講者：陳明愉（ Robert Chen）｜Director of Engineering @ Compass
新興的科技領域 PropTech
房地產 是一個還沒有被科技業攻克的領域，隨著大量的投資進入這個新興領域，資料科學跟人工智慧已經開始在改變這個領域，在這個討論中，我們會分享如何使人工智慧在這個領域跟未來這個領域的發展。
活動主辦單位： Taiwan Data Science Meetup 台灣資料科學社群
講者介紹：
Robert目前任職於Compass，一個科技房地產業的獨角獸，負責Compass的人工智慧的研發，之前在Zillow負責人工智慧的研發工作，曾經在微軟擔任過管理職，負責個人化新聞的研發，畢業於卡內基美濃的電腦科學博士。
大綱：
一、介紹 (Introduction)
二、美國的房地產 (Real Estate @ USA)
三、房地產科技介紹 (Introduction to PropTech)
四、房地產AI 應用 (AI @ PropTech)
五、Q&A
一、介紹 (Introduction)
Robert大學畢業於國立台灣大學，於Openfind搜尋引擎公司擔任軟體工程師2年，爾後於美國卡內基美濃大學讀博士班。結束博士班學位之後，進到Microsoft擔任Principal Applied Science Manager，主要負責Search Ads, Search and News。接著進入Zillow的機器學習部門工作，從11人的團隊成長到90人(2年半時間)，主要負責Home valuation, Recommendation, and MarTech。之後加入Compass服務。
二、美國的房地產 (Real Estate @ USA)
- Real Estate Overview
- Residential Real Estate
定義：Residential Real Estate 即是與我們日常生活息息相關的住房相關服務。可以分為下列三種項目。
- Transactions：如買賣房屋。
- Home service：如長短期的房屋租賃。
- Investment：投資建造新的房屋。 - Commercial Real Estate
定義：Commercial Real Estate 即是關於商用的房地產服務，也是分為Transactions、Home service 以及 Investment。(此次分享著重於Residential Real Estate)
2. Residential Real Estate @ US
此處介紹美國的Residential Real Estate特色。
- 美國有597家 MLS(Multiple Listing Service) ，美國的Broker(房屋仲介公司)，會將資訊互通有無，一起建立一個MLS。MLS屬於 地區性 的服務，例如加州的Broker會互相集合建立一個MLS。對比於台灣的Broker如信義房屋，台灣是沒有辦法看到其他家的Broker的資訊。
- NAR(National Association of Realtors) 是一個 商會 ，約略有200萬人，權力非常大，可以把一些房地產的規則上升的法律程度。
- 美國的房地產仲介(Agents)買賣一定要透過Broker ，大部分的州都是如此。
- 美國的仲介(Agents)一定要隸屬於仲介公司(Brokers)。
- 也因為MLS屬於地區性的服務，有許多的限制，使得科技公司發現有商機可以前往發展。例如原先住在加州的民眾想要搬去德州，但卻無法看到德州的MLS。
3. US V.S. Taiwan(美國與台灣房地產比較)
台灣與美國房地產比較圖
- 仲介 Agents
- 台灣的仲介屬於員工，而美國則是員工、契約工都有。 - 仲介公司 Brokers
- 台灣是獨立公司，而美國則是屬於獨立公司或者連鎖加盟店。 - 佣金 Commission
- 台灣佣金是買家給買方仲介，賣家給賣家仲介；美國則是賣方支出給賣方仲介，賣方仲介再分潤給買方仲介。(例如: 賣家收到錢後，分6%給賣家仲介，賣家仲介再分其中的一半(3%)給買家仲介) - 資料 Data
- 台灣資料近年來有在推房地產資料公開透明化，但實際上還是有許多限制，造成沒有如美國那麼透明；美國MLS、Broker都有所有的資料，且政府也公開所有資料，據Robert所說，大部分的州都是如此，但像德州就是有自己的限制，沒有列出交易金額。
三、房地產科技介紹 (Introduction to PropTech)
1. 房地產科技現況與誘因
- 美國的房地產交易一年有 1.6 Trillion 美金的交易金額
- 其中 112 Billion (7%) 是交易成本，7%又可以分為5.5%的佣金以及1.5%的closing cost(如代書、第三方手續費等等)。
- 科技公司希望去改善這112 Billion的交易成本，將這些錢可以轉化為自身的利潤。 - 根據 CRETech Study 統計自 2015–2019，大約有75 Billion 美金從VC(風險投資)流向房地產科技(PropTech)
- 根據瑞士銀行調查，全球每人平均大約有 45 % 的資產都是在房地產上。
