रियल एस्टेट सौदों को बंद करने के लिए डेटा साइंस का उपयोग करने पर ओपनडोर

ट्रांसफ़ॉर्म 2021 के सभी सत्र अब मांग पर उपलब्ध हैं। अब देखिए।


रियल एस्टेट उद्योग पहला उद्योग नहीं है जो आमतौर पर आवेदन करने के तरीकों पर चर्चा करते समय दिमाग में आता है मशीन लर्निंग एल्गोरिदम. विक्रेता संपत्ति बेचना चाहता है और खरीदार इसे खरीदना चाहता है – यह सौदा बंद करने की बात है। बाधा उस सौदे की कीमत पर सहमत हो रही है। संपत्ति के मूल्य का सही आकलन करना एक जटिल प्रक्रिया है, और इसके लिए बहुत सारे अलग-अलग डेटा स्रोतों और स्केलेबल मूल्य निर्धारण मॉडल की आवश्यकता होती है। खरीदार केवल सभी संभावित कारकों और उनके संबंधित मूल्य मूल्यों की एक मदबद्ध सूची का संदर्भ नहीं दे सकता है और कुल मूल्य की गणना करने के लिए सभी संपत्ति की विशेषताओं को जोड़ सकता है।

स्वचालित मूल्यवान मॉडल एक मशीन लर्निंग मॉडल है जो किसी संपत्ति के मूल्य का अनुमान लगाता है, आमतौर पर उस संपत्ति की तुलना आस-पास की समान संपत्तियों से करता है जो हाल ही में बेची गई हैं (“comps”)। रियल एस्टेट कंपनी ओपेंडूर एवीएम के अपने संस्करण पर निर्भर करती है – ओपेंडूर वैल्यूएशन मॉडल – मूल्यांकन के लिए और कंप के बारे में जानकारी देखने के लिए (उदाहरण के लिए, कॉम्प के मूल्य और प्रश्न में संपत्ति के बीच अंतर को समझने के लिए)। कंपनी ने विभिन्न डेटा स्रोतों को शामिल करने और मॉडल की सटीकता में सुधार करने के लिए एल्गोरिदम को परिष्कृत करने के लिए कंपनी के इतिहास की शुरुआत से ही डेटा विज्ञान में भारी निवेश किया है।

वेंचरबीट के साथ बातचीत में, ओपेंडूर के सैम स्टोन ने बताया कि कंपनी ने ओपेंडूर वैल्यूएशन मॉडल क्यों बनाया और कैसे डेटा साइंस रियल एस्टेट उद्योग में फिट बैठता है। वर्ष के अंत तक कंपनी की 30 बाजारों से 42 बाजारों तक विस्तार करने की योजना के साथ, और घरों के नए प्रकार और मूल्य बिंदुओं को जोड़ने के लिए, डेटा विज्ञान का एक मुख्य हिस्सा बने रहने की उम्मीद है कंपनी की रणनीति, स्टोन के अनुसार।

यह साक्षात्कार स्पष्टता के लिए संपादित किया गया है।

वेंचरबीट: ओपेंडूर को क्या समस्या हो रही थी, और उसने यह क्यों तय किया कि डेटा साइंस इन-हाउस में निवेश करना इसका उत्तर था? स्केलेबल प्राइसिंग मॉडल और डेटा साइंस में निवेश से कंपनी को क्या लाभ होने की उम्मीद थी?

सैम स्टोन: अपनी स्थापना के बाद से, हमने हमेशा अपना डेटा विज्ञान इन-हाउस किया है और अपने मॉडलों के लिए अपने और तीसरे पक्ष के डेटा दोनों का लाभ उठाते हैं। हमने माना कि मूल्य निर्धारण घरों की पुरानी, ​​मैन्युअल प्रक्रिया को आधुनिक बनाने से उपभोक्ताओं को मूल्य निश्चितता और अपने घर में इक्विटी का अधिक तेज़ी से लाभ उठाने की क्षमता का लाभ मिल सकता है।

