Zillow Offers (iBuying — Zillow Group, Inc.)

Melalui 'Project Ketchup', Zillow melarang tim pricing mengoreksi valuasi Zestimate dan menggunakan algoritma sebagai penawaran kas langsung. Tanpa human oversight, algoritma yang secara sistematis overpay tidak terdeteksi hingga kerugian menumpuk ratusan juta dolar.

Menghapus pengawasan manusia dari keputusan bernilai tinggi yang melibatkan aset tidak likuid (setiap rumah unik, tidak bisa dijual instan) adalah resep bencana. Algoritma unggul di pattern recognition tetapi buruk di edge cases dan perubahan regime pasar.

• Tim ahli dilarang mempertanyakan atau mengoreksi output algoritma
• Keputusan bernilai ratusan ribu dolar per unit diambil sepenuhnya oleh mesin
• Tidak ada mekanisme circuit breaker saat kerugian per unit melampaui threshold
• Feedback loop terlalu lambat — kerugian baru terlihat saat rumah dijual (berbulan-bulan kemudian)

• Pertahankan human-in-the-loop untuk keputusan bernilai tinggi
• Bangun circuit breaker otomatis: hentikan pembelian jika kerugian per unit melampaui batas
• Berikan otoritas override kepada tim pricing untuk edge cases
• Percepat feedback loop: pantau estimasi vs harga jual aktual secara real-time

Algoritma Zestimate dilatih dari data historis yang relatif stabil. Ketika pandemi COVID-19 memicu volatilitas harga properti yang belum pernah terjadi (naik 14–20% dalam setahun), model mengalami concept drift — distribusi data aktual bergeser jauh dari data pelatihan, dan prediksi menjadi tidak akurat.

Model machine learning yang performanya bagus di kondisi stabil bisa gagal total saat kondisi pasar berubah drastis. Ini terutama berbahaya untuk aset tidak likuid di mana kesalahan pricing tidak bisa dikoreksi dengan cepat.

• Akurasi model menurun saat volatilitas pasar meningkat
• Model dilatih dari data periode stabil, diterapkan di periode disrupsi
• Tidak ada mekanisme deteksi drift otomatis
• Asumsi bahwa akurasi Zestimate untuk estimasi umum = akurasi untuk keputusan pembelian

• Implementasikan deteksi concept drift secara otomatis
• Retrain model secara berkala dengan data terbaru
• Bedakan akurasi 'estimasi informatif' dari 'akurasi transaksional' — standar berbeda
• Tambahkan margin keamanan yang lebih besar saat volatilitas terdeteksi tinggi

Manajemen Zillow menargetkan pembelian 5.000 rumah per bulan sebagai KPI utama. Ketika algoritma menghasilkan penawaran yang terlalu rendah untuk memenangkan bid, manajemen 'menaikkan dial' — memperbesar offer calibration (menambah ribuan dolar di atas harga algoritma) demi mengejar volume.

KPI volume tanpa guardrails profitabilitas mendorong organisasi mengambil risiko yang semakin besar. Saat target tidak tercapai, respons alami adalah melonggarkan standar — persis kebalikan dari apa yang seharusnya dilakukan.

• Target volume (rumah/bulan) mendominasi, bukan margin per unit
• 'Offer calibration' secara rutin menaikkan harga di atas estimasi algoritma
• Q3 2021: Zillow membeli 9.680 rumah — lebih banyak dari 5 kuartal sebelumnya digabungkan
• Tidak ada ceiling berapa besar 'overlay' yang boleh ditambahkan

• Tetapkan KPI profitabilitas per unit sebagai constraint, bukan hanya volume
• Batasi berapa besar overlay/calibration yang boleh diterapkan di atas harga model
• Monitor rasio rumah yang dibeli di atas vs di bawah estimasi
• Buat volume target sebagai outcome, bukan target yang dipaksakan

Zillow bertransformasi dari platform media/marketplace properti yang asset-light (menjual iklan dan leads) menjadi principal yang membeli aset fisik senilai ratusan ribu dolar per unit. Perubahan ini mengekspos balance sheet Zillow pada risiko pasar properti secara langsung — risiko yang tidak pernah dihadapi model bisnis aslinya.

Perusahaan platform yang masuk ke bisnis principal (memiliki inventory fisik) mengubah profil risiko secara fundamental. Kompetensi di satu model tidak otomatis transferable ke model lain, terutama jika asetnya bernilai tinggi dan tidak likuid.

• Platform media beralih ke bisnis yang membutuhkan balance sheet besar
• Eksposur langsung ke risiko harga aset yang volatil
• Kompetensi inti (traffic, data) tidak sama dengan kompetensi transaksi properti
• Overhead operasional baru: renovasi, maintenance, listing, penjualan fisik

• Evaluasi apakah kompetensi inti perusahaan sesuai dengan model bisnis baru
• Jika harus masuk ke principal, mulai kecil dan buktikan unit economics
• Pisahkan risiko balance sheet dari bisnis inti melalui struktur terpisah
• Pahami bahwa memiliki data properti ≠ mampu memperdagangkan properti

Ironi terbesar Zillow Offers: divisi ini gagal bukan karena pasar properti turun, tetapi justru di pasar yang naik pesat. Harga properti AS naik ~14% selama 8 bulan sebelum penutupan. Algoritma yang overpay di pasar yang naik seharusnya menghasilkan profit — tetapi Zillow membayar lebih mahal lagi dari harga yang sudah naik, lalu tidak bisa menjual cukup cepat.

Overconfidence saat pasar naik bisa lebih berbahaya dari kehati-hatian saat pasar turun. Pasar naik menciptakan ilusi bahwa semua strategi berhasil — mendorong kelonggaran standar dan percepatan volume yang akhirnya menumpuk risiko.

• Pasar yang naik menyembunyikan kelemahan model pricing
• Volume pembelian dipercepat justru saat risiko tersembunyi tertinggi
• Asumsi 'harga terus naik' menghilangkan urgensi untuk margin keamanan
• Kerugian baru terlihat setelah lag penjualan berbulan-bulan

• Tingkatkan kewaspadaan saat pasar panas, bukan kurangi
• Terapkan contrarian review: semakin optimis pasar, semakin ketat standar pricing
• Percepat siklus penjualan untuk memperpendek eksposur risiko harga
• Stress-test model dengan skenario reversal 10–20%

Ketika kerugian teridentifikasi, Barton mengambil keputusan penutupan total dengan cepat — tidak mencoba 'bertahan' atau 'pivoting'. Dia meminta maaf secara publik kepada karyawan dan menjelaskan alasan secara transparan. Zillow kembali ke model bisnis inti asset-light dan berhasil stabil kembali.

Kecepatan mengakui kesalahan dan memotong kerugian bisa menyelamatkan perusahaan induk. Barton menerapkan prinsip 'fail fast' secara literal — menutup divisi US$881 juta alih-alih membiarkannya memakan perusahaan.

• (Praktik baik) Keputusan penutupan diambil cepat setelah Q3 yang buruk
• Transparansi: alasan dijelaskan ke publik, investor, dan karyawan
• Permintaan maaf CEO yang tulus kepada karyawan terdampak
• Fokus segera pada wind-down yang tertib

• Siapkan 'kill criteria' sebelum meluncurkan divisi baru berisiko tinggi
• Jangan biarkan sunk cost fallacy memperpanjang operasi yang merugi
• Komunikasikan kegagalan secara transparan — pasar menghargai kejujuran
• Setelah menutup, fokus kembali ke kompetensi inti dengan cepat