- 而美國的 15 % GDP 來自於 Housing service 以及 Residential fixed investment(並不是房屋本身價值而來)，對比於零售業佔總GDP之24%，也是相當大的一部分。 - 軟銀(SoftBank)是目前房地產科技的主要投資者。
- 其中軟銀投資了 WeWork, Compass, Opendoor, OYO KATERRA等等
2. 沒有一個統治者在房地產科技(No one is the dominator in the space)
通常我們說到統治者就是如Google在搜尋引擎、Amazon在零售業等等，下面列出房地產科技業務的五個面向以及主要公司。
- 整合者 Aggregator
- Realtor.com
- Zillow (31 Billion)
- CoStar (35 Billion)，為Commercial Real Estate的佼佼者 - 數位仲介公司 Digital Broker
- Redfin (8 Billion)
- Compass
- eXp (6 Billion) - iBuying
- Opendoor (15 Billion)
- Zillow, Redfin, Flyhome etc - 房地產資料 (Real Estate Data)
- CoreLogic (6 Billion) - 數位房屋貸款 Digital Home Mortgage
- Rocket (45 Billion)
- Bankrate, better.com etc
各個業務上都有領跑者，但還沒有一家獨大的情況出現，因此還在處於競爭的階段。
3. iBuying 介紹
搬家繁瑣程序
概念：賣一個房子、搬家需要許多步驟，iBuying就是想要簡化這些繁瑣的事務，幫助消費者變得更加便利。
- 搬家很繁瑣
- 以往需要先賣房子，才能取得足夠的錢買房子
- 房地產科技公司根據此痛點去先買入你的房子，讓搬家變得容易
- 為什麼房地產科技公司想要這麼做？
- 整合服務
- 得到房子(Content)
- 直接接觸 112 Billion(先前提到的 7% 交易成本)
四、房地產AI 應用 (AI @ PropTech)
Robert主要接觸過的專案應用如下：
- 房價估值 Home Valuation
- Home Price Prediction (AVM, Automated Valuation Model)
- Compass AI Adjustment - 買賣家預測 Lead Prediction
- Compass likely to sell score
- Digital marketing - 電腦視覺 Computer Vision
- Compass Lens
- Listing Videos Generation
- AVM — Automated Valuation Model
AVM
- 這不是一個新興的概念，銀行過往就以此概念去房屋貸款估價。
- Zillow 是第一個去呈現給消費者，使得消費者可以得到一個參考價格。
- 資料有許多噪音
- MLS / public data，都有許多統整上的問題。
- Neighborhood data，因為區域性關係，會面臨許多挑戰，如某些特定區域房屋升值。
- Economic data，經濟變數的考量也是一大重點。 - 沒有足夠的訓練資料
- 一年只有550萬的交易資料，美國鄉鎮差異大(Hyper local)，分散下去其實資料量不太足夠，延長取得label data卻會產生新的問題，如該地區近年來升值等。 - 目前主要使用模型(回歸)
- 隨機森林
- 梯度提升樹
目前都是用這類型的ensemble model去建立。 - 可以將Listing Price 作為一個變數嗎？
- AVM for seller
- AVM for buyer
買家與賣家著重的點不同，對賣家來說，是要list多少的價格會賣得最好；而買家是已知AVM的listing price去出價來取得房屋，所以Listing Price可不可以做為一個變數是一個值得深思的問題。
2. Compass AI Adjustment
Compass AI Adjustment
- 房仲不喜歡AVM，因為：
- AVM 讓房仲難以解釋為什麼是此價格
- 房仲喜歡使用CMA (Competitive Market Analysis)去解釋價格 — — CMA 是指找出類似的房屋取其平均價格。但是在美國其實很少有非常相似的房子，因此不會是一個好的衡量方式，這也是為什麼需要用AVM去建立Model。
3. Compass Likely to Sell
Compass Likely to Sell & Data Training Timeline
概念：根據房屋以及屋主的狀況去預測未來可能賣的機率。
- 計算未來一年可能賣的機率
- 目前使用梯度提升樹來作為預測模型
- 其中使用到許多的房屋、鄰居、經濟以及屋主本身的特徵。
- 以上述Timeline為例，使用2018資料作為訓練，2019作為測試，使用2019作為測試，2020做推論、預測。
4. Digital Marketing
- 個人化的廣告推薦
- 根據個人喜好去作廣告內容的推薦，使得點擊率提升。 - ROI (Return of Investment) 的最佳化
- 根據該區域的房屋價值去 Bid 適合的價格。 - Dynamic Landing Page
