#1 02-08-2023 19:13:58

Climax

Administrateur

Inscription: 30-08-2008

Messages: 6 456

Pourquoi Zillow iBuying a échoué (Offres Zillow)

Zillow, la célèbre place de marché immobilière en ligne, a tenté de s'aventurer dans le secteur de l'"iBuying" avec un modèle d'évaluation automatisé (AVM) conçu pour acheter des maisons qu'elle considérait comme sous-évaluées.

À l'aide d'un solide ensemble de données recueillies au fil du temps et d'une approche fondée sur l'intelligence artificielle, l'entreprise a cherché à créer un modèle d'achat immobilier robuste (officiellement appelé "Offres Zillow").

Malheureusement, cette entreprise ambitieuse s'est soldée par un échec retentissant.

Ce cas est un exemple frappant de la façon dont même une entreprise riche en données peut mal utiliser l'intelligence artificielle, ce qui peut avoir des conséquences néfastes.

Nous allons expliquer les différents aspects de l'échec de Zillow iBuying.

Principaux enseignements

➡️ La tentative ambitieuse de Zillow d'utiliser une approche basée sur l'IA pour le "iBuying" (Offres Zillow) a échoué en partie à cause de la mauvaise compréhension par l'IA des cycles macroéconomiques, un aspect essentiel de l'investissement immobilier.

➡️ Le modèle d'IA n'était pas en mesure de tenir compte des facteurs locaux et des problèmes cachés liés aux biens immobiliers, ce qui a entraîné un surpaiement des biens et des pertes financières pour Zillow.

➡️ L'échec de Zillow est un exemple édifiant des dangers d'une mauvaise application de l'IA dans des domaines complexes tels que l'immobilier, soulignant l'importance d'une compréhension plus approfondie des relations de cause à effet et des nuances sectorielles lors de l'utilisation des technologies de l'IA.

La technique de l'IA : Ambitieuse, mais inadéquate

Zillow a déployé une technique d'IA pour alimenter son programme iBuying, en se concentrant principalement sur l'identification et l'achat de maisons sous-évaluées.

Le processus fonctionne essentiellement de la manière suivante :

1. Évaluation en ligne : Les propriétaires ont saisi les détails de leur maison sur le site web de Zillow. Il s'agit de l'adresse et de toute information pertinente sur l'état, les améliorations et les caractéristiques de la maison. Zillow a ensuite utilisé ces informations ainsi que sa vaste base de données sur les ventes comparables et les données immobilières pour faire une première offre.

2. Évaluation basée sur un algorithme : L'offre de Zillow était principalement basée sur un modèle d'évaluation automatisé. Ce modèle utilise un algorithme qui prend en compte des centaines de points de données, notamment les ventes récentes de maisons similaires dans la même zone, les tendances du marché, les caractéristiques de la propriété, etc. Naturellement, il était largement basé sur la régression, prenant divers points de données et y adaptant une évaluation.

3. Examen humain et inspection : Si le propriétaire décide de donner suite à l'offre initiale, Zillow envoie alors un entrepreneur indépendant ou un employé de Zillow pour effectuer une inspection de la maison. Cet inspecteur évalue l'état de la maison, vérifie si des réparations sont nécessaires et confirme les détails de la maison. L'offre initiale est ajustée en fonction des résultats de l'inspection.

4. Offre finale : Après l'inspection du logement, Zillow finalise son offre. Il s'agit notamment de prendre en compte les réparations nécessaires et d'ajuster l'offre en fonction de ces coûts. Si le propriétaire accepte cette offre finale, il peut alors procéder à la vente aux offres de Zillow.

L'algorithme utilisé était excellent pour repérer les tendances et s'adapter aux changements de saisonnalité.

Cependant, l'une des failles fatales de leur système était l'incapacité de l'IA à comprendre et à réagir aux cycles macroéconomiques, un aspect important de l'investissement immobilier.

Bien qu'un élément humain ait travaillé pour Zillow par le biais de l'inspection, il s'agissait toujours du modèle d'évaluation automatisé de Zillow en concurrence avec des participants humains sur un marché contradictoire.

Négliger l'impact des cycles macroéconomiques

Les marchés immobiliers sont fortement influencés par les cycles macroéconomiques.

Ces cycles, qui reflètent le climat économique général, peuvent avoir un impact significatif sur la valeur des biens immobiliers.

Pourtant, le modèle d'IA de Zillow ne tenait pas compte de ces facteurs généraux du marché.

L'omission de ce facteur critique a constitué un oubli important dans le modèle de Zillow, reflétant les problèmes posés par des méthodes statistiques trop simplistes dans l'évaluation d'un marché.

Limites pratiques de l'approche de l'IA

L'approche du marché par Zillow était, par essence, presque purement statistique, manquant d'un moteur de raisonnement pour interpréter et répondre aux nuances du marché.

Lorsqu'il était mis en pratique, l'algorithme était systématiquement sous-performant.

Dans le contexte d'un marché contradictoire, le système d'IA a souvent surpayé des biens parce qu'il ne disposait pas des informations dont disposaient les autres acteurs du marché.

