Mi-am petrecut cea mai mare parte a timpului cu mașini second-hand — 1,1 milioane de anunțuri, 73 de regiuni, obișnuita agitație de scăderi de preț și relistări. Așa că atunci când datele despre imobiliare au început să ajungă în aceleași dashboard-uri pe care le folosesc pentru mașini, nu mă așteptam să-mi rețină atenția. Și totuși a făcut-o, din motive care n-au avut nicio legătură cu planul inițial.
Iată jurnalul, cam în ordinea în care am observat efectiv lucrurile.
Ziua întâi: numărul care nu se mișcă
Primul lucru pe care-l verific la orice flux nou este totalul, pentru că totalurile mint mai puțin decât orice altceva în branșa asta. Imobiliarele stăteau la 601.702 de anunțuri. Bine. Apoi le-am împărțit pe regiuni, iar cifra a încetat să mai arate ca un lansare globală și a început să arate ca un proiect dedicat unei singure țări, cu o eroare de rotunjire atașată: Japonia singură reprezenta 588.644 din acele anunțuri. Adică 97,8% din tot ce era în flux.
Pentru context, datele noastre despre mașini acoperă 73 de regiuni, fără ca vreuna singură să depășească 6% din total (Franța, cea mai mare a noastră, are 67.569 din 1,1 milioane — aproximativ 6,1%). Imobiliarele funcționează cu o concentrare de șaisprezece ori mai mare. Am ezitat o vreme dacă asta era un bug în etichetatorul de regiuni, până mi-am amintit ce anume determină de fapt acest lucru: portalurile japoneze de imobiliare listează un volum uriaș de akiya, acele case rurale abandonate sau aproape abandonate pe care guvernul încearcă de ani buni să le plaseze, adesea la prețuri care fac o Corolla second-hand să pară o achiziție de lux. Portalurile sunt riguroase, lizibile automat și enorme. Ale tuturor celorlalți încă nu sunt.
Ziua a doua: în căutarea celorlalte 2,2%
Am vrut să văd cum arată „toți ceilalți", așa că am scos regiunile din afara Japoniei și le-am aliniat.
Egiptul o depășește ușor pe Germania, ceea ce m-a surprins — aș fi bănuit că o piață mare și bine documentată precum cea germană ar domina un eșantion aleatoriu înaintea Cairo-ului. Sri Lanka se menține și ea la patru cifre stabil. Apoi vine o prăpastie: cele patru țări din America Centrală — Guatemala, Nicaragua, Panama și El Salvador — stau la 80, 80, 80 și, respectiv, 78.
Ziua a treia: trei cifre identice nu sunt niciodată o coincidență
Prăpastia aceea e ceea ce m-a oprit efectiv din drum. Trei țări care ajung la exact același număr nu e un semnal de piață, e o amprentă. Când Guatemala, Nicaragua și Panama arată toate precis 80 de anunțuri, asta nu înseamnă că trei economii converg întâmplător spre același volum de stoc — înseamnă că o singură sursă din amonte are un plafon fix de 80 de pagini, care alimentează toate trei la fel. Cifra de 78 a El Salvadorului este indiciul care confirmă asta: suficient de apropiată încât să fie aceeași sursă, suficient de diferită încât să dovedească faptul că nu e o eroare de copy-paste în propriul nostru pipeline. Undeva există un agregator regional de imobiliare care limitează paginile gratuite de rezultate la aproximativ 80 de anunțuri pe țară, iar până nu ocolim acest lucru — sursă directă în loc de agregator, sau paginare dincolo de orice zid impune acesta — aceste patru țări vor apărea la fel de mici, indiferent cum arată piețele lor reale.
Asta e partea neglamuroasă a construirii oneste a oricărui set de date nou: primele cifre pe care le obții nu sunt piața, sunt forma surselor tale actuale. Prefer să aflu asta în prima săptămână decât să public un articol despre „cele mai mici piețe imobiliare din America Centrală" construit pe limita de pagini a unui scraper.
Ziua a patra: ce m-a surprins de fapt
Nu concentrarea Japoniei — la asta mă așteptam pe jumătate încă de la început, având în vedere cât de mult din propriul nostru semnal imobiliar venea deja din surse japoneze pe partea de mașini a afacerii. Ce m-a surprins a fost cât de lizibilă era problema de calitate a datelor fără niciun instrument special. Nu ai nevoie de studii de statistică ca să reperezi trei de 80 la rând. E nevoie doar să te uiți la cifre în ordine, ceea ce e, de fapt, cea mai mare parte a acestei meserii.
Mi-a reamintit și ceva despre datele noastre despre mașini, la care încetasem să mă mai gândesc pentru că eram obișnuit cu ele: 73 de regiuni cu o răspândire reală, nicio regiune peste 6,1%, 1.375 de surse independente care le alimentează — distribuția asta nu e starea naturală a unui set de date obținut prin scraping, e rezultatul a opt ani de ocolire deliberată exact a tipului de zid al agregatorilor care tocmai a apărut în ziua a treia a fluxului imobiliar. Fiecare din acele 73 de regiuni a arătat inițial ca Guatemala.
Unde se află acum
Imobiliarele nu sunt încă un produs — sunt un semnal pe care-l urmărim în timp ce partea de mașini continuă să funcționeze, o linie într-o foaie de parcurs mai lungă către o acoperire mai extinsă a pieței imobiliare. Dar o săptămână de urmărire a completării lui a fost un memento decent al ordinii în care se întâmplă lucrurile de fapt: pui fluxul în funcțiune, devii suspicios față de cifrele rotunde, găsești zidul, apoi construiești o cale pe lângă el. Japonia va înceta să mai fie 97,8% din acest flux la fel cum Franța, nu Emiratele Arabe Unite sau Japonia, a ajuns în vârful numărătorii noastre de mașini — prin adăugarea de surse până când niciuna nu mai poate domina totalul din întâmplare.
