Sam Stone, PM, Pricing tại Opendoor – Loạt Phỏng Vấn

Sam đam mê xây dựng sản phẩm tại điểm giao giữa tài chính và học máy. Hiện tại, anh là Trưởng nhóm Sản phẩm về Giá cả tại Opendoor, một công ty khởi nghiệp giai đoạn cuối sử dụng thuật toán để mua và bán nhà ngay lập tức, giúp chủ nhà tiết kiệm được sự phức tạp và không chắc chắn khi đăng tải và tổ chức xem nhà.

Điều gì ban đầu thu hút bạn đến với học máy và khoa học dữ liệu?

Sau khi tốt nghiệp đại học, tôi làm việc cho một công ty dịch vụ chuyên nghiệp lớn tuyển dụng hàng trăm sinh viên mới tốt nghiệp vào cùng một vị trí nhập cảnh. Khi tôi tham gia vào quá trình tuyển dụng, tôi cảm thấy sốc và thất vọng khi thấy ý kiến của mọi người trong công ty về những thuộc tính của ứng viên dẫn đến thành công khác nhau đến mức nào. Đó dường như là một vấn đề rất quan trọng, nơi sự rõ ràng là điều cần thiết. Nhưng tôi lại rất hào hứng khi nhận thấy rằng chúng tôi có rất nhiều dữ liệu về ứng viên và kết quả tuyển dụng trước đây mà chưa từng được kết nối hoặc phân tích sâu sắc. Vì vậy, tôi bắt đầu làm việc trên vấn đề đó, coi nó như một vấn đề thống kê, sử dụng các công cụ cơ bản như hồi quy tuyến tính. Theo thời gian, dự án đã phát triển và các phương pháp chúng tôi sử dụng trở nên tinh vi hơn. Ví dụ, chúng tôi muốn xử lý âm thanh và văn bản không cấu trúc từ các cuộc phỏng vấn trực tiếp, và điều đó dẫn chúng tôi đến việc áp dụng các mô hình học máy mạnh mẽ hơn như mạng nơ-ron.

Có thể bạn thảo luận về mô hình định giá tự động (OVM) của Opendoor và cách nó tính toán giá trị ước tính của một bất động sản?

Mô hình Định giá Opendoor (OVM) là một phần cốt lõi của kinh doanh chúng tôi và cung cấp dữ liệu cho nhiều ứng dụng định giá xuống dòng.

Ở nhiều方面, OVM hoạt động như một người mua hoặc người bán典型 – nó xem xét trên một khu vực lân cận, bao gồm cả loại và giá của các ngôi nhà đã bán gần đây. Tuy nhiên, khi nói đến việc định giá nhà, đặc biệt là考虑 đến sự đa dạng của các ngôi nhà trên toàn bộ Hoa Kỳ, nó không đủ để chỉ xem xét giá của các ngôi nhà tương tự. Đó là một vấn đề phức tạp hơn nhiều. Chúng tôi xem xét nhiều yếu tố, từ diện tích sàn và không gian sân sau đến số lượng phòng tắm và phòng ngủ, bố cục, đường phố đông đúc, nâng cấp và nhiều hơn nữa. OVM được cung cấp bởi nhiều nguồn dữ liệu, bao gồm thông tin thuế tài sản, xu hướng thị trường cũng như nhiều tín hiệu cụ thể về nhà và khu vực lân cận. Chúng tôi cũng xem xét các điều chỉnh của con người trước đây trên các ngôi nhà để tính toán giá trị điều chỉnh trung bình. Và chúng tôi có thể tinh chỉnh những giá trị này với quy mô. Khi chúng tôi thu thập thêm dữ liệu điều chỉnh của con người cho các thị trường, tập dữ liệu sẽ phát triển và cải thiện hiệu suất của OVM. Đó là một vòng phản hồi liên tục cải thiện hiệu suất theo thời gian.

Bên cạnh việc chính xác cao, nó phải chạy với độ trễ thấp và phạm vi bao phủ cao. Điều đó có nghĩa là mỗi khi chúng tôi进入 một thị trường mới, chúng tôi cần phải mở rộng khả năng của OVM để đảm bảo nó có thể phục vụ các chủ nhà trên các khu vực lân cận và loại nhà khác nhau.

