Data & Decision Science Loft: nosso ecossistema de algoritmos
Na Loft, acreditamos que o mercado imobiliário está quebrado e precisa ser reinventado com tecnologia e dados. Queremos mudar a forma como as pessoas consomem moradia, com o foco em melhorar a experiência de pessoas compradoras e vendedoras, atingindo a visão de Freedom Living.
Nesse contexto, nosso time de ciência de dados (Data & Decision Science) tem a missão de transformar nossos dados em algoritmos que suportem nossos produtos e tomada de decisão em prol desta visão. Somos responsáveis pela geração de resultados de negócio e protagonistas nessa jornada: tornar o mercado imobiliário mais líquido, com menos assimetria de informação, conectando pessoas vendedoras e compradoras por meio da tecnologia.
Com o tempo nossos projetos evoluíram, e conseguimos montar melhor nosso quebra-cabeça de tomada de decisão em um processo orgânico que deu origem ao que apelidamos de nosso “ecossistema” de algoritmos, que continua evoluindo. Vamos mostrá-lo nesse post.
Nosso ecossistema de algoritmos
O mercado imobiliário tem diversas complexidades. Nele, são realizadas as maiores transações das vidas das pessoas, geralmente relacionadas a sonhos ou grandes mudanças. Clientes sofrem com pouca transparência de preços, dificuldade de achar um novo lar por conta de silos de informação e dificuldade de vender o lar atual por falta de visibilidade do mercado.
Nesse cenário, investimos fortemente em dados para resolver esses problemas, possibilitando construir confiança entre agentes do mercado. Construindo essa confiança, transformamos nosso marketplace em um motor de liquidez, ajudando pessoas compradoras a encontrar rápido seu apartamento dos sonhos, e pessoas vendedoras a obter propostas rapidamente. Suportando essa máquina temos uma série de modelos e políticas de tomada de decisão, formando nosso ecossistema de algoritmos.
Para trazer uma ajuda visual ao artigo, montamos a seguinte apresentação com diagramas do nosso ecossistema. Fique a vontade para usar como material de suporte. Vamos lá!
Estruturando o histórico de transações imobiliárias
Em países onde temos alta liquidez de imóveis e baixa dispersão de preços geralmente encontramos um sistema centralizado de anúncios e transações de imóveis. Nos Estados Unidos, esse sistema se chama MLS (Multiple Listings System). No Brasil, esses dados se encontravam em silos, nos cartórios. Trabalhamos intensamente com as associações de registradores de imóveis para mudar esse cenário, fazendo bons avanços.
Dessa forma, a primeira etapa da nossa máquina envolve catalogar as informações dos imóveis contidas em uma certidão chamada matrícula. Isso envolve digitalizar a matrícula, converter a imagem digitalizada para texto e aplicar algoritmos de NLP para encontrar as informações de interesse (entidades) nesse texto. Ao final do processo, teremos uma base de transações centralizada e estruturada.
Definindo uma referência de preços
Uma vez em posse de uma base de transações confiável, podemos utilizá-la para construir modelos de valoração de imóveis ou, na sigla em inglês, AVMs (Automated Valuation Models), em conjunto com outras fontes de dados como anúncios no mercado, transações no nosso próprio marketplace e a nossa feature store de imóveis (com informações de localização, condomínios, estado de conservação do apartamento e muitas outras).
Esses modelos entregam uma referência de preços de mercado, um ponto de partida para clientes determinarem o preço de anúncio dos seus imóveis, a depender da necessidade de rapidez na venda desses ativos. Além disso, essa referência de preços é consumida por diversos outros times na Loft, para ajudar na experiência de clientes em diversos outros pontos de contato. Esse é o primeiro passo para diminuirmos a assimetria de informação entre participantes do mercado, aumentar liquidez, e estabilizar preços (que atualmente são muito voláteis).
Operando fundos imobiliários
Com nossas referências de preço disponíveis, nosso ecossistema se torna mais diverso do ponto de vista de aplicações. O primeiro negócio que a Loft operou foi o de iBuyer (instant Buyer), que consiste em comprar, reformar e vender apartamentos, onde assumimos risco investindo em apartamentos de pessoas vendedoras que querem liquidez rápida e reformamos para pessoas compradoras que querem um apartamento pronto para morar.
Nesse processo, a Loft se torna proprietária dos imóveis até eles serem vendidos, financiando a compra deles por meio de fundos imobiliários, que atualmente têm centenas de ativos na carteira. Uma parte significativa do capital desses fundos foi fornecida por pessoas que decidiram investir seu patrimônio na visão da Loft e esperam retornos compatíveis aos riscos que elas assumiram.
Além do risco de variações de preço de mercado, o principal fator de risco para nossos ativos imobiliários é a liquidez (tempo até vender o imóvel). Dessa forma, investimos bastante energia na construção de modelos de liquidez imobiliária. Os modelos entregam estimativas de tempo até venda dos imóveis no portfolio, permitindo calcular o risco (e retorno esperado) desses ativos.
