房產在這家公司裡一直是小老弟。汽車才是主業;房產是我們隨手戳出來的副產品,因為爬蟲基礎設施早就建好了,沒人能抵抗看看它還能挖出什麼的誘惑。這份房產資料絕大部分集中在一個國家——日本,規模大到讓其他地方看起來都像誤差值。但誤差值也有一萬三千多筆上下的房源,三週前我決定真正去讀這些資料,而不只是數它們。
9月15日。 從埃及、德國和斯里蘭卡抽取樣本——這是除日本之外,唯三有足夠筆數稱得上「市場」而非佔位符的地區。另外還有四個國家(瓜地馬拉、尼加拉瓜、巴拿馬、薩爾瓦多)也躺在資料裡,每個都恰好凍結在80筆房源,這本身是另一個故事,我這裡不重述——那是候補名單等級,不是運作中的市場,從擴張凍結以來就沒動過。這次我想要的是三個真正持續在爬取的市場。
第一印象是:埃及的房源讀起來像是一個國家、兩個房地產市場共用一張皮。開羅和亞歷山卓的公寓房源密集而講求交易性,卻和北海岸、紅海度假小屋混在同一條資料流裡——那些房源明顯是為第二居所買家定價,描述幾乎全繞著「距離海灘多遠」在轉。汽車資料裡完全沒有這種情況——一台二手現代不會因為停在哪個城市就有雙重身分。
9月19日。 德國是最讓我意外的一個,而且不是好的那種意外。我原本預期德國的房產房源會以出售為主——德國人眾所周知是租屋大國,沒錯,但我們爬取的來源偏向經紀商刊登的房源,我以為這代表是待售庫存。結果錯了。我們抓到的資料裡有相當一部分是Mietwohnung——出租公寓——以一種令人頭皮發麻的方式和出售房源混在一起;如果我們將來真要拿這份資料做一個德國房價模型,在任何人敢相信跑出來的數字之前,得先把這部分單獨過濾出來。目前這條原始資料流還分不清租賣,乾淨到讓我能放心說出任何「典型價格」。
9月24日。 斯里蘭卡花了更久才摸出手感,因為它的房源在人均意義上比埃及或德國的都更多元。可倫坡的公寓、山地的殖民時期平房、南部的海濱地塊——這是一個很小的資料集(4,006筆房源),卻覆蓋了一個依地區而房產型態天差地別的國家,在這個樣本量下,這種變異呈現出來的是雜訊而非訊號。那天我在筆記裡寫道:「這是我最不信任模型、最信任人的一個。」現在依然如此。
9月29日。 回頭檢查原始數字,用來核對我這三週的定性觀察是否站得住腳,因為三週的軼事很容易讓人說服自己一個其實不存在的故事。埃及:4,427。德國:4,230。斯里蘭卡:4,006。三者彼此接近到沒有哪一個是「真正的那個」、其他只是陪襯——它們大致打成平手,這一點光靠瀏覽並不明顯,因為埃及的房源感覺上明明更多。
把這張圖和「日本單獨就佔了我們總計601,702筆房產資料中的588,644筆」這個事實放在一起看,就能看出這個垂直領域目前的真實樣貌:一個巨大、成熟、我們真正在認真測量的市場;三個規模不大但確實真實、我們正開始理解的市場;還有四個佔位符,等著有人決定值不值得投入開發。這不是抱怨——汽車業務當年也經歷過完全一樣的漏斗,只是時間拉得更長,來源也多得多。
10月3日。 寫這篇之前的最後一筆記錄。我特地去找一件事:埃及、德國、斯里蘭卡的房源是否一致以當地貨幣計價,還是存在那種曾在汽車那邊咬過我們不止一次的貨幣標註亂象(我們之前就遇過來源悄悄用錯單位回報的情況,今年早些時候還因此在汽車資料上出過一個1000倍的解析錯誤)。簡短答案是:大致一致,但德國的出租房源偶爾會在一筆出售房源的總價旁邊附上一個月租數字,原始文字裡完全沒有任何東西能區分兩者,除了人類讀者能抓到、但解析器抓不到的上下文。這才是接下來真正要做的工程工作,不是新增一個國家。
| 市場 | 房源數 | 值得注意的地方 |
|---|---|---|
| 埃及 | 4,427 | 雙重身分:城市公寓 vs. 沿海第二居所 |
| 德國 | 4,230 | 租賣房源混在同一條資料流裡 |
| 斯里蘭卡 | 4,006 | 每筆房源的型態變異極高——從公寓到殖民平房到地塊都有 |
這些都還沒有準備好做成像我們阿聯酋汽車定價那樣的價格模型。但三週前,我根本不知道這三個國家是真實市場,還是恰好跨過筆數門檻的雜訊。現在我知道它們是真的,大致知道它們彼此在結構上有哪些分歧,也知道有一項修正——把德國資料流裡的租賣分開——是在這一切能變成瀏覽練習以上的東西之前,必須先做的事。日記這種東西多半就是這樣有用:不是用來找到答案,而是用來找出下一個值得問的問題。
