Problema
Un marketplace di immobili distressed aveva bisogno di stimare i prezzi di vendita per le inserzioni di pignoramenti prima dell'asta. I tool AVM esistenti gestiscono bene il residenziale convenzionale ma si rompono sugli asset distressed, dove condizione, stato di occupazione e sottigliezza del mercato locale contano più dei comparables.
Approccio
Costruita una pipeline ML end-to-end — transazioni storiche di pignoramenti, attributi di proprietà, feature geografiche, timing di mercato — in una rete neurale per la predizione del prezzo. Il lavoro pesante era su preprocessing dei dati e feature engineering: strategie di imputazione di valori mancanti che rispettano la semantica degli asset distressed, e interazioni di feature che catturano la differenza tra segmenti rurali a vendita fiscale e urbani bank-owned.
Stack
Python · TensorFlow / Keras · scikit-learn · Census + parcel geographic feature lookups
Risultato
Modello in deployment che ha battuto le baseline naive AVM-style con un margine significativo specificamente sul segmento distressed — il segmento dove la maggior parte dei tool esistenti sbaglia sistematicamente il prezzo. Stessa classe di problema dei pricing engine iBuyer, calibrato per il bottom 5% del mercato.