Trí tuệ nhân tạo
Ian Wong, Đồng sáng lập & CTO của Opendoor – Loạt phỏng vấn
Bạn có thể tóm tắt khái niệm đằng sau Opendoor, và nó khác với các đối thủ như Zillow như thế nào?
Opendoor mang đến cho mọi người một cách đơn giản và tiện lợi để mua, bán và trao đổi nhà. Chúng tôi đang biến một mô hình bất động sản phân mảnh, không linh hoạt thành một trải nghiệm kỹ thuật số và theo nhu cầu từ đầu đến cuối. Là người tiên phong trong lĩnh vực “ibuyering”, Opendoor đã phục vụ hơn 70.000 khách hàng đến nay và mở rộng đến 21 thị trường tại Mỹ.
Opendoor có thể cung cấp giá trị thị trường công bằng gần như tức thời cho các ngôi nhà bằng cách sử dụng mô hình định giá độc quyền, tận dụng dữ liệu đầu tiên và thứ ba, cùng với việc sử dụng học máy, trí tuệ nhân tạo và xem xét của con người. Với chỉ một vài lần chạm trên ứng dụng Opendoor, người bán có thể nhận được đề nghị từ Opendoor trong vòng 24 giờ. Bán cho Opendoor cung cấp nhiều lựa chọn và sự chắc chắn hơn vì chủ nhà có thể chọn ngày dọn ra và tránh được sự phức tạp và căng thẳng của việc展示 nhà và sửa chữa.
Ngoài ra, chúng tôi đã bắt đầu giải quyết các điểm đau khác trong giao dịch nhà với việc ra mắt một sản phẩm mới tái tưởng tượng quá trình mua nhà, ra mắt một doanh nghiệp cho vay nhà và mua lại một công ty tiêu đề và escrow. Mục tiêu của chúng tôi là làm cho việc di chuyển trở nên liền mạch, theo nhu cầu và không căng thẳng.
Điều gì đã thu hút bạn đến với Opendoor?
Chúng tôi có cơ hội tái tưởng tượng giao dịch bất động sản, do đó,重新 định nghĩa mối quan hệ của mọi người với tài sản lớn nhất của họ. Thay vì một trách nhiệm, điều gì nếu chủ nhà có thể tận dụng tính thanh khoản do ngôi nhà của họ cung cấp giống như cách bạn và tôi có thể rút tiền từ tài khoản kiểm tra của mình? Điều gì nếu người mua và người bán có thể bỏ qua những tháng căng thẳng và không chắc chắn, và trở nên tự tin hơn khi tiến tới với chương mới của cuộc sống của họ? Tầm nhìn về việc cho phép sự di chuyển địa lý và tự do tài chính nhiều hơn là rất thú vị, và nó cảm giác như chúng tôi chỉ mới bắt đầu hành trình.
Opendoor phân tích một bộ sưu tập lớn các giao dịch thị trường lịch sử. Loại điểm dữ liệu nào bạn đang thu thập?
Dữ liệu bất động sản chính xác với mức độ chi tiết mà chúng tôi cần không dễ dàng có được. Chúng tôi sử dụng sự kết hợp của các tập dữ liệu độc quyền và thứ ba lớn để hiểu các giao dịch thị trường lịch sử, bao gồm cả chi tiết cấp danh sách và cấp nhà, như ngày bán và giá, khi ngôi nhà được liệt kê, cũng như các điểm dữ liệu về từng ngôi nhà, như số phòng ngủ và phòng tắm, thuộc tính nhà bếp hoặc diện tích sàn. Trên cơ sở này, chúng tôi kết hợp các tính năng chỉ ra chất lượng hoặc sự độc đáo của một ngôi nhà, cho phép chúng tôi chọn các so sánh tương tự và cuối cùng định giá ngôi nhà một cách chính xác nhất có thể. Chúng tôi cũng tính đến các dữ liệu tương tự từ các ngôi nhà hiện đang được bán trên thị trường. Cuối cùng, những điểm dữ liệu này giúp chúng tôi dự đoán giá trị thị trường công bằng của một ngôi nhà và số thời gian có khả năng cần thiết để bán lại ngôi nhà.
Opendoor cũng phân tích các ngôi nhà được lấy ra khỏi thị trường mà không giao dịch, làm thế nào dữ liệu này được sử dụng khác so với các ngôi nhà đã bán?
Chúng tôi xem xét các dữ liệu tương tự cho cả các ngôi nhà đang hoạt động và các ngôi nhà được lấy ra khỏi thị trường mà không giao dịch — những ngôi nhà chúng tôi gọi là “delistings.” Bộ dữ liệu của chúng tôi xem xét nhiều chi tiết về nhà và danh sách, bao gồm diện tích sàn và giá danh sách, cho mỗi giao dịch. Chúng tôi kiểm tra những thông tin này cho delistings, nhưng không thể quan sát biến mục tiêu của chúng tôi là ngày trên thị trường. Ngoài ra, chúng tôi xem xét thị trường một cách tổng thể để hiểu cung và cầu. Bằng cách kết hợp các danh sách không giao dịch, chúng tôi có thể có một bức tranh toàn diện hơn về thị trường.
Opendoor sử dụng Ensembling như một yếu tố trong định giá nhà. Bạn có thể giải thích ensembling là gì và Opendoor sử dụng công nghệ này như thế nào?