Ce manque de connaissances est devenu le talon d'Achille de Zillow, qui s'est retrouvé du côté perdant des transactions et a surpayé des biens.

Un marché antagoniste : Un défi majeur

L'aspect contradictoire des marchés immobiliers constitue un défi de taille pour le modèle d'IA.

Chaque fois que Zillow réussissait un achat, cela signifiait souvent que d'autres investisseurs n'avaient pas acheté le bien en question, peut-être en raison de problèmes que le robot statistique ne pouvait tout simplement pas identifier.

Sans une compréhension plus nuancée des caractéristiques uniques de chaque bien et des problèmes potentiels, l'IA de Zillow était fortement désavantagée.

Exemple d'application

Si une maison possède une piscine, on ne sait pas quelle valeur l'IA de Zillow lui attribuerait, le cas échéant.

En revanche, pour un acheteur humain, il peut y avoir de grandes différences.

Certains peuvent lui accorder beaucoup de valeur.

D'autres ne l'apprécient pas du tout pour diverses raisons, telles que

• le coût de l'entretien et l'augmentation des frais d'exploitation du bien

• l'assurance et la responsabilité

• l'attrait limité pour de nombreux acheteurs (par exemple, un risque pour la sécurité, un luxe inutile ou une responsabilité non désirée)

• les préférences personnelles (le style, la taille, la forme, la profondeur ou l'emplacement de la piscine peuvent ne pas correspondre aux préférences de chaque acheteur potentiel - par exemple, un acheteur peut vouloir une piscine plus profonde pour plonger, une piscine plus longue pour faire des longueurs, ou un style ou un emplacement différent pour des raisons esthétiques)

• les conditions climatiques influent sur l'utilisation de la piscine

• l'utilisation de l'espace (certains acheteurs potentiels peuvent préférer utiliser l'espace occupé par une piscine d'une autre manière, par exemple en aménageant le terrain, en jardinant ou en ajoutant d'autres équipements extérieurs).

Si une piscine peut être un élément attrayant pour certains acheteurs, elle n'augmente pas toujours la valeur globale d'une maison.

Au contraire, elle peut compliquer le processus de vente en limitant le nombre d'acheteurs potentiels, en augmentant les coûts d'entretien et d'assurance et en exigeant le respect de conditions et de préférences spécifiques, ce qui risque de dévaloriser la propriété.

La valeur que les humains attribuent à ces caractéristiques peut être très large, de manière positive ou négative.

Un programme d'IA n'est généralement pas assez sophistiqué pour évaluer avec précision toutes les nuances d'une telle caractéristique, sans parler de tout ce qui entre dans la composition d'une maison.

Conséquences d'une mauvaise application de l'IA

L'échec de iBuying de Zillow souligne les dangers d'une mauvaise application de l'IA, en particulier dans des domaines complexes comme l'immobilier.

Même avec une grande quantité de données, l'absence d'un moteur de raisonnement permettant de comprendre les relations de cause à effet a conduit à des erreurs importantes.

L'approche de Zillow était trop simpliste pour la tâche à accomplir, ce qui a entraîné des pertes considérables (plus d'un milliard de dollars en quelques années) et, en fin de compte, l'échec de l'entreprise Zillow Offers.

La voie à suivre : Comprendre les liens de cause à effet

L'échec du programme iBuying de Zillow démontre l'importance d'une compréhension plus profonde et plus nuancée des liens de cause à effet dans l'investissement immobilier.

Toute approche réussie doit tenir compte de facteurs complexes tels que le cycle macroéconomique et les questions spécifiques aux biens immobiliers qui peuvent influencer de manière significative la valeur des biens.

Ce n'est qu'à cette condition que l'IA peut être utilisée de manière appropriée dans le cadre de l'achat d'une maison.

Cette leçon tirée de l'expérience de Zillow est un rappel pour les autres entreprises qui cherchent à tirer parti de l'IA dans des secteurs complexes, y compris sur les marchés traditionnels des actions, des titres à revenu fixe, des matières premières, des devises et des taux d'intérêt.

FAQ - Pourquoi le programme iBuying de Zillow a-t-il échoué ?

Qu'est-ce que le programme iBuying de Zillow et pourquoi a-t-il échoué ?

Le programme iBuying de Zillow, officiellement connu sous le nom de Zillow Offers, était une initiative de Zillow visant à acheter et à vendre des logements directement.

L'idée était d'utiliser un algorithme basé sur l'intelligence artificielle pour identifier les logements sous-évalués, les acheter et les revendre avec un bénéfice.

Cependant, ce programme a finalement échoué pour plusieurs raisons.

Le système d'IA de Zillow a été formé à partir d'une quantité massive de données sur le logement, mais ces données étaient à court terme et tournées vers le passé.

Cela signifie que l'IA pouvait prédire avec précision certaines tendances et saisonnalités, mais qu'elle ne tenait pas compte du cycle macroéconomique plus large qui est vital pour les marchés immobiliers et qu'elle ne comprenait pas les nuances spécifiques des propriétés dans sa base de données.

