Ієн Вонг, співзасновник та технічний директор Opendoor – Інтерв’ю Серія

Можете підсумувати концепцію Opendoor і як вона відрізняється від конкурентів, таких як Zillow?

Opendoor надає людям простий і зручний спосіб купувати, продавати та обмінювати будинки. Ми перетворюємо фрагментований, негнучкий ринок нерухомості на цифровий і онлайн-досвід. Як піонер “ibuyering”, Opendoor вже обслужив понад 70 000 клієнтів і розширився до 21 ринку США.

Opendoor може надавати майже миттєві справедливі ринкові ціни на будинки за допомогою власної моделі оцінки, яка використовує першу і третю сторону даних, а також використання машинного навчання, штучного інтелекту і людської перевірки. За допомогою кількох кліків у додатку Opendoor продавці можуть отримати пропозицію від Opendoor протягом 24 годин. Продаж Opendoor надає більше вибору і певності, оскільки власники будинку можуть вибрати дату виїзду і уникнути клопоту і стресу від показу будинку і ремонту.

Крім того, ми почали вирішувати інші болі в процесі купівлі-продажі будинку з запуском нового продукту, який переосмислює процес купівлі будинку, запуском бізнесу з іпотечних кредитів і придбанням компанії з титулом і ескроу. Наша мета – зробити переїзд безшовним, онлайн і безстресовим.

Що привернуло вас до Opendoor?

У нас є можливість переосмислити транзакцію з нерухомістю, тим самим переосмислюючи відносини людей з їхнім найбільшим активом. Навпаки, ніж пасив, що якщо власники будинку можуть скористатися ліквідністю, наданою їхнім будинком, так само, як ви і я можемо зняти гроші з нашого поточного рахунку? Що якщо покупці і продавці можуть пропустити місяці стресу і не певності, і стати більш впевненими у своєму майбутньому? Візія забезпечення більшої географічної мобільності і фінансової свободи дуже цікава, і здається, що ми тільки починаємо цей шлях.

Opendoor аналізує велику колекцію історичних ринкових транзакцій. Які дані ви збираєте?

Точні дані про нерухомість з необхідним рівнем деталізації не легко знайти. Ми використовуємо комбінацію великих власних і даних третьої сторони, щоб зрозуміти історичні ринкові транзакції, включаючи деталі рівня списку і будинку. Це означає, що ми дивимося на загальні дані з списку, наприклад дату продажу і ціну, коли будинок був розміщений, а також дані про окремі будинки, наприклад кількість спалень і ванних кімнат, атрибути кухні або площа. Крім того, ми включаємо функції, які позначають якість або унікальність будинку, що дозволяє нам краще вибирати порівняльні об’єкти і в кінцевому підсумку оцінювати будинок якомога точніше. Ми також беремо до уваги подібні дані з будинків, які зараз на ринку. В кінцевому підсумку, ці дані допомагають нам передбачити справедливу ринкову вартість будинку і кількість часу, яка, ймовірно, піде на перепродаж будинку.

Opendoor також аналізує будинки, які знімаються з ринку без транзакції, як ці дані використовуються по-іншому порівняно з будинками, які були продані?

Ми дивимося на подібні дані для активних будинків і будинків, які знімаються з ринку без транзакції – будинки, які ми називаємо “делістингами”. Наш набір даних дивиться на різні деталі рівня будинку і списку, включаючи квадратні метри і ціну списку, для кожної транзакції. Ми аналізуємо ці дані для делістингів, але не спостерігаємо нашої цільової змінної днів на ринку. Крім того, ми дивимося на ринок в цілому, щоб зрозуміти пропозицію і попит. Включаючи нерозпродані списки, ми можемо мати більш повну картину ринку.

Opendoor використовує Ensembling як фактор у ціноутворенні на будинки. Можете пояснити, що таке Ensembling і як Opendoor використовує цю технологію?