Mais especificamente, as métricas de risco e retorno dos ativos são derivadas de um simulador que calcula os custos de carregamento e as receitas associadas de cada apartamento. Com isso podemos escolher bons investimentos (inclusive diversificando o portfolio!), visando bons retornos para clientes dos nossos fundos e propostas justas para clientes do iBuyer.
Monitorando a saúde do nosso marketplace
Melhorar o motor de liquidez do iBuyer resolve somente uma parte do desafio de portfolio. Temos também a gestão de todos os outros apartamentos que estão listados na plataforma e não são de nossa propriedade, representando a maioria dos anúncios no marketplace.
Esses apartamentos pertencem a clientes que confiaram na Loft para conseguir boas propostas rápido. Do outro lado, pessoas compradoras querem encontrar o apartamento dos sonhos rápido e fazer bons negócios. Em qualquer marketplace, essas forças (de oferta e demanda) se equilibram e na Loft não é diferente. Contudo, dado o alto ticket médio e baixo giro do mercado imobiliário, precisamos garantir que o mercado tem a capacidade de se equilibrar sozinho e muitas vezes dar alguns empurrões para que ele se mantenha saudável.
Nesse cenário, antes de tudo, precisamos ter boas unidades de monitoramento: saber quais “produtos” existem na nossa vitrine, quais estão em falta e quais temos que trabalhar mais na sua divulgação. Portanto, começamos construindo um modelo de clusterização de apartamentos, que usa informações de demanda na plataforma Loft e outros registros para definir quais apartamentos são similares do ponto de vista da demanda.
Uma vez com o modelo de clusterização, podemos fazer o monitoramento da saúde do marketplace em diferentes clusters. Quando notamos desequilíbrio na plataforma tentamos acionar alavancas visando retornar a níveis saudáveis.
Além disso, a partir do modelo de clusterização conseguimos obter um serviço para determinar, dado um apartamento, quais são seus comparáveis, atuando como um ponto de partida para recomendação no site.
Transmitindo a voz da pessoa compradora através de dados
No cálculo de equilíbrio do marketplace, temos relativamente nítida nossa métrica de oferta, o número de apartamentos na vitrine. Contudo, a métrica de demanda é menos trivial. Para isso, temos um time dedicado a entender a demanda, transmitindo a voz de pessoas compradoras através de dados.
Usando informações de navegação na plataforma, construímos algoritmos de previsão de demanda, indicando o engajamento esperado de pessoas compradoras na nossa vitrine e fechando a lacuna no cálculo de equilíbrio no marketplace.
Além de ajudar no fornecimento da informação de demanda esperada, o modelo de previsão de demanda serve de fonte de dados para modelos de recomendação no site, junto com o serviço de comparáveis derivado do modelo de clusterização. Assim ajudamos clientes na busca dos seus apartamentos dos sonhos.
Por fim, nossa última alavanca (ativa) de demanda é mídia de performance (propaganda em redes sociais e outros sites). Dada a complexidade do problema, começamos construindo uma plataforma de experimentação (o MASP!) para validar hipóteses de melhorias nas nossas campanhas e diminuir nosso CAC (custo de aquisição de clientes).
Contudo, não enxergamos CAC como algo necessariamente ruim, mas como um investimento que precisa ser utilizado de forma inteligente, como uma alavanca de demanda em prol de clientes do marketplace. Assim, fechamos o ciclo de oferta e demanda na Loft.
Ajudando a pessoa vendedora a alavancar a liquidez do seu imóvel
Fechamos nosso ecossistema de algoritmos com um produto de dados responsável por expor inteligência para ajudar anunciantes no nosso site, baseado em algoritmos construídos para entregar recomendações para alavancar a liquidez dos seus imóveis.
Nesta missão, logo encaramos nosso primeiro desafio. Tínhamos a hipótese de que uma das principais alavancas para o sucesso de um anúncio é a qualidade das fotos do imóvel, sendo isso uma das principais formas de capturar a atenção de pessoas compradoras. Portanto, precisávamos caracterizar as imagens no nosso site de forma precisa e escalável.
Assim nasceram nossos modelos de "tagueamento" de imagens. Usando dados rotulados por Lofters, construímos modelos que conseguem caracterizar as imagens dos apartamentos (em termos de qualidade, ângulo, e outros), insumo que passou a ser importante para diversos times na Loft.
Com os dados de caracterização das imagens e diversas outras fontes como clusterização, demanda e precificação, criamos um “perfil competitivo” do anúncio para sugerir melhorias visando alavancar a liquidez do apartamento.
Pensamentos finais
Esperamos que tenha gostado da leitura e que esse documento tenha ajudado você a conhecer mais um pouco sobre o time de Data & Decision Science na Loft. Ressaltamos a importância de criar as condições certas — alta intensidade de aprendizado, cultura de compartilhamento de conhecimento e foco em resultado de negócio — para o surgimento desse ecossistema, tema que vamos abordar mais em um próximo post.
Valeu!
Ficou com vontade de fazer parte da Loft?
Se inscreva nas nossas vagas! — https://jobs.lever.co/loft/