En outre, le marché de l'immobilier est de nature conflictuelle.

Lorsque l'IA de Zillow achète un bien immobilier, elle finit par le surpayer en moyenne parce qu'elle ne tient pas compte des facteurs cachés que les autres acteurs du marché connaissent (c'est-à-dire "cachés" pour un modèle d'évaluation automatisé).

Il peut s'agir de plans d'aménagement du quartier ou de problèmes liés à la maison qui ne ressortent pas des données auxquelles Zillow a accès.

Ce manque de connaissances a conduit l'IA à surévaluer les biens immobiliers et Zillow à enregistrer des pertes.

Pourquoi le modèle d'IA de Zillow ne pouvait-il pas tenir compte du cycle macroéconomique général ?

Le modèle d'IA de Zillow était fondamentalement limité parce qu'il était essentiellement statistique et qu'il n'avait pas une compréhension plus approfondie de ce qu'il faisait.

Il était capable d'analyser les tendances passées et de prédire les tendances futures sur la base de ces tendances.

Toutefois, le modèle ne disposait pas d'un mécanisme permettant de comprendre certains des liens de cause à effet plus larges qui sous-tendent le marché de l'immobilier.

Le cycle macroéconomique général, qui comprend des facteurs tels que l'inflation, les taux d'intérêt et la croissance économique, est essentiel pour les prix de l'immobilier.

Le modèle de Zillow, tourné vers le passé et le court terme, n'était pas équipé pour prendre en compte ces facteurs dans son processus décisionnel, ce qui a entraîné des erreurs d'évaluation coûteuses.

Pourquoi le système d'IA de Zillow n'a-t-il pas été en mesure de comprendre les facteurs locaux qui influencent les prix de l'immobilier ?

Le système d'IA de Zillow était "naïf" en ce sens qu'il ne pouvait connaître et analyser que les données qui lui étaient fournies.

Ces données étaient en grande partie génériques et n'incluaient pas les facteurs plus nuancés qui jouent souvent un rôle important dans l'évaluation des biens immobiliers.

Les acteurs du marché qui ont une connaissance locale connaissent souvent ces facteurs et peuvent les utiliser à leur avantage.

Ces informations peuvent aller de la connaissance des projets d'aménagement d'un quartier aux vices cachés d'un bien immobilier.

Lorsque Zillow remporte une vente aux enchères, c'est souvent pour une raison précise.

La nature contradictoire du marché signifiait que ces autres participants étaient souvent en mesure de surpasser tout bot automatisé contre lequel ils étaient en concurrence, ce qui entraînait des achats de propriétés surévaluées et des pertes financières subséquentes pour Zillow.

Est-il possible qu'un système d'IA réussisse à acheter et à vendre des maisons ?

Si le programme iBuying de Zillow a échoué, cela ne signifie pas qu'une approche fondée sur l'IA ne peut pas réussir à acheter et à vendre des logements.

L'important est d'utiliser l'IA de manière appropriée et de comprendre ses limites.

Un système d'IA performant devrait intégrer une compréhension plus approfondie des liens de cause à effet sur le marché de l'immobilier.

Cela pourrait signifier l'utilisation de techniques d'IA plus avancées, telles que l'inférence causale, pour aider à comprendre le cycle macroéconomique plus large et les facteurs du marché local.

Un tel système devrait également intégrer les connaissances locales dans son processus de prise de décision, ce qui pourrait impliquer des partenariats avec des experts locaux ou une collecte et une analyse plus poussées des données.

Il s'agit d'une tâche plus complexe, mais pas impossible.

Cependant, toute organisation qui s'y attelle doit être consciente des complexités et des pièges potentiels liés à l'utilisation de l'IA de cette manière.

L'échec du programme iBuying de Zillow met en évidence les risques potentiels d'une mauvaise application de l'IA, même en présence d'une abondance de données.

Et pour ceux qui utilisent simplement Zillow pour vérifier le Zestimate de leur maison, il faut également se méfier de la confiance aveugle qu'ils lui accordent (un résultat relativement naïf, basé sur la régression). Il y a beaucoup d'informations qu'il ne connaît tout simplement pas.

Conclusion

Alors que le programme iBuying de Zillow visait à révolutionner l'investissement immobilier grâce à l'IA, l'entreprise a finalement échoué en raison d'une incompréhension fondamentale des complexités du secteur.

L'absence d'une perspective macroéconomique et d'un moteur de raisonnement permettant de comprendre les problèmes spécifiques des biens immobiliers a mis en évidence les limites d'une approche purement fondée sur les données.

L'expérience fournit une leçon essentielle pour d'autres entreprises dans d'autres domaines financiers et au-delà - l'application réussie de l'IA nécessite une compréhension approfondie de l'industrie, de l'environnement macroéconomique et des nuances spécifiques du phénomène étudié.

---

Le trading de CFD implique un risque de perte significatif, il ne convient donc pas à tous les investisseurs. 70 à 80% des comptes d'investisseurs particuliers perdent de l'argent en négociant des CFD.