अधिकांश लोगों के लिए, उनका घर उनकी सबसे बड़ी वित्तीय संपत्ति है, और वे इसके मूल्य के प्रति अत्यधिक अभ्यस्त हैं। यह महत्वपूर्ण है कि हमारे एल्गोरिदम एक घर पर सभी महत्वपूर्ण विशेषताओं को शामिल करते हैं। चूंकि हर घर अद्वितीय है और बाजार की स्थितियां लगातार बदल रही हैं, घरों के मूल्य निर्धारण के लिए लगातार विकसित होने वाले समाधानों की आवश्यकता होती है। इसका मतलब है कि हमें करना है भारी निवेश करें हमारे एल्गोरिदम और इन-हाउस मूल्य निर्धारण विशेषज्ञों की हमारी टीम दोनों में यह सुनिश्चित करने के लिए कि एल्गोरिदम और विशेषज्ञ एक साथ निर्बाध रूप से काम करते हैं।

वेंचरबीट: ओपेंडूर के पास पहले से ही ऐसा क्या था जिसने किसी अन्य कंपनी को काम पर रखने के बजाय ओपेंडूर वैल्यूएशन मॉडल का निर्माण करना संभव बना दिया?

पथरी: सटीक और प्रदर्शनकारी मूल्य-निर्धारण प्रणालियाँ हमारे व्यवसाय मॉडल के मूल हैं। हमारा प्रारंभिक स्वचालित मूल्यांकन मॉडल हमारे सह-संस्थापक और सीटीओ, इयान वोंग, 2014 में वापस लिखे गए कोड की पंक्तियों से उपजा है।

तब से हमने पर भारी निवेश किया है प्रौद्योगिकी और डेटा विज्ञान पक्ष. हमने विभिन्न मशीन लर्निंग मॉडल प्रकार विकसित किए हैं, जिसमें नए डेटासेट को अंतर्ग्रहण और परीक्षण करना शामिल है। हमने शीर्ष मशीन लर्निंग इंजीनियरों और डेटा वैज्ञानिकों को काम पर रखने, विकसित करने और बनाए रखने के लिए प्रक्रियाओं का निर्माण किया है। और, साथ ही, हमने अपने मूल्य निर्धारण विशेषज्ञों को अपने बाजारों में स्थानीय बारीकियों को ट्रैक करने के लिए अनुकूलित टूल के साथ अपनी विशेषज्ञ अंतर्दृष्टि का विस्तार करने में भारी निवेश किया है।

यह कहना उचित होगा कि मूल्य निर्धारण प्रणाली एक कंपनी के रूप में हमारे डीएनए के मूल हैं।

हम हमेशा नए डेटासेट, नए उत्पादों और नए विक्रेताओं से सीखने के लिए उत्सुक रहते हैं। लेकिन हमने अभी तक किसी तीसरे पक्ष को नहीं देखा है जो हमारे मूल्य निर्धारण प्रणालियों के इन-हाउस सूट की समग्र सटीकता, कवरेज या कार्यक्षमता से मेल खाने के करीब आता है।

वेंचरबीट: मुझे ओपेंडूर वैल्यूएशन मॉडल के बारे में कुछ बताएं। इस मॉडल के निर्माण में किस तरह का डेटा विज्ञान विश्लेषण और निवेश किया गया?

पथरी: ओपेन्डूर वैल्यूएशन मॉडल, या “ओवीएम”, मूल्य निर्धारण के बुनियादी ढांचे का एक मुख्य टुकड़ा है जो कई डाउनस्ट्रीम मूल्य निर्धारण अनुप्रयोगों में फ़ीड करता है। इसमें हमारे घरेलू ऑफ़र शामिल हैं, हम अपने पोर्टफोलियो को कैसे महत्व देते हैं और जोखिम का आकलन करते हैं, और जब हम घर को फिर से बेचते हैं तो हम क्या निर्णय लेंगे।

