Сем Стон, PM, ціноутворення в Opendoor – Серія інтерв’ю

Сем Стон – людина, яка захоплюється створенням продуктів на перетині фінансів та машинного навчання. Він зараз очолює напрям ціноутворення в компанії Opendoor, пізній стартап, який використовує алгоритми для купівлі та продажу будинків миттєво, тим самим позбавляючи власників будинків від клопоту та невизначеності, пов’язаних з розміщенням їхнього будинку на ринку.

Що спочатку привернуло вашу увагу до машинного навчання та даних?

Після закінчення університету я працював у великій компанії, яка приймала сотні випускників на одну й ту ж посаду. Коли я став залученим до процесу прийому на роботу, я був вражений і засмучений тим, як сильно відрізнялися думки людей у компанії щодо того, які атрибути кандидатів призводять до успіху. Це здавалося дуже важливою проблемою, де бракувало ясності. Але я був зацікавлений тим, що в нас були достатні дані про попередніх кандидатів та результати їхньої роботи, які ніколи не були пов’язані чи глибоко проаналізовані. Тому я почав працювати над цим, розглядаючи це як статистичну проблему, використовуючи базові інструменти, такі як лінійна регресія. З часом цей проект переріс у стартап, а методи, які ми використовували, стали більш складними. Наприклад, ми хотіли обробляти неструктуровані аудіо- та текстові дані з інтерв’ю безпосередньо, що призвело до того, що ми прийняли більш потужні моделі машинного навчання, такі як нейронні мережі.

Можете розповісти про автоматизовану систему оцінки вартості Opendoor (OVM) та про те, як вона розраховує оцінку вартості власності?

Модель оцінки вартості Opendoor (OVM) є ключовим елементом нашого бізнесу та впливає на багато інших застосувань ціноутворення.

У багатьох аспектах OVM поводиться як типовий покупець або продавець – вона оглядає сусідство, включаючи типи та ціни недавно проданих будинків. Однак при оцінці вартості будинків, особливо враховуючи різноманітність будинків по всій території США, недостатньо лише дивитися на ціни аналогічних продажів. Це значно складніше. Ми беремо до уваги широкий спектр факторів, від площі будинку та простору на задньому дворі до кількості ванних кімнат та спалень, планування, шумних доріг, оновлень та багатьох інших речей. OVM отримує дані з різних джерел, включаючи податкову інформацію про власність, ринкові тенденції, а також багато інших сигналів, пов’язаних з будинком та сусідством. Ми також шукаємо попередні людські коригування на будинках, щоб розрахувати середнє значення коригування. І ми можемо уточнювати ці значення за допомогою масштабу. Коли ми збираємо більше даних про людські коригування для ринків, наш набір даних зростає, а це покращує роботу OVM. Це зворотній зв’язок, який безперервно покращує результати з часом.

Крім високої точності, вона повинна працювати з низькою затримкою та високою доступністю. Це означає, що кожного разу, коли ми вступаємо на новий ринок, нам потрібно розширити можливості OVM, щоб забезпечити можливість обслуговування власників будинків у різних сусідствах та типах будинків.

Які різні методи машинного навчання використовуються?

Коли ми вперше почали будувати OVM, ми головним чином використовували лінійні статистичні моделі для кращого розуміння процесу прийняття рішень покупцями та продавцями. Однак з часом OVM розвинувся і зараз базується на нейронній мережі, зокрема на архітектурі, званій Сіамською мережею. Ми використовуємо це для вкладення поведінки покупців та продавців, включаючи вибір аналогічних будинків, коригування та ваги. Це вкрай важливо, оскільки ми виявили, що для досягнення високої точності моделі повинні відображати ці ключові кроки, які учасники ринку виконують у своїй архітектурі.

Однією з багатьох переваг використання нейронної мережі є те, що вона має точність та гнучкість для обробки даних по всіх ринках та виявлення тонких місцевих нюансів. Як результат, коли Opendoor запускається на новому ринку або розширює запаси на існуючому ринку, ми можемо використовувати одну й ту ж модель, обходячи більшу частину інженерної роботи, пов’язаної з створенням нової моделі виробництва. Замість цього ми пропускаємо нові дані через існуючу модель, що значно скорочує час, який наші інженери витрачають на цей процес.

Є також багато інших методів машинного навчання, які ми використовуємо в Opendoor, окрім нейронних мереж. Це включає, але не обмежується, дерева рішень, методи кластеризації, системи ранжування та алгоритми оптимізації.

