Как “Умные алгоритмы” угробили “американский ЦИАН”
Маркетплейс недвижимости Zillow списал $500M убытков и сократил 2000 человек. Это яркий крах смелой стратегии “цифрового” подхода переделки традиционной отрасли, основанного на бигдате и умных алгоритмах. Почему так случилось?
Zillow с 2018 года сделали ставку на сервис home-flipping. Это быстрая покупка дома за кэш, быстрая реновация и редизайн и быстрая продажа. Вся скорость - благодаря умному анализу огромного накопленного количества данных по сделкам, включая анализ фотографий нейросетями. Шутка ли, Zillow заявлял, что разработал big data алгоритмы предсказания будущей цены дома с уровнем погрешности всего в 2%! Алгоритм точно предсказал цену после переделки, ты быстро купил, обработал, продал. Без оценщиков, агентов, длинных переговоров - кэш-машина! Инвесторы верили.
Конкуренты с самого начала говорили, что машинное обучение не может предсказывать столь сложные рыночные механизмы и нельзя на нём строить стратегию. На цены домов могут повлиять, мол, и факторы изменений вкусов покупателей, и общее движение рынка.
Так в итоге и случилось. Удалёнка изменила подходы американцев в выбору жилья, сменились вкусы. Все предсказания алгоритмов перестали срабатывать. Но всё существенно ухудшил ещё один фактор.
В разгар стратегии home-flipping компания стоила под $40 млрд. Кэша было много. В какой-то момент Zillow решили, что растут недостаточно быстро - конкуренты покупают больше домов. Это не понравится инвесторам. KPI на рост у топ-менеджмента стали пригорать! Мешала чёртовая биг-дата и команда аналитики - они отсекали слишком много домов для покупки и будущей продажи.
Тогда был принят “проект Кетчуп”. В системы предсказания вручную "накинули" дополнительные 7% той оценке, что выдавал алгоритм. Это сразу же развязало руки и позволило предлагать больше денег владельцам. И покупать дома быстрее.
Ну вы уже наверное догадались, что случилось дальше. Менеджеры выполнили свои KPI. Zillow купил в разы больше недвижимости, чем годом раньше.
И тут поменялся рынок, на ⅔ купленного жилья снизились цены. А страсть менеджеров к неуёмному росту оставила Zillow с целой прорвой лишней подешевевшей недвижимости. Рьяные менеджеры своими руками навесили дополнительную гирю, которой бы не было, слушай они свои предсказательные системы. Существенно большей, чем позволяли запасы и оценка риска.
Дальше - увольнения, падение стоимости, и СЕО, который всё... свалил на плохую big data!
Что познавательного в этой истории?
Это история фейла, в котором слишком много веры в точные машинные предсказания и старое-доброе рвение менеджмента, который вынуждают безгранично и слишком быстро расти.
1) Когда вы видите проект, успех которого так сильно завязан на machine learning и большие данные - скорее всего, вы имеете дело с очередной убедительной сказкой для инвесторов.
2) Любые алгоритмы и big data - способ улучшить и оптимизировать уже работающий процесс. То есть делать что-то немного лучше конкурента. Но никогда не метод обыграть рынок и сложившиеся правила.
3) Когда аналитика даёт неудобные выводы - менеджеры всегда найдут способ её “обыграть”, чтобы достичь своих целей и заработать бонус
Маркетплейс недвижимости Zillow списал $500M убытков и сократил 2000 человек. Это яркий крах смелой стратегии “цифрового” подхода переделки традиционной отрасли, основанного на бигдате и умных алгоритмах. Почему так случилось?
Zillow с 2018 года сделали ставку на сервис home-flipping. Это быстрая покупка дома за кэш, быстрая реновация и редизайн и быстрая продажа. Вся скорость - благодаря умному анализу огромного накопленного количества данных по сделкам, включая анализ фотографий нейросетями. Шутка ли, Zillow заявлял, что разработал big data алгоритмы предсказания будущей цены дома с уровнем погрешности всего в 2%! Алгоритм точно предсказал цену после переделки, ты быстро купил, обработал, продал. Без оценщиков, агентов, длинных переговоров - кэш-машина! Инвесторы верили.
Конкуренты с самого начала говорили, что машинное обучение не может предсказывать столь сложные рыночные механизмы и нельзя на нём строить стратегию. На цены домов могут повлиять, мол, и факторы изменений вкусов покупателей, и общее движение рынка.
Так в итоге и случилось. Удалёнка изменила подходы американцев в выбору жилья, сменились вкусы. Все предсказания алгоритмов перестали срабатывать. Но всё существенно ухудшил ещё один фактор.
В разгар стратегии home-flipping компания стоила под $40 млрд. Кэша было много. В какой-то момент Zillow решили, что растут недостаточно быстро - конкуренты покупают больше домов. Это не понравится инвесторам. KPI на рост у топ-менеджмента стали пригорать! Мешала чёртовая биг-дата и команда аналитики - они отсекали слишком много домов для покупки и будущей продажи.
Тогда был принят “проект Кетчуп”. В системы предсказания вручную "накинули" дополнительные 7% той оценке, что выдавал алгоритм. Это сразу же развязало руки и позволило предлагать больше денег владельцам. И покупать дома быстрее.
Ну вы уже наверное догадались, что случилось дальше. Менеджеры выполнили свои KPI. Zillow купил в разы больше недвижимости, чем годом раньше.
И тут поменялся рынок, на ⅔ купленного жилья снизились цены. А страсть менеджеров к неуёмному росту оставила Zillow с целой прорвой лишней подешевевшей недвижимости. Рьяные менеджеры своими руками навесили дополнительную гирю, которой бы не было, слушай они свои предсказательные системы. Существенно большей, чем позволяли запасы и оценка риска.
Дальше - увольнения, падение стоимости, и СЕО, который всё... свалил на плохую big data!
Что познавательного в этой истории?
Это история фейла, в котором слишком много веры в точные машинные предсказания и старое-доброе рвение менеджмента, который вынуждают безгранично и слишком быстро расти.
1) Когда вы видите проект, успех которого так сильно завязан на machine learning и большие данные - скорее всего, вы имеете дело с очередной убедительной сказкой для инвесторов.
2) Любые алгоритмы и big data - способ улучшить и оптимизировать уже работающий процесс. То есть делать что-то немного лучше конкурента. Но никогда не метод обыграть рынок и сложившиеся правила.
3) Когда аналитика даёт неудобные выводы - менеджеры всегда найдут способ её “обыграть”, чтобы достичь своих целей и заработать бонус