ओवीएम का एक तत्व संरचनात्मक अंतर्दृष्टि के एक सेट पर आधारित है कि कैसे खरीदार और विक्रेता कीमतों का मूल्यांकन करते हैं और घर खरीद बोलियों पर निर्णय लेते हैं। वे पड़ोस में तुलनीय घरों की कीमतों को देखते हैं जो हाल ही में बेचे गए हैं – जिन्हें अक्सर “कंप्स” कहा जाता है – और अपने घर की कीमत को ऊपर या नीचे समायोजित करते हैं, इस पर निर्भर करते हुए कि वे अपने घर के बराबर कैसे सोचते हैं। लेकिन आप कैसे तय करते हैं कि एक घर को दूसरे से “बेहतर या बदतर” क्या बनाता है? यह एक श्वेत और श्याम समीकरण नहीं है और बहुत अधिक जटिल है। घरों में अनूठी विशेषताएं हैं, स्क्वायर फुटेज और पिछवाड़े की जगह से लेकर बाथरूम और शयनकक्षों की संख्या, लेआउट, प्राकृतिक प्रकाश और बहुत कुछ।

OVM को कई अन्य डेटा स्रोतों द्वारा खिलाया जाता है, जिसमें संपत्ति कर की जानकारी, बाजार के रुझान और कई घर और पड़ोस के विशिष्ट संकेत शामिल हैं।

वेंचरबीट: हुड के नीचे ओवीएम कैसा दिखता है? इसे चलाने और चलाने के लिए आपको क्या निर्माण करना पड़ा?

पथरी: जब हमने ओवीएम का निर्माण शुरू किया, तो हमने मुख्य रूप से रैखिक सांख्यिकीय मॉडल पर भरोसा करते हुए इसे सीधा रखा। अपेक्षाकृत सरल मॉडल के साथ शुरू करने से हमें खरीदारों और विक्रेताओं की विचार प्रक्रियाओं की गहरी समझ विकसित करने पर ध्यान केंद्रित करने के लिए मजबूर होना पड़ा। हम फैंसी गणित में फंसने के बजाय अपने डेटा की गुणवत्ता को सत्यापित और बढ़ा सकते हैं।

जैसा कि हम समझ गए हैं खरीदारों का व्यवहार और विक्रेता पिछले कुछ वर्षों में बेहतर हुए हैं, हम अधिक परिष्कृत मॉडल की ओर बढ़ने में सक्षम हुए हैं। OVM अब एक तंत्रिका नेटवर्क पर आधारित है, विशेष रूप से एक आर्किटेक्चर जिसे स्याम देश का नेटवर्क कहा जाता है। हम इसका उपयोग खरीदारों और विक्रेताओं के व्यवहार को एम्बेड करने के लिए करते हैं, जिसमें COMP का चयन करना, उन्हें समायोजित करना और उनका वजन करना शामिल है।

हमने बार-बार देखा है कि “अत्याधुनिक” मशीन लर्निंग मॉडल पर्याप्त नहीं है। मॉडल को यह समझने की जरूरत है कि खरीदार और विक्रेता वास्तव में इसकी वास्तुकला में कैसे व्यवहार करते हैं।

हमारे पास कई टीमें हैं, जिनमें इंजीनियर और डेटा वैज्ञानिक दोनों शामिल हैं, जो लगातार हमारे ओवीएम पर काम कर रहे हैं। ये टीमें उन ऑपरेटरों के साथ गहराई से सहयोग करती हैं, जिनके पास गहरी स्थानीय विशेषज्ञता है, जो अक्सर उन्हें उत्पाद स्प्रिंट में शामिल करते हैं। OVM के हमारे पहले तंत्रिका-नेटवर्क-आधारित संस्करण को विकसित करने, QA’ing, और जारी करने की प्रक्रिया एक क्रॉस-टीम प्रयास था जिसमें कई महीने लगे।

वेंचरबीट: ह्यूमन+मशीन लर्निंग फीडबैक लूप का उद्देश्य क्या है?

पथरी: हमारे इन-हाउस मूल्य निर्धारण विशेषज्ञ हमारे एल्गोरिदम के साथ मिलकर काम करते हुए, हमारे मूल्य निर्धारण निर्णयों में महत्वपूर्ण भूमिका निभाते हैं। हम विभिन्न चरणों में मूल्य निर्धारण विशेषज्ञों पर भरोसा करते हैं:

  • इनपुट डेटा जोड़ना या सत्यापित करना। उदाहरण के लिए, उपकरणों की गुणवत्ता या फिनिश स्तर का आकलन करना, जो इनपुट हैं जो महत्वपूर्ण हैं लेकिन एल्गोरिथम की मात्रा निर्धारित करना कठिन है। मनुष्य इसमें बहुत बेहतर हैं।
  • मध्यवर्ती निर्णय लेना। उदाहरण के लिए, घर की कौन सी विशेषताएँ इसे विशेष रूप से महत्व देना कठिन बना सकती हैं?
  • उपयोगकर्ता के सामने निर्णय लेना। उदाहरण के लिए, हमारे पोर्टफोलियो में एक घर पर खरीदार प्रस्तावों का एक सेट दिया गया है, यदि कोई हो, तो हमें क्या स्वीकार करना चाहिए?