Khi một người mua muốn mua một ngôi nhà hoặc một người bán quyết định liệt kê ngôi nhà của họ trên thị trường, cách họ xác định giá trị của ngôi nhà sẽ phụ thuộc vào lý do tại sao họ mua hoặc bán. Và điều này có thể rất khác nhau tùy thuộc vào loại người mua và người bán. Chúng tôi kết hợp điều này vào mô hình của mình để hiểu cách người mua và người bán nhìn nhận thị trường, đó là nơi ensembling tham gia. Ensembling cho phép chúng tôi sử dụng các mô hình định giá khác nhau cùng nhau để tính toán giá trị trung bình có trọng số của các ngôi nhà. Một số mô hình có thể đánh giá các biến量 khác nhau khác so với các mô hình khác. Chúng tôi đã phát hiện ra rằng ensembling thường dẫn đến định giá chính xác hơn so với bất kỳ mô hình đơn lẻ nào.
Opendoor nhập dữ liệu lớn từ các nguồn khác nhau, điều này có thể là một thách thức do cách dữ liệu được dán nhãn hoặc định dạng ban đầu. Opendoor sử dụng Markov Random Field để hỗ trợ vấn đề này. Bạn có thể giải thích điều này là gì?
Thách thức bắt nguồn từ đột biến trong dữ liệu văn bản, từ viết tắt và lỗi chính tả đến thứ tự từ không nhất quán và cách đánh vần số. Dữ liệu chất lượng kém ảnh hưởng đến các mô hình định giá nhà của chúng tôi, đó là lý do tại sao chúng tôi thực hiện một cách tiếp cận toán học để giúp tiêu chuẩn hóa văn bản và cải thiện chất lượng nhãn. Markov Random Field cho phép chúng tôi đánh giá tất cả các nhãn cùng nhau và diễn giải chính xác hơn các đặc điểm như phân khu. Điểm số của mỗi nhãn đến từ hai thành phần khác nhau: 1) mức độ mà các nhãn cuối cùng liên quan đến văn bản gốc và 2) mức độ liên tục không gian của các nhãn giữa các láng giềng. Với toán học của chuỗi Markov, chúng tôi làm cho dữ liệu trở nên hơn tổng của các phần.
Bạn sử dụng một kỹ thuật gọi là phân tích sự sống để mô hình hóa thời gian nắm giữ trung bình của một ngôi nhà được liệt kê để bán. Phân tích sự sống là gì và nó áp dụng trong trường hợp của Opendoor?
Fundamentally, chúng tôi cần hiểu tính thanh khoản trên cơ sở từng ngôi nhà, và có thể cập nhật quan điểm của chúng tôi về hồ sơ thanh khoản của một ngôi nhà khi chúng tôi có thêm thông tin. Phân tích sự sống là một phương pháp thống kê phân tích khoảng thời gian dự kiến sẽ trôi qua cho đến khi một hoặc nhiều sự kiện xảy ra. Trong trường hợp của chúng tôi, chúng tôi sử dụng phân tích sự sống để giúp hiểu và dự đoán thời gian bán một ngôi nhà. Sử dụng phương pháp này, chúng tôi cải thiện đáng kể khả năng phản ứng với các điều kiện thị trường đang thay đổi, và dự đoán chính xác hơn về kinh tế học đơn vị của chúng tôi. Điều này giúp chúng tôi xác định ngưỡng rủi ro cho từng ngôi nhà và đưa ra quyết định đầu tư thông minh hơn, điều này rất quan trọng đối với hoạt động kinh doanh của chúng tôi.
Có những yếu tố thường ảnh hưởng đến giá trị của một ngôi nhà mà rất phụ thuộc vào vị trí, chẳng hạn như tiếng ồn từ đường. Làm thế nào bạn sử dụng học máy để lập trình mô hình định giá của mình cho vấn đề như vậy?
Mô hình định giá Opendoor (OVM) kết hợp trí tuệ máy tính với chuyên môn của con người để cung cấp các đề nghị chính xác và cạnh tranh, tính đến các yếu tố ít rõ ràng hơn, như tiếng ồn từ đường. Để làm điều này, chúng tôi dựa vào các nhà vận hành của con người để xác định các biến và máy của chúng tôi để dự đoán mức độ quan trọng của chúng trong thuật toán định giá. OpenStreetMap (OSM) là một tập dữ liệu có sẵn miễn phí cho hình học đường và giúp chúng tôi xác định các ngôi nhà liền kề với đường. Chúng tôi cũng tìm kiếm các điều chỉnh của con người trước đó trên các ngôi nhà để tính toán giá trị điều chỉnh trung bình. Chúng tôi có thể tinh chỉnh các giá trị này với quy mô, và khi chúng tôi thu thập thêm dữ liệu điều chỉnh của con người cho các thị trường, tập dữ liệu phát triển và cải thiện hiệu suất của OVM. Điều quan trọng nhất là chúng tôi làm giàu dữ liệu của bên thứ ba có sẵn với dữ liệu độc quyền của riêng mình. Kết quả là, các tín hiệu phụ thuộc vào vị trí tổng thể được cải thiện đáng kể theo thời gian.
Có điều gì khác mà bạn muốn chia sẻ về Opendoor?
Điều làm cho việc làm việc tại Opendoor đặc biệt hấp dẫn đối với tôi là chúng tôi đang sử dụng công nghệ, khoa học dữ liệu và xuất sắc hoạt động để giúp giải quyết các điểm đau thực tế cho hàng triệu người tiêu dùng. Sự kết hợp giữa thế giới trực tuyến và ngoại tuyến này chưa từng được thực hiện và đi kèm với nhiều thách thức mới và thú vị.