Có những phương pháp học máy nào khác được sử dụng?

Khi chúng tôi bắt đầu xây dựng OVM, chúng tôi phụ thuộc chủ yếu vào các mô hình thống kê tuyến tính để hiểu rõ hơn về quá trình ra quyết định của người mua và người bán. Nhưng theo thời gian, OVM đã phát triển và hiện tại dựa trên một mạng nơ-ron, cụ thể là một kiến trúc gọi là Mạng Siamese. Chúng tôi sử dụng nó để nhúng hành vi của người mua và người bán, bao gồm việc chọn các ngôi nhà tương tự, điều chỉnh và trọng số chúng. Điều này rất quan trọng vì chúng tôi đã phát hiện ra rằng để đạt được độ chính xác cao, các mô hình cần phản ánh những bước chính mà các bên tham gia thị trường thực hiện trong kiến trúc của chúng.

Một trong những lợi ích của việc sử dụng mạng nơ-ron là nó có độ chính xác và linh hoạt để tiêu hóa dữ liệu trên tất cả các thị trường và phát hiện các sắc thái địa phương tinh vi. Kết quả là, khi Opendoor ra mắt tại một thị trường mới hoặc mở rộng hàng tồn kho tại một thị trường hiện có, chúng tôi có thể sử dụng cùng một mô hình, bỏ qua nhiều công việc cơ sở hạ tầng kỹ thuật mà việc khởi tạo một mô hình sản xuất mới sẽ yêu cầu. Thay vào đó, chúng tôi chạy dữ liệu mới qua mô hình hiện có, điều này giảm đáng kể thời gian mà các kỹ sư của chúng tôi dành cho quá trình.

Cũng có nhiều phương pháp học máy khác mà chúng tôi sử dụng tại Opendoor, ngoài mạng nơ-ron. Điều này bao gồm, nhưng không giới hạn ở, cây quyết định, kỹ thuật phân cụm, hệ thống xếp hạng và thuật toán tối ưu hóa.

Opendoor phụ thuộc vào lượng dữ liệu khổng lồ, dữ liệu này được thu thập từ đâu?

Dữ liệu mà các thuật toán của chúng tôi tìm thấy có giá trị nhất cũng thường là dữ liệu khó tìm nhất. Đó là dữ liệu chúng tôi tự tạo ra hoặc phát triển thông qua các mối quan hệ độc quyền. Chúng tôi sử dụng sự kết hợp giữa dữ liệu nội bộ và dữ liệu bất động sản của bên thứ ba, bao gồm các điểm dữ liệu từ danh sách, như ngày bán, số phòng ngủ và phòng tắm, diện tích sàn và nhiều hơn nữa. Ngoài ra, chúng tôi xem xét các tính năng chỉ ra sự độc đáo của các ngôi nhà, những thứ chỉ chuyên môn của con người mới có thể cung cấp, chẳng hạn như ánh sáng, tiếng ồn từ đường phố, chất lượng của thiết bị và hoàn thiện và nhiều hơn nữa. Chúng tôi thu thập dữ liệu từ các ngôi nhà đã được niêm yết trên thị trường cũng như các ngôi nhà ngoài thị trường mà chủ sở hữu đã chia sẻ thông tin với chúng tôi.

Có thể bạn thảo luận về một số nỗ lực của Opendoor trong việc cải thiện tốc độ và độ tin cậy của cơ sở hạ tầng powers its raw data ingestion?

Trước khi ra mắt tại một thị trường mới, chúng tôi sẽ tiêu thụ nhiều năm dữ liệu lịch sử. Dữ liệu chất lượng cao là điều cần thiết để đào tạo cả thuật toán và các nhà điều hành địa phương của chúng tôi để đảm bảo họ hiểu các biến thể trong thị trường đó. Để cải thiện tốc độ, chất lượng và độ tin cậy, chúng tôi đã xây dựng các công cụ ánh xạ dữ liệu linh hoạt và các công cụ tự động đánh giá phạm vi của các trường dữ liệu mới. Với các công cụ này, chúng tôi chỉ cần vài giờ hoặc vài ngày để tiêu thụ và xác thực lượng lớn dữ liệu giao dịch bất động sản lịch sử, thay vì vài tuần.