- 根據使用者來源的不同(可能是買家 / 賣家)，給予不同的頁面呈現，其中使用Contextual — Bandit技術去實現。 - Automatic Video Generation
- Video對於使用者的吸引程度高於圖片，根據圖片、文字自動產生影片是很有效的廣告方法。
5. Compass Lens
- 根據AI技術去展示給消費者可能的房屋改造，讓以往只能憑空想像改造後的效果進行改善，例如: 找出相似的廚房，改造前後使得價格多賣了多少錢，供消費者參考。
- 其中使用到CNN Image Embedding的技術去搜尋相似的圖片。
6. Listing Video Generation
Listing Video Generation
- 在社群網路上，影音黏著度高於單純圖片呈現，但是一部影音的成本大約是400–600美金，以往只有高級的房屋會花錢去製作，Compass擁有所有自動製作影片的資料，也實踐了此技術。
- 其中使用到的技術：
- CV：圖片分類，找出圖片屬於哪一個類別。
- CV：物件辨識，找出圖片內各個不同的物件。
- NLP：內容分析，將Agents寫的敘述作分析。
- Matching：將NLP內容與圖片對應在一起，如廁所 — — 廁所圖片
- Image Selection：找出最有辦法呈現房屋特色的圖片
- Music Selection：找出最適合該房屋風格的音樂
五、Q&A 精選
Q1：感謝分享！ 資料分析在各產業的應用愈來愈普及，許多企業行號皆有意運用自身所握有的資料，身為應屆畢業，想投入資料分析的求職者，產業的選擇在資料分析領域是否重要 ? 還是在各產業資料的處理及運用有一定遵循的邏輯，未來跨產業轉職不會有太大問題?(例如先投身零售，但未來想在科技業)，不好意思問題與今日主題無關，想藉您的經驗～謝謝
- 資料科學領域有2種很不同的方向，第一種方向需要非常有經驗，也就是傳統的資料科學家/產品分析師，此方向須要有很多的經驗，因為需要足夠了解產業，知道什麼事情是重要與否；而第二種方向則是機器學習工程師，此類型需要比較強大的Coding技能，偏向真正去製作出產品，也是業界需求比較強烈的人才。
Q2：您好。想請問，就台灣的環境來說，房地產的資訊較不透明，難以輕易取得資訊，那在房地產科技領域，會不會是一種阻礙？或是您們是否看好台灣在房地產科技領域的發展？ 謝謝分享！
- 基本上沒有資料很難去做價值估價的部分，但像其他提到的房地產科技應用則是可以做的部分。如果法規沒有幫助，基本上是非常困難去實現的。
Q3：Robert 哥您好，我現在是名機器學習工程師，平常做比較多生物醫學影像相關的題目；未來想要將應用領域轉到更多商業邏輯上，最近找工作發現大家很看領域重疊性跟分析資料型態差異（Data／CV／NLP），看到您跨足資料分析跟影像領域，所以想請問如果未來要轉往更偏向資料科學家，有什麼方向是您覺得我可以去準備的，謝謝！
- 我的答案可能有點偏頗，我個人認為對於演算法的優劣要有所了解後，對於不同領域的學習曲線應該並不高。但是經驗上則是不可避免的部分，需要有機會去學習。
Q4：Robert哥您好，可否分享您待過的兩間PropTech公司Zillow 和 Compass 的公司文化差異和整個資料組織的架構是如何? (是集中的資料team 還是每個組都有資料科學家在協助)?
- 最大的差異是受眾不太一樣，Zillow 是一個消費者面向的公司，它想要服務的是一般的買家與賣家；Compass 是一個Digital Broker，主要是面向Agents(仲介)，使得Agents得到的服務更好，則買家與賣家也會相應得到更好的服務。也可以用B2B(Compass)與B2C(Zillow)的方向去解讀。
Q5：Hi！感謝分享！ 想請問，資料科學在不久的將來會不會像現在Microsoft 辦公軟體一樣普及，成為文職工作者必備工具？是的話應該掌握到什麼程度？
- 會！以往寫程式的門檻很高，現在則是有Python這樣平易近人的語言。像特徵工程十年後，搞不好會有工具可以讓你把資料餵進去，它就會自動找出方法幫你做出結果。當這些機器學習的工具都成熟後，可能機器學習技術的門檻會降低，但有一個東西不會降低，將產業知識、商業問題以及經驗的轉換。可能對於模型、演算法的掌握可以不用到那麼深入，但對於商業問題的轉換是機器沒辦法做到的，這是無法替代的部分。
Q6：請問美國的這些PropTech的公司 像是Zillow or Compass 對於海外/非美國市場 ( 像是 台灣 韓國🤫) 的拓展是什麼想法? 國家法律的不同是不是這類公司的大門檻? 非美國的PropTech產業發展如何? 謝謝
- 美國市場目前在PropTech市場上進度是最快的，但美國市場太大了，目前都還沒有殺出一個dominator，殺出之後應該就會向外擴展。舉例來說，中國有一個公司叫做 貝殼找房 ，三個月前在美國上市了，它們的估值為795億美元(2021/2)，他們大概有中國10%的市場佔有率，會有一些地方開始做類似的事情，但房地產一直都是一個進入門檻高的產業。因此，如果美國產生一個dominator，則會挾帶大量的資源與資金進入其他國家，則其他國家會迅速的被改變。
筆手：Aaron Yang
校稿：陳明愉（ Robert Chen）
👉 歡迎加入台灣資料科學社群，有豐富的新知分享以及最新活動資訊喔！
