Sebagian besar waktu saya dihabiskan untuk mobil bekas — 1,1 juta listing, 73 wilayah, dengan dinamika biasa berupa penurunan harga dan listing ulang. Jadi ketika data properti mulai muncul di dashboard yang sama yang saya pakai untuk mobil, saya tidak menyangka itu akan menyita perhatian saya. Ternyata benar, dan alasannya sama sekali tidak ada hubungannya dengan rencana awal.
Berikut catatannya, kurang lebih sesuai urutan saya menyadarinya.
Hari pertama: angka yang tidak bergerak
Hal pertama yang saya periksa pada feed baru apa pun adalah totalnya, karena total lebih jarang berbohong dibanding angka lain dalam bisnis ini. Properti berada di angka 601.702 listing. Baik-baik saja. Lalu saya pecah berdasarkan wilayah, dan angka itu berhenti terlihat seperti peluncuran global dan mulai terlihat seperti proyek satu negara dengan sedikit angka pembulatan yang menempel: Jepang sendiri menyumbang 588.644 dari total listing tersebut. Itu 97,8% dari seluruh isi feed.
Sebagai perbandingan, data mobil kami mencakup 73 wilayah tanpa satu pun yang melampaui 6% dari total (Prancis, wilayah terbesar kami, mencatat 67.569 dari 1,1 juta — sekitar 6,1%). Properti berjalan dengan tingkat konsentrasi enam belas kali lipat dari itu. Saya sempat bimbang apakah ini bug pada penanda wilayah sebelum teringat apa yang sebenarnya menyebabkannya: portal real estat Jepang sendiri mendaftar volume akiya yang sangat besar — rumah-rumah pedesaan yang ditinggalkan atau hampir ditinggalkan, yang selama bertahun-tahun berusaha dilepas oleh pemerintah, sering kali dengan harga yang membuat sebuah Corolla bekas terlihat seperti barang mewah. Portal-portal itu lengkap, dapat dibaca mesin, dan jumlahnya sangat besar. Portal negara lain belum seperti itu.
Hari kedua: mencari sisa 2,2%
Saya ingin tahu seperti apa "negara lain" itu, jadi saya keluarkan wilayah selain Jepang dan mengurutkannya.
Mesir sedikit mengungguli Jerman, dan itu mengejutkan saya — saya kira pasar besar dan terdokumentasi baik seperti Jerman akan mendominasi sampel acak sebelum Kairo. Sri Lanka juga bertahan di angka empat digit. Lalu ada jurang: empat negara Amerika Tengah — Guatemala, Nikaragua, Panama, dan El Salvador — berada di angka 80, 80, 80, dan 78.
Hari ketiga: tiga angka identik bukan kebetulan
Jurang itulah yang sebenarnya membuat saya berhenti sejenak. Tiga negara mendarat di jumlah yang persis sama bukan sinyal pasar, melainkan sidik jari. Ketika Guatemala, Nikaragua, dan Panama semuanya menunjukkan tepat 80 listing, itu bukan tiga perekonomian yang kebetulan konvergen ke ukuran inventaris yang sama — itu satu sumber hulu dengan batas keras 80 halaman, yang memasok ketiganya dengan cara yang sama. Angka 78 milik El Salvador adalah petunjuk yang mengonfirmasinya: cukup dekat untuk berasal dari sumber yang sama, tapi cukup berbeda untuk membuktikan itu bukan kesalahan copy-paste di pipeline kami sendiri. Di suatu tempat ada agregator real estat regional yang membatasi halaman hasil gratis sekitar 80 listing per negara, dan sampai kami menemukan cara memutarinya — langsung ke sumber asli alih-alih lewat agregator, atau melakukan paginasi melewati tembok apa pun yang dipasangnya — keempat negara itu akan terus terbaca sama-sama kecil, tidak peduli seperti apa pasar sebenarnya.
Inilah bagian yang tidak glamor dari membangun dataset baru secara jujur: angka pertama yang kamu dapat bukanlah pasar itu sendiri, melainkan bentuk sumber data yang kamu miliki saat ini. Saya lebih suka menemukan itu di minggu pertama daripada menerbitkan artikel "pasar real estat terkecil di Amerika Tengah" yang ternyata dibangun di atas batas halaman sebuah scraper.
Hari keempat: yang benar-benar mengejutkan saya
Bukan konsentrasi Jepangnya — saya sudah setengah menduga itu sejak awal, mengingat berapa banyak sinyal properti kami yang sebelumnya sudah datang dari sumber-sumber Jepang di sisi bisnis mobil. Yang mengejutkan saya adalah betapa jelasnya masalah kualitas data ini terlihat tanpa alat khusus apa pun. Kamu tidak perlu latar belakang statistik untuk menyadari tiga angka 80 berturut-turut. Kamu hanya perlu melihat angka-angka itu secara berurutan, dan itulah sebagian besar inti pekerjaan ini sebenarnya.
Ini juga membuat saya melihat ulang sesuatu tentang data mobil kami yang sudah tidak lagi saya sadari karena sudah terlalu terbiasa: 73 wilayah dengan sebaran yang benar-benar merata, tidak ada satu wilayah pun di atas 6,1%, dan 1.375 sumber independen yang memasoknya — distribusi seperti itu bukan kondisi alami dari dataset hasil scraping, melainkan hasil delapan tahun sengaja memutari persis jenis tembok agregator yang baru saja muncul di hari ketiga feed properti ini. Setiap satu dari 73 wilayah itu dulunya juga terlihat seperti Guatemala.
Di mana posisinya sekarang
Properti belum menjadi produk — ini masih sinyal yang kami amati sambil sisi mobil terus berjalan, satu baris dalam roadmap yang lebih panjang menuju cakupan real estat yang lebih luas. Tapi satu minggu mengamatinya terisi adalah pengingat yang cukup baik tentang urutan sebenarnya bagaimana operasi seperti ini berjalan: buat feed-nya hidup dulu, lalu curigai angka-angka bulat, temukan temboknya, baru bangun cara untuk melewatinya. Jepang akan berhenti menjadi 97,8% dari feed ini dengan cara yang sama seperti Prancis — bukan UAE atau Jepang — akhirnya berada di puncak jumlah mobil kami: dengan menambah sumber sampai tidak ada satu pun yang bisa mendominasi total secara kebetulan.
