Jeg har brugt det meste af min tid på brugte biler — 1,1 millioner annoncer, 73 regioner, den sædvanlige udskiftning af prisfald og genopslag. Så da ejendomsdata begyndte at lande i de samme dashboards, jeg bruger til biler, forventede jeg ikke, at det ville fange min opmærksomhed. Det gjorde det, af grunde der intet havde med planen at gøre.
Her er logbogen, nogenlunde i den rækkefølge jeg faktisk lagde mærke til tingene.
Dag ét: tallet der ikke rykker sig
Det første, jeg tjekker ved ethvert nyt feed, er totalen, for totaler lyver mindre end noget andet i denne branche. Ejendomsdata lå på 601.702 annoncer. Fint. Så delte jeg det op efter region, og tallet holdt op med at ligne en global udrulning og begyndte at ligne et enkeltlandsprojekt med en afrundingsfejl hæftet på: Japan alene stod for 588.644 af de annoncer. Det er 97,8% af alt i feedet.
Til sammenligning dækker vores bildata 73 regioner, hvor ingen enkelt region kommer over 6% af totalen (Frankrig, vores største, er 67.569 ud af 1,1 million — cirka 6,1%). Ejendomsdata kører med seksten gange den koncentration. Jeg vaklede lidt om, hvorvidt dette var en fejl i regions-tagningen, før jeg huskede, hvad der faktisk driver det: Japans egne ejendomsportaler lister et enormt volumen af akiya — de forladte eller nærmest forladte landejendomme, som regeringen har forsøgt at slippe af med i årevis, ofte til priser der får en brugt Corolla til at ligne et luksuskøb. Portalerne er grundige, maskinlæsbare og enorme. Det er de andres endnu ikke.
Dag to: på jagt efter de resterende 2,2%
Jeg ville vide, hvordan "de andre" så ud, så jeg trak de ikke-japanske regioner ud og stillede dem op ved siden af hinanden.
Egypten slår Tyskland med en næse, hvilket overraskede mig — jeg havde gættet på, at et stort, velbeskrevet marked som det tyske ville dominere en tilfældig stikprøve før Cairo. Sri Lanka holder også et stabilt firecifret tal. Så kommer der en klippekant: de fire mellemamerikanske lande — Guatemala, Nicaragua, Panama og El Salvador — ligger på 80, 80, 80 og 78.
Dag tre: tre identiske tal er aldrig en tilfældighed
Den klippekant var det, der faktisk fik mig til at stoppe op. Tre lande, der lander på præcis samme antal, er ikke et markedssignal — det er et fingeraftryk. Når Guatemala, Nicaragua og Panama alle viser nøjagtigt 80 annoncer, er det ikke tre økonomier, der tilfældigvis konvergerer mod samme lagerstørrelse — det er én upstream-kilde med et hårdt sidetag på 80, der fodrer alle tre på samme måde. El Salvadors 78 er beviset, der bekræfter det: tæt nok på til at være samme kilde, forskelligt nok til at bevise, at det ikke er en copy-paste-fejl i vores egen pipeline. Et sted findes der en regional ejendomsaggregator, der begrænser gratis resultatsider til cirka 80 annoncer pr. land, og indtil vi kommer uden om den — direkte fra kilden i stedet for via aggregatoren, eller ved at paginere forbi hvilken mur den end sætter op — vil de fire lande fremstå identisk små, uanset hvordan deres reelle markeder ser ud.
Det er den uglamourøse del af at opbygge et nyt datasæt ordentligt: de første tal, man får, er ikke markedet, de er formen på ens nuværende kilder. Jeg vil hellere finde ud af det i uge ét end publicere et "de mindste ejendomsmarkeder i Mellemamerika"-indlæg bygget på en scrapers sidebegrænsning.
Dag fire: det der faktisk overraskede mig
Ikke Japan-koncentrationen — den havde jeg halvvejs forventet på forhånd, i betragtning af hvor meget af vores eget ejendomssignal allerede kom fra japanske kilder på bilsiden af forretningen. Det, der overraskede mig, var hvor letlæseligt datakvalitetsproblemet var uden noget som helst specialværktøj. Man behøver ikke en statistisk baggrund for at få øje på tre 80-taller i træk. Man skal bare kigge på tallene i rækkefølge, hvilket er det meste af, hvad dette job faktisk går ud på.
Det satte også noget af vores bildata i nyt lys, som jeg var holdt op med at lægge mærke til, fordi jeg er vant til det: 73 regioner med reel spredning, ingen region over 6,1%, 1.375 uafhængige kilder der fodrer det — den fordeling er ikke den naturlige tilstand for et scrapet datasæt, det er otte år med bevidst at gå uden om lige præcis den slags aggregatormur, der lige viste sig på dag tre af ejendomsfeedet. Hver eneste af de 73 regioner startede med at ligne Guatemala.
Hvor det står nu
Ejendomsdata er ikke et produkt endnu — det er et signal, vi holder øje med, mens bilsiden fortsætter med at køre, én linje i en længere køreplan mod bredere ejendomsdækning. Men en uge med at se det fylde sig op var en fin påmindelse om den rækkefølge, tingene faktisk sker i: få feedet live, bliv mistænksom over for runde tal, find muren, og byg så en vej udenom. Japan vil holde op med at være 97,8% af dette feed på samme måde som Frankrig — ikke UAE eller Japan — endte øverst i vores biltal: ved at tilføje kilder, indtil ingen enkelt af dem kan dominere totalen ved et tilfælde.