Коли покупець хоче купити будинок або продавець вирішує розмістити свій будинок на ринку, спосіб, яким вони визначають вартість будинку, залежить від того, чому вони купують або продають. І це може бути дуже різним залежно від типу покупця і продавця. Ми включаємо це в нашу модель, щоб зрозуміти, як покупці і продавці бачать ринок, і саме тут вступає Ensembling. Ensembling дозволяє нам використовувати різні моделі ціноутворення разом, щоб обчислити зважену середню вартість будинку. Деякі моделі можуть вагоміше розглядати певні змінні, ніж інші. Ми виявили, що Ensembling зазвичай призводить до більш точного ціноутворення, ніж будь-яка окрема модель.

Opendoor імпортує великі дані з різних джерел, що може бути викликом через те, як дані були первісно позначені або сформатовані. Opendoor використовує Markov Random Field, щоб допомогти з цією проблемою. Можете пояснити, що це таке?

Виклик виникає з мутацій у текстових даних, від абревіатур і помилок друку до несумісного порядку слів і числового написання. Погана якість даних впливає на наші моделі оцінки будинку, тому ми реалізували математичний підхід, щоб допомогти стандартизувати текст і покращити якість міток. Markov Random Field дозволяє нам оцінювати всі мітки спільно і більш точно інтерпретувати характеристики, такі як підділи. Оцінка кожної мітки складається з двох різних компонентів: 1) як добре кінцеві мітки пов’язані з оригінальним текстом і 2) як просторово безперервні мітки серед сусідів. З допомогою математичних ланцюгів Маркова ми робимо дані більш ніж просто сумою їх частин.

Ви використовуєте техніку, називається аналіз виживання, щоб моделювати середній час утримання будинку, який продается. Що таке аналіз виживання і чи застосовується воно в випадку Opendoor?

У нас є фундаментальна потреба зрозуміти ліквідність на рівні окремого будинку, і бути в змозі оновити наш погляд на ліквідність будинку, коли ми отримуємо більше інформації. Аналіз виживання – це статистичний метод, який аналізує очікуваний час, який знадобиться до того, як відбудеться одне або кілька подій. У нашому випадку ми використовуємо аналіз виживання, щоб допомогти нам зрозуміти і передбачити, скільки часу знадобиться будинку, щоб продати. Використовуючи цей метод, ми суттєво покращуємо нашу здатність реагувати на розвиток ринку, і більш точно передбачити нашу економіку. Це допомагає нам визначити поріг ризику для кожного будинку і зробити більш розумні інвестиції, що є життєво важливим для нашого бізнесу.

Є часто фактори, які впливають на вартість будинку, які дуже залежать від місця розташування, наприклад шум дороги. Як ви використовуєте машинне навчання, щоб запрограмувати вашу модель оцінки для такої проблеми?

Модель оцінки Opendoor (OVM) поєднує машинну інтелектуальність з людською експертизою, щоб надавати точні і конкурентоспроможні пропозиції, враховуючи менш очевидні фактори, такі як шум дороги. Для цього ми покладаємося на наших людських операторів, щоб ідентифікувати змінні, і наші машини, щоб передбачити, наскільки вони важливі в алгоритмі ціноутворення. OpenStreetMap (OSM) – це безкоштовний набір даних для геометрії доріг і допомагає нам ідентифікувати будинки, що примикають до доріг. Ми також дивимося на попередні людські коригування будинків, щоб розрахувати середнє значення коригування. Ми здатні уточнювати ці значення з часом, і коли ми збираємо більше даних про людські коригування для ринків, набір даних зростає і покращує продуктивність OVM. Найважливіше, що ми збагачуємо доступні дані третьої сторони нашими власними власними даними. В результаті сигнали, залежні від місця розташування, покращуються суттєво з часом.

Чи є щось ще, що ви хотіли б поділитися про Opendoor?

То, що робить роботу в Opendoor особливо особливою для мене, полягає в тому, що ми використовуємо технології, наукові дані і операційний досвід, щоб допомогти вирішити реальні болі для мільйонів споживачів. Це шлюб онлайн- і офлайн-світів ніколи не робився раніше і супроводжується багатьма новими і цікавими викликами.

Дізнайтеся більше про Opendoor