Opendoor залежить від величезної кількості даних, де ці дані збираються?

Дані, які наші алгоритми вважають найбільш цінними, часто також є тими даними, які найважче знайти. Це дані, які ми генеруємо самостійно або розробляємо через власні відносини. Ми використовуємо комбінацію внутрішніх даних та даних третіх сторін про нерухомість, включаючи дані про списки, такі як дата продажу, кількість спалень та ванних кімнат, площа тощо. Крім того, ми розглядаємо ознаки, які вказують на унікальність будинків, які можуть бути надані лише людською експертизою, такими як освітлення, шум від вулиці, якість приладів та оздоблення тощо. Ми збираємо дані з будинків, які вже знаходяться на ринку, а також з будинків, які не знаходяться на ринку, але власники яких поділилися інформацією з нами.

Можете розповісти про зусилля Opendoor щодо покращення швидкості та надійності інфраструктури, яка підтримує первинне споживання даних?

Перед запуском на новому ринку ми споживаємо багато років історичних даних. Якісні дані вкрай важливі для навчання наших алгоритмів та місцевих операторів, щоб вони розуміли варіації на тому ринку. Для покращення швидкості, якості та надійності ми створили гнучкі інструменти для картування даних та автоматичної оцінки покриття нових полів даних. З цими інструментами ми можемо спожити та валідувати великі об’єми історичних даних про операції з нерухомістю за кілька годин або днів, замість тижнів.

Інша стратегія, в яку ми інвестували, – це проактивний автоматичний моніторинг якості даних. Ми створили системи, які перевіряють розподіли даних, які ми споживаємо та трансформуємо на кожному етапі процесу в реальному часі. Наприклад, якщо ми очікуємо, що на певному ринку в середньому 20% нових списків будуть квартирами, а сьогодні 50% нових списків класифікуються як квартири, це спрацює сигнал для інженера, щоб він розслідував цю ситуацію.

Як експертна людська оцінка поєднується з алгоритмами машинного навчання для створення зворотних зв’язків постійно покращуючої продуктивності?

Наші внутрішні експерти з ціноутворення відіграють величезну роль у наших рішеннях щодо ціноутворення, працюючи в тандемі з нашими алгоритмами. Там, де машини все ще мають сліпі місця, наші експертні оператори заповнюють ці прогалини, і ми покладаємося на них на різних стадіях. Наприклад, вони додають або верифікують вхідні дані, такі як якість певних проектів оновлення. Вони приймають проміжні рішення про те, які ознаки можуть бути важкими для оцінки, і вони також приймають рішення, які безпосередньо стосуються користувачів, такі як які пропозиції ми повинні прийняти. Людський фактор завжди буде критичним для нашої стратегії, і ми вважаємо, що поєднання експертів та алгоритмів є найкращим.

Можете визначити бектестинг та обговорити його важливість в Opendoor?

Бектестинг – це спосіб оцінки точності моделі за допомогою історичних даних. Наприклад, ми можемо навчати модель оцінки вартості Opendoor на даних з січня 2015 року по січень 2021 року. У цьому контексті “навчання” означає, що ми подаємо історичні вхідні дані, такі як атрибути будинку, та результати, такі як ціни проданих будинків, моделі. І, в свою чергу, модель вчиться відносини між вхідними даними та результатами. Потім ми беремо цю модель, яка відображає ці новостворені відносини, та подаємо їй інший набір історичних даних, наприклад, з лютого 2021 року. Оскільки дані історичні, ми знаємо результати, і ми можемо виміряти, наскільки вони відрізняються від прогнозів.

Цей процес вкрай важливий для Opendoor, і він використовується для всіх наших продуктів машинного навчання. Він зменшує ризик проблеми, відомої як надмірне підгонка, коли модель машинного навчання виявляє закономірності в історичних даних, які насправді там немає. Наприклад, випадкові кореляції, які не допомагають у прогнозуванні реального світу. Це також рятує нас від проведення дорогих реальних тестів А/Б на нових продуктах та стратегіях, які можуть бути виключені на основі історичних даних.

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

Ми приймаємо на роботу! Якщо ви цікавитесь будівництвом майбутнього нерухомості, і/або працюєте на перетині фінтех, машинного навчання та споживчих продуктів, будь ласка, подайте заявку! У нас є відкриті посади по різних напрямках та містах. Перегляньте нашу сторінку кар’єри тут.

Дякуємо за чудове інтерв’ю. Читачам, які бажають дізнатися більше, варто відвідати Opendoor.