Một chiến lược khác mà chúng tôi đã đầu tư là giám sát chất lượng dữ liệu tự động và chủ động. Chúng tôi đã thiết lập các hệ thống kiểm tra phân phối của dữ liệu mà chúng tôi đang tiêu thụ và chuyển đổi tại mỗi bước của quá trình, theo thời gian thực. Ví dụ, nếu chúng tôi dự kiến rằng tại một thị trường cụ thể, 20% danh sách mới trung bình là căn hộ, và sau đó 50% danh sách mới được phân loại là căn hộ, điều đó sẽ kích hoạt một cảnh báo cho một kỹ sư để điều tra.

Làm thế nào mà phán quyết của con người được kết hợp với các thuật toán học máy để tạo ra các vòng phản hồi của hiệu suất ngày càng cải thiện?

Chuyên gia định giá nội bộ của chúng tôi đóng một vai trò quan trọng trên toàn bộ quyết định định giá của chúng tôi, làm việc cùng với các thuật toán của chúng tôi. Ở những nơi máy móc vẫn còn điểm mù, các nhà điều hành chuyên môn của chúng tôi sẽ lấp đầy, và chúng tôi phụ thuộc vào họ qua nhiều giai đoạn. Ví dụ, họ thêm hoặc xác nhận dữ liệu đầu vào, như chất lượng của một số dự án cải tạo. Họ đưa ra quyết định trung gian về những tính năng có thể khó định giá, và họ cũng đưa ra quyết định hướng tới người dùng, như những đề nghị nào chúng tôi nên chấp nhận. Yếu tố con người sẽ luôn là then chốt trong chiến lược của chúng tôi và chúng tôi tin rằng việc kết hợp chuyên gia và thuật toán là tốt nhất.

Có thể bạn định nghĩa lại việc kiểm tra lại và thảo luận về tầm quan trọng của nó tại Opendoor?

Kiểm tra lại là một cách để đánh giá độ chính xác của một mô hình bằng cách sử dụng dữ liệu lịch sử. Ví dụ, chúng tôi có thể đào tạo Mô hình Định giá Opendoor trên dữ liệu từ tháng 1 năm 2015 đến tháng 1 năm 2021. Trong bối cảnh này, “đào tạo” có nghĩa là chúng tôi cung cấp dữ liệu đầu vào lịch sử, như thuộc tính nhà, và kết quả, như giá bán nhà, cho mô hình. Và, ngược lại, mô hình sẽ học được mối quan hệ giữa đầu vào và kết quả. Sau đó, chúng tôi lấy mô hình này, phản ánh những mối quan hệ mới được học, và cung cấp cho nó một tập dữ liệu lịch sử khác, chẳng hạn như từ tháng 2 năm 2021. Vì dữ liệu là lịch sử, chúng tôi biết kết quả, và chúng tôi có thể đo lường mức độ mà những kết quả đó khác biệt so với dự đoán.

Quá trình này rất quan trọng tại Opendoor, và nó được sử dụng cho tất cả các sản phẩm học máy của chúng tôi. Nó giảm thiểu rủi ro của một vấn đề gọi là quá拟 hợp, khi một mô hình học máy xác định các mẫu trong dữ liệu lịch sử mà thực sự không tồn tại. Ví dụ, các mối tương quan ngẫu nhiên không giúp ích cho dự báo thế giới thực. Nó cũng giúp chúng tôi tránh chạy các thử nghiệm A/B tốn kém trong thế giới thực về các sản phẩm và chiến lược mới có thể bị loại bỏ dựa trên dữ liệu lịch sử.

Có điều gì khác mà bạn muốn chia sẻ về Opendoor?

Chúng tôi đang tuyển dụng! Nếu bạn quan tâm đến việc xây dựng tương lai của bất động sản, và/hoặc làm việc tại điểm giao giữa công nghệ tài chính, học máy và sản phẩm tiêu dùng, hãy申请! Chúng tôi có vị trí mở trên toàn bộ chức năng và thành phố. Kiểm tra trang nghề nghiệp của chúng tôi tại đây.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Opendoor.