जबकि हम एक समय में किसी विशेष क्षेत्र या कार्य पर कम या ज्यादा स्वचालन कर सकते हैं, हमने हमेशा माना है कि लंबी अवधि में, मूल्य निर्धारण विशेषज्ञों और एल्गोरिदम से शादी करना सबसे अच्छी रणनीति है। एल्गोरिदम हमें विशेषज्ञ अंतर्दृष्टि शक्तियों और कमजोरियों को बेहतर ढंग से समझने में मदद करते हैं, और इसके विपरीत।

वेंचरबीट: पिछली बार से सीखे गए सबक के साथ यदि आप अभी ओवीएम तैयार कर रहे हैं तो आप अलग तरीके से क्या करेंगे?

पथरी: सभी परिस्थितियों में और सभी क्षेत्रों के लिए उच्च गुणवत्ता वाले इनपुट डेटा को सुनिश्चित करना हमेशा सर्वोच्च प्राथमिकता है।

व्यापक आर्थिक स्थिरता के समय में जो मॉडल सबसे सटीक है, वह जरूरी नहीं कि वह मॉडल हो जो आर्थिक संकट के समय में सबसे सटीक हो – उदाहरण के लिए, 2007-2008 का वित्तीय संकट और COVID-19 वैश्विक महामारी। कभी-कभी पूर्वानुमान सुविधाओं में निवेश करना समझ में आता है जो “सामान्य” समय के दौरान सटीकता में मदद नहीं करते हैं, लेकिन दुर्लभ, लेकिन अत्यधिक अनिश्चित समय में बहुत मदद कर सकते हैं।

इस पिछले साल ने हमें सिखाया है कि हम विक्रेताओं द्वारा साझा किए गए आंतरिक फ़ोटो और वीडियो का उपयोग करके घरों की कीमत तय कर सकते हैं। COVID-19 से पहले, हम व्यक्तिगत रूप से घर के अंदरूनी हिस्सों का निरीक्षण करेंगे। हालाँकि जब महामारी शुरू हुई, तो हमने सुरक्षा कारणों से व्यक्तिगत रूप से बातचीत बंद कर दी। नतीजतन, हमने आंतरिक मूल्यांकन को एक आभासी में बदल दिया और सीखा कि यह वास्तव में विक्रेताओं के लिए बहुत आसान है।

वेंचरबीट

तकनीकी निर्णय लेने वालों के लिए परिवर्तनकारी तकनीक और लेनदेन के बारे में ज्ञान हासिल करने के लिए वेंचरबीट का मिशन एक डिजिटल टाउन स्क्वायर बनना है। जब आप अपने संगठनों का नेतृत्व करते हैं तो हमारा मार्गदर्शन करने के लिए हमारी साइट डेटा तकनीकों और रणनीतियों पर आवश्यक जानकारी प्रदान करती है। हम आपको हमारे समुदाय का सदस्य बनने के लिए आमंत्रित करते हैं:

  • आपकी रुचि के विषयों पर अप-टू-डेट जानकारी
  • हमारे समाचार पत्र
  • गेटेड विचार-नेता सामग्री और हमारे बेशकीमती आयोजनों के लिए रियायती पहुंच, जैसे रूपांतरण 2021: और अधिक जानें
  • नेटवर्किंग सुविधाएँ, और बहुत कुछ

सदस्य बने

(Visited 31 times, 1 visits today)

About The Author

You might be interested in

प्यू-अमेरिका-के-42-उपयोगकर्ता-मुख्य-रूप-से-मनोरंजन-के.jpg
0

LEAVE YOUR COMMENT