Zillow是美國著名樓市資訊網站，企業風格一直走在時代尖端，除了提供基本樓盤資料，亦重視數據整理和運用，聘請了不少經濟學、統計學博士，一直與學術界關係密切。
學術界內外皆有興趣的，是Zillow一個名為Zestimate的發明。無論物業位於繁華大都市還是隱藏於深山，只要到其網頁搜索，就可知道物業估值是多少，既讓買家和賣家了解行情大概，好景時也可以讓無意出售物業的業主自我感覺良好，精神上享受「帳面」投資回報。
著名樓市資訊網站炒樓失利
Zillow近期股價大跌，主因是其炒樓投資失利，疑似出價太高購入大量物業。存貨滯銷，這門新生意將中止運作兼要裁員。
炒樓者，美式英語flipping是也，意即購入有升值潛力物業，略加裝修改動，短期內在市場上放售。據「炒樓」計劃，賣家首先到官方網頁查詢，解答幾個簡單問題後，Zillow會按其Zestimate和當區近期成交給賣家開價，賣家接受即可成交，比傳統放售過程簡單快捷得多。據報道，整個交易過程可以完全沒有「真人」參與（如到物業視察），出價主要靠Zestimate作準則。
炒樓失敗，死因跟所謂的機器學習（machine learning）技術有關。Zillow掌握全美國大量物業成交數據，對物業各種特徵知之甚詳（如面積、樓齡、房間數量、草坪面積等），最直接分析方法，是利用統計學找出成交價和物業特徵關係，如某區域因校網好樓價較高、某屋苑人傑地靈尤其宜居之類，再加入當時宏觀走勢（如利息、失業率）一併考慮，就可估算物業某年某月價格。
只是數據太多，人腦太小，可做的統計分析有限，機器學習此時就可派上用場，讓電腦天馬行空在數據中找出蛛絲馬跡計出Zestimate。
樓市走勢難估算 神機妙算易偏差
這估算難免有些弱點：當買家賣家和Zillow自己都以同一個Zestimate為根據時，短期內可以出現「圍爐」現象，如某地區Zestimate太樂觀，導致雄心壯志成交價偏高，倒過頭來又令Zestimate更樂觀。此外，若地區物業成交太少，又或物業太特殊難比較，Zestimate亦會有所偏差。
在機器學習神機妙算下，這些偏差大多能解決，可近乎完美地解釋手頭上數據。真正致命的，是利用估算預測未來，試圖在市場找出有上升空間的投資機會。
就如Zillow的CEO在新聞稿中所說：”We’ve determined the unpredictability in forecasting home prices far exceeds what we anticipated”，解釋現有數據跟估算將來走勢往往是兩回事。樓市上落因素眾多，從宏觀政經局勢，到微觀地區動態，都不是從海量交易數據中可以「學習」得到的。
從失敗中汲取教訓，我相信Zillow會找到其他將數據轉化成利潤的方法。
原刊於《am730》，本社獲作者授權轉載。
