Většinu času jsem strávil u ojetých aut — 1,1 milionu inzerátů, 73 regionů, obvyklý koloběh slev a opakovaných zápisů. Když se tedy data o nemovitostech začala objevovat ve stejných dashboardech, které používám pro auta, nečekal jsem, že mě to zaujme. Zaujalo, a to z důvodů, které neměly s plánem nic společného.
Tady je záznam, zhruba v pořadí, v jakém jsem si věci skutečně všiml.
První den: číslo, které se nehýbe
První věc, kterou u každého nového zdroje kontroluji, je celkový počet, protože v tomhle byznysu lžou celková čísla nejméně ze všeho. Nemovitosti se zastavily na 601 702 inzerátech. Dobře. Pak jsem to rozdělil podle regionu a číslo přestalo vypadat jako globální rozjezd a začalo vypadat jako projekt jedné jediné země s přilepenou zaokrouhlovací chybou: samotné Japonsko tvořilo 588 644 z těchto inzerátů. To je 97,8 % ze všeho v datovém zdroji.
Pro srovnání, naše autodata pokrývají 73 regionů, přičemž žádný jednotlivý region nepřesahuje 6 % z celku (Francie, náš největší region, má 67 569 z 1,1 milionu — asi 6,1 %). Nemovitosti mají koncentraci šestnáctkrát vyšší. Chvíli jsem váhal, jestli nejde o chybu v nástroji na značení regionů, než jsem si vzpomněl, co za tím doopravdy stojí: japonské realitní portály samy o sobě uvádějí obrovské množství akiya — opuštěných nebo téměř opuštěných venkovských domů, kterých se vláda už léta snaží zbavit, často za ceny, díky nimž vypadá ojetá Corolla jako luxusní nákup. Tyto portály jsou důkladné, strojově čitelné a obrovské. Ostatní zatím nejsou.
Druhý den: hledání zbylých 2,2 %
Chtěl jsem vědět, jak vypadá "všichni ostatní", tak jsem vytáhl regiony mimo Japonsko a seřadil je vedle sebe.
Egypt těsně předběhl Německo, což mě překvapilo — čekal bych, že velký, dobře zdokumentovaný trh jako ten německý předběhne Káhiru už v náhodném vzorku. Srí Lanka se drží stabilně ve čtyřciferných číslech. Pak přichází propast: čtyři země Střední Ameriky — Guatemala, Nikaragua, Panama a Salvador — se drží na 80, 80, 80 a 78.
Třetí den: tři identická čísla nikdy nejsou náhoda
Právě tahle propast je to, co mě skutečně zarazilo. Tři země s naprosto stejným počtem nejsou tržní signál, jsou to otisky prstů. Když Guatemala, Nikaragua a Panama vykazují přesně 80 inzerátů, neznamená to, že se tři ekonomiky náhodou sešly na stejné velikosti nabídky — znamená to, že existuje jeden zdroj výše v řetězci s pevným limitem 80 na stránku, který napájí všechny tři stejným způsobem. Číslo 78 u Salvadoru je ten detail, který to potvrzuje: dost blízko na to, aby šlo o stejný zdroj, a dost odlišné na to, aby bylo jasné, že nejde o chybu kopírování v našem vlastním pipeline. Někde existuje regionální agregátor realit, který omezuje volně dostupné stránky výsledků na zhruba 80 inzerátů na zemi, a dokud ho neobejdeme — přímo ze zdroje místo přes agregátor, nebo stránkováním za zeď, kterou staví — budou tyto čtyři země vypadat stejně titěrně, bez ohledu na to, jak vypadají jejich skutečné trhy.
Tohle je ta neokázalá část poctivého budování jakékoli nové datové sady: první čísla, která dostanete, nejsou trh, jsou to obrysy vašich současných zdrojů. Raději na to přijdu v prvním týdnu, než abych publikoval článek "nejmenší realitní trhy Střední Ameriky" postavený na stránkovacím limitu scraperu.
Čtvrtý den: co mě skutečně překvapilo
Nebyla to koncentrace v Japonsku — tu jsem napůl čekal už předem, vzhledem k tomu, kolik našeho vlastního signálu o nemovitostech už pocházelo z japonských zdrojů na straně aut v našem byznysu. Překvapilo mě, jak čitelný byl problém s kvalitou dat bez jakéhokoli speciálního nástroje. Nepotřebujete statistické vzdělání, abyste postřehli tři osmdesátky za sebou. Stačí se dívat na čísla popořadě, což je vlastně většina toho, co tahle práce obnáší.
Také mi to připomnělo něco o našich autodatech, čeho jsem si přestal všímat, protože jsem si na to zvykl: 73 regionů s opravdovým rozptylem, žádný region nad 6,1 %, 1 375 nezávislých zdrojů, které je napájejí — tohle rozložení není přirozený stav sesbírané datové sady, je to osm let záměrného obcházení přesně toho typu agregátorové zdi, jaká se objevila třetí den u feedu nemovitostí. Každý z těch 73 regionů kdysi vypadal jako Guatemala.
Kde to teď stojí
Nemovitosti zatím nejsou produkt — jsou to signál, který sledujeme, zatímco strana aut běží dál, jedna položka v delší cestovní mapě směrem k širšímu pokrytí realit. Ale týden sledování, jak se to plní, byl slušnou připomínkou toho, v jakém pořadí operace skutečně probíhají: spustit feed, zpozornět u kulatých čísel, najít zeď a pak postavit cestu kolem ní. Japonsko přestane tvořit 97,8 % tohoto feedu stejným způsobem, jakým se Francie, ne SAE ani Japonsko, dostala na vrchol našich počtů aut — přidáváním zdrojů, dokud žádný jediný z nich nemůže náhodou ovládnout celek.
