Ketepatan Keuntungan; Satu Juta Bucks Kata Mereka Boleh Lebih Baik
Cara Agar Mengubah Penolakan menjadi Pembelian | Edukasi Bisnis Online
Isi kandungan:
- Adakah Zestimates tepat?
- Bagaimanakah kerja Zestimates?
- Mengajar mesin pembelajaran
- Zestimates tidak dinilai
- Bagaimana untuk membuat Zestimate rumah anda lebih tepat
- Apa yang akan datang?
- Ambil langkah pertama untuk membeli rumah
- Letak Ketepatan Zillow Zestimates 'untuk ujian
- Belajarlah berapa banyak yang anda boleh bergantung pada anggaran nilai rumah dalam talian
The Zestimate, algoritma anggaran nilai rumah Zillow, adalah kontroversi. Orang suka apabila Zestimate rumah mereka lebih tinggi dari yang dijangkakan dan menolaknya apabila nilai itu berkurangan. Tetapi model penilaian automatik tidak akan hilang. Malah, Zestimates dan AVM lain semakin pintar dan lebih tepat apabila pembelajaran mesin bertambah baik.
Anda mempunyai lebih banyak kawalan daripada yang anda fikirkan ketepatan Zillow. Dan sekarang Zillow bertaruh satu juta dolar sehingga manusia boleh membuat mesin lebih pintar.
Adakah Zestimates tepat?
Apabila Zillow melancarkan ciri itu pada 2006, ia mempunyai kadar ralat sebanyak 14%. Apabila Investmentmatome menyemak terakhir Zestimates dua tahun yang lalu, mereka mempunyai kadar ralat median kebangsaan sebanyak 8%.
Hari ini, Zillow berkata margin kesilapan adalah 4.3% di seluruh negara. Ini bermakna separuh daripada Zestimates berada dalam 4.3% daripada harga jualan akhir, dan separuh berada pada lebih daripada 4.3%.
Jadi mesin itu belajar.
»LEBIH: Anggarkan nilai rumah anda
Bagaimanakah kerja Zestimates?
Zestimates dikira menggunakan persamaan matematik berdasarkan maklumat yang tersedia secara umum, termasuk rekod daerah jualan dan penilaian masa lalu - bahkan rakaman persegi rumah. Zillow berkata "berjuta-juta mata data" terdapat dalam sos rahsia, termasuk "rangkaian jalan dan persekitaran kejiranan, seperti pemandangan, taman dan kemudahan lain."
Dan Zillow baru-baru ini memindahkan semua data ini ke dalam awan, supaya ia dapat melaksanakan penambahbaikan dengan lebih cepat dan menghitung Zestimates "dalam hampir waktu sebenar."
Mengajar mesin pembelajaran
Zestimates jauh lebih tepat daripada ramalan cuaca esok. Lupakan meramalkan hujan; ahli meteorologi mendapatkan suhu tinggi pada hari berikutnya yang salah 20% daripada masa. Jadi kadar ralat 4% kelihatan cukup baik berbanding.
Zillow telah meletakkan satu juta dolar untuk memberi inspirasi kepada 'minda saintifik yang paling terang untuk memperbaiki Zestimate.'
Namun, Zillow telah meletakkan satu juta dolar untuk memberi inspirasi kepada "minda saintifik yang cemerlang untuk memperbaiki Zestimate." Persaingan yang bermula pada bulan Mei dan baru-baru ini menutup pusingan kelayakan awal, telah menarik lebih daripada 76,000 penyertaan daripada 4,350 peserta di 78 negara. Ini salah satu daripada kontes pembelajaran mesin yang paling popular yang pernah ada, menurut Kaggle, platform dalam talian menganjurkan pertandingan.
Pasukan yang menang harus mengembangkan algoritma yang mengatasi ketepatan Zillow saat ini tetapi juga memiliki tingkat kesalahan lebih rendah dari formula pesaing lain.
Peraduan ini berterusan menjelang awal tahun 2019.
Zestimates tidak dinilai
Tidak kira bagaimana model penilaian automatik pintar berkembang, mereka tidak dinilai. Mereka tidak boleh berjalan melalui rumah anda, memandu melalui kejiranan atau melihat peningkatan yang telah anda buat.
Dan kerana adanya data - atau kekurangannya - Ketepatan AVM berbeza mengikut geografi. Zillow menyatakan dengan jelas di laman webnya.
"Di sesetengah kawasan, kami mungkin tidak dapat menghasilkan Zestimate sama sekali," kata Zillow mengenai halaman "Sebenarnya Zestful Zillow?". Kadar kesilapan median kebangsaan adalah 4.3%, tetapi ia berkisar dari dalam negeri dari terendah 2.8% di Washington, D.C., tinggi 9% di Dallas-Fort Worth. Zestimates adalah flat-out tidak tersedia di Houston dan St. Louis, antara bandar-bandar lain. Sebenarnya, banyak daerah di beberapa negeri tidak mempunyai data awam yang diperlukan untuk merumuskan Zestimate.
AVMs paling tepat di kawasan kejiranan di mana rumahnya adalah serupa. Komuniti yang dirancang secara induk lebih mudah bagi Zestimates untuk nilai kerana mereka mempunyai struktur, kos dan penambahbaikan yang sama, kata Antonio Gonzales, seorang pelabur hartanah dan broker di San Diego. Selalunya terdapat sedikit variasi dalam pandangan dan kemudahan, jadi nilai lebih konsisten.
Sifat-sifat pantai dan peralihan perumahan boleh menjadi lebih sukar bagi AVM untuk menghargai.
"Terdapat kawasan-kawasan tertentu di mana, kerana daerah sekolah atau hanya pembangunan masyarakat, anda boleh pergi beberapa blok dan anda melihat perubahan drastik dalam harga rumah," kata Gonzales. "Terutama di kawasan yang gentrified."
»LEBIH: Bagaimana untuk mengukuhkan nilai penilaian rumah anda
Bagaimana untuk membuat Zestimate rumah anda lebih tepat
Pasangan di Illinois sangat tidak berpuas hati dengan Zestimates mereka bahawa mereka mencadangkan gugatan tindakan kelas terhadap Zillow Group. Mereka cuba menjual dua hartanah dan Zestimates untuk kedua-duanya adalah jauh di bawah harga penyenaraian mereka. Hakim menolak kes itu pada bulan Ogos 2017, menerima tuntutan Zillow bahawa Zestimates hanya "titik awal dalam menentukan nilai rumah," menurut laporan akhbar.
Perkara itu, anda boleh "menuntut rumah anda" di Zillow dan membetulkan kesilapan fakta. Sekiranya Zestimate didasarkan pada rakaman persegi yang salah, atau bilangan bilik tidur atau bilik mandi yang salah, anda boleh membetulkannya - dan pembetulan mungkin meningkatkan Zestimate anda. Dan mungkin tidak. Mungkin sememangnya patut dicuba.
Apa yang akan datang?
