房产业务在公司里始终是个小弟。汽车才是主业,房产只是我们顺手捣鼓出来的东西——反正抓取基础设施已经搭好了,谁都抵挡不住"看看它还能抓点别的"的诱惑。房产数据集的绝大部分来自一个国家,日本,体量大到让其他地方看起来都像是误差。但即便是误差,也有一万三千条左右的房源,三周前我决定真正去读这些数据,而不只是数数。
9月15日。 从埃及、德国和斯里兰卡抽取了样本——这是除日本之外仅有的三个数据量足以称得上"市场"而非占位符的地区。还有四个国家(危地马拉、尼加拉瓜、巴拿马、萨尔瓦多)的数据也在库里,但各自都冻结在恰好80条房源,这本身是另一个故事,这里不展开——那属于等待梯队,不是实际运作中的市场,自扩张冻结以来一直原封未动。这次我想看的是三个正在持续抓取的市场。
第一印象是:埃及的房源读起来像是一个国家披着一张皮,内里却是两个真实的市场。开罗和亚历山大的公寓房源密集而带有交易性质,与北部海岸和红海沿岸的别墅混杂在同一数据流里,后者显然是针对二套房买家定价的,描述几乎完全围绕"离海滩有多远"展开。汽车数据里完全没有这种现象——一辆二手现代不会因为停在哪个城市就有身份分裂。
9月19日。 德国这个最让我意外,而且不是好的意外。我原以为德国的房产房源会以出售为主——众所周知德国是个"租房民族",但我们抓取的来源偏向经纪人挂牌,我原本以为这意味着主要是待售房源。结果错了。我们抓到的内容里有相当一部分是Mietwohnung(出租公寓),与出售房源混杂在一起——如果我们以后要基于这些数据建德国房产定价模型,这部分必须先单独过滤,否则没人会相信跑出来的数字。目前这份原始数据流还没能把租和售干净地区分开,我没法放心地把任何东西称为"典型价格"。
9月24日。 斯里兰卡花了更长时间才摸清门道,因为按人均算,它的房源种类比埃及或德国的都更杂。科伦坡的公寓、内陆殖民时期的平房、南部的海滨地块——这是个不大的数据集(4,006条房源),却覆盖了一个因地区不同而房产形态天差地别的国家,在这个样本量下,这种差异表现出来的更像是噪音而非信号。那天我在笔记里写道:"这是我最不愿意相信模型、最愿意相信人的一个。"现在依然如此。
9月29日。 回去核对了原始数字,用数据给我的定性判断做个现实检验,因为三周的轶事积累很容易让人信以为真一个其实不存在的故事。埃及:4,427条。德国:4,230条。斯里兰卡:4,006条。三者彼此接近,没有哪一个是"真正的那个",其他只是陪衬——它们大致持平,而这一点光靠浏览是看不出来的,因为埃及的房源给人的感觉是数量更多。
把这张图和"日本一国就占了我们60.17万条房产总记录中的588,644条"这个事实放在一起看,就能看清这个业务板块当下的真实轮廓:一个庞大而成熟、我们真正在测量的市场;三个小而真实、我们正开始理解的市场;还有四个占位符,等着有人决定它们值不值得投入建设。这不是在抱怨——汽车业务当年也经历过完全相同的漏斗,只是时间跨度更长,来源数量也多得多。
10月3日。 写这篇总结之前的最后一条记录。我specifically去查了一件事:埃及、德国、斯里兰卡的房源定价是否始终一致地使用本地货币,还是存在那种曾在汽车业务上坑过我们好几次的货币标注混乱(我们之前就遇到过来源悄无声息地用错单位报价的情况,今年早些时候就因此造成了一个1000倍的价格解析漏洞)。简短的答案是:基本一致,但德国的出租房源偶尔会在出售房源的总价旁边附带一个月租数字,原始文本里除了人类读者能领会的上下文之外,没有任何东西能区分这两者,而解析器是领会不了上下文的。这才是接下来真正要做的工程任务,不是去开拓新国家。
| 市场 | 房源数 | 突出特点 |
|---|---|---|
| 埃及 | 4,427 | 身份分裂:城市公寓 vs. 海岸二套房 |
| 德国 | 4,230 | 出租与出售房源混杂在同一数据流中 |
| 斯里兰卡 | 4,006 | 每条房源的形态差异很大——从公寓到殖民时期平房再到地块 |
这些都还远没达到可以建定价模型的程度,不像我们阿联酋的汽车定价那样成熟。但三周前,我根本不知道这三个国家是真实市场,还是恰好凑够行数门槛的噪音。现在我知道它们是真实的,大致知道它们在结构上彼此有哪些分歧,也知道了必须先做的那一项修复——把德国数据流里的租与售分开——做完这一步,这一切才能从单纯的浏览练习变成更有意义的东西。日记的用处大多就在这里:不是用来找到答案,而是用来找到下一个值得追问的问题。
