminler.

Bu süreç Opendoor'da çok önemlidir ve tüm makine öğrenimi ürünlerimiz için kullanılır. Bu, bir makine öğrenimi modelinin tarihsel verilerde gerçekten var olmayan kalıpları tanımlamasıyla ortaya çıkan, fazla uydurma adı verilen bir sorunun riskini azaltır. Örneğin, gerçek dünya tahminine yardımcı olmayan sahte korelasyonlar. Ayrıca, geçmiş verilere dayalı olarak ortadan kaldırılabilecek yeni ürünler ve stratejiler üzerinde maliyetli gerçek dünya A/B testleri yapmaktan da bizi kurtarır.

Opendoor hakkında paylaşmak istediğiniz başka bir şey var mı?

İşe alıyoruz! Gayrimenkulün geleceğini inşa etmekle ve/veya fintech, makine öğrenimi ve tüketici ürünlerinin kesiştiği noktada çalışmakla ilgileniyorsanız, lütfen başvurun! Fonksiyonlar ve şehirler arasında açık rollerimiz var Kariyer sayfamıza göz atın okuyun.

Harika röportaj için teşekkürler, daha fazla bilgi edinmek isteyen okuyucular ziyaret etmelidir. Açık kapı.