顧客の住宅売買を支援する不動産会社のOpendoorは、価格モデル向上に機械学習を使用している。同社のデータサイエンティストであるNelson Ray氏がQCon New York 2017 Conferenceで、住宅再販のリスク評価を行なう機械学習モデルの検討を目的とした、シミュレーションベースのフレームワーク開発について講演した。Opendoorは住宅再販というリスクを負っているため、さまざまなハザードベースの流動性モデルの有効性を理解する必要がある。
Ray氏はまず、新たな家を求める住宅所有者に関する不動産業界の統計情報について説明した。米国には25兆ドルの住宅資産があり、その年間取引額は1兆4,000億ドル、手数料収入は1,000億ドルに達する。年間では550万人の米国人が住宅を売買しており、転居費用は1年当たり17,798ドルと、消費者支出の第1位となっている。
次に氏は、ガイドのない従来のA/Bテストの問題点を指摘した上で、シミュレーションベースの推論ソリューションが不動産のユースケースにおいていかに有効かを説明した。不動産流動性モデルの一般的なA/Bテストは、再販の結果が完全に明らかになるまで、数ヶ月にわたって続けられることもある。これに対してシミュレーションベースのテストは、ビジネスモデルの重要なメトリクスに対して複数のステップでモデルを評価するアプローチであり、評価期間の短期化(数ヶ月が数秒に)と低コスト(計算コストのみ)というメリットを提供する。
氏らはコンバージョンや利益、手数料といった経済的メトリクスに基づいて、家屋の流動性を評価する3Dモデルを開発している。モデルでは過去の住宅売買取引や市場にある住宅のリストといったデータを使用し、その売買プロセスをシミュレーションしてコストを見積った上で、実際の家屋の取引結果を確認する。
さらに氏は、因果関係のピラミッドに関するものとして、次のような要素を取り上げて説明した。
- 観測分析
- シミュレーションに基づく推論
- 擬似体験
- A/Bテスト
講演では、家屋需要をシミュレーションするためのガイド付きテストのレシピについても論じられた。データ生成プロセス(過去の住宅販売取引データ)や、過去の住宅購入プロセスP(購入|コスト)
をシミュレートしたユーザモデルなどがこれに含まれる。テスト作業を効率的かつ効果的にするためにはA/Bテストより前にシミュレーションを実行するべきだ、というのが氏の提案だった。
この記事を評価
- 編集者評
- 編集長アクション