Quelles raisons poussent Zillow à arrêter son activité d'achat de maisons et à réduire les effectifs ?
Salut tout le monde, Je me demandais si certains d'entre vous avaient suivi l'affaire Zillow. C'est assez dingue qu'ils aient dû se retirer de l'achat de maisons 🏠 et licencier une partie de leurs employés. J'imagine qu'il y a plusieurs facteurs en jeu, mais j'aimerais bien avoir vos avis. Est-ce que c'est juste une mauvaise prédiction du marché immobilier 📈, un problème avec leur algorithme d'évaluation des biens 🤖, ou peut-être une combinaison des deux ? J'ai lu quelques articles, mais j'aimerais bien avoir une perspective plus approfondie, surtout de la part de ceux qui connaissent bien le secteur. Merci ! 🙏
Commentaires (16)
-
Ils ont misé sur une croissance continue et prévisible des prix, et visiblement, leur algo n'a pas su anticiper les retournements de situation. C'est le risque quand tu te reposes trop sur les données passées sans tenir compte des facteurs externes qui peuvent influencer le marché.
-
Clairement, Styrka96 a mis le doigt dessus je pense. Le truc de se fier aveuglément aux algos, ça peut vite tourner au vinaigre. Ce qui est frappant avec Zillow, c'est l'ampleur des pertes. On parle de 569 millions de dollars de dépréciation à cause de ces fichus algorithmes ! 💸 C'est pas juste une petite erreur de calcul, c'est un gouffre financier. Et la perte de 380 millions juste avec Zillow Offers, en surpayant les maisons… ça donne une idée de la catastrophe. C'est une somme colossale, ils auraient peut-être dû investir dans une boule de cristal. 😂 Ce qui m'interpelle, c'est que même avec toutes les données à leur disposition, ils n'ont pas vu le marché se refroidir. C'est un peu comme si un jardinier n'avait pas remarqué que l'hiver arrive. 🥶 Un quart du personnel qui est remercié, ça montre que le problème est bien plus profond qu'une simple erreur d'algorithme. C'est une restructuration massive, un repli stratégique forcé. Maintenant, ils essaient de refourguer 7000 logements à des investisseurs institutionnels… J'imagine que ces derniers doivent se frotter les mains, en espérant faire une bonne affaire sur le dos de Zillow. 🤔 Et le recentrage sur la mise en relation d'agents, c'est peut-être un retour aux sources plus prudent. Moins de risques, moins de potentiel de gains énormes, mais aussi moins de chance de se planter en beauté comme ils l'ont fait. Ça montre bien que dans l'immobilier, il faut garder un œil sur le terrain, sentir les tendances, et ne pas se laisser aveugler par les chiffres. L'humain a encore son rôle à jouer, même à l'ère des algorithmes. 🏡
-
UrbisCustos91, ton analyse est vraiment pertinente. C'est fou de voir comment une boite comme Zillow, avec autant de ressources, a pu se planter de cette manière. Je pense que le problème est peut-être plus profond qu'un simple raté algorithmique. On parle quand même d'une dépréciation de 569 millions de dollars ! C'est pas rien. C'est peut-être une combinaison de plusieurs facteurs. Il y a l'algo, bien sûr, qui n'a pas su anticiper les changements du marché. Mais il y a aussi, peut-être, une certaine arrogance, une confiance excessive dans leur modèle. Ils ont peut-être pensé qu'ils étaient plus malins que le marché, qu'ils pouvaient le prédire avec leurs outils. Et puis bam, la réalité les a rattrapés. Quand on voit les 380 millions de pertes avec Zillow Offers, en surpayant les maisons, ca montre bien qu'ils ont perdu le contact avec le terrain. Et puis, il y a la question de la culture d'entreprise. Est-ce qu'il y avait une véritable remise en question des algorithmes, ou est-ce qu'ils étaient considérés comme la parole d'évangile ? C'est facile de se laisser aveugler par la technologie, surtout quand on a des données en abondance. Mais les données, c'est comme les chiffres : on peut leur faire dire ce qu'on veut. La restructuration avec 25% du personnel qui part, c'est un signe que c'est toute l'organisation qui est touchée. C'est dommage pour ces personnes, ça doit être une période très difficile. Maintenant, ils veulent se recentrer sur la mise en relation d'agents. C'est peut-être plus sage, mais c'est aussi un aveu d'échec. Ils ont voulu disrupter le marché, et ils se sont cassé les dents. Mais bon, c'est comme ça qu'on apprend, non ? J'imagine que les investisseurs institutionnels doivent être aux aguets pour racheter les 7000 logements. C'est peut-être une opportunité pour eux de faire une bonne affaire. Mais bon, on verra bien ce que l'avenir nous réserve. En tout cas, cette histoire montre bien qu'il faut rester humble face au marché immobilier, et qu'il ne faut jamais oublier le facteur humain. Les algorithmes, c'est bien, mais ça ne remplace pas le bon sens et l'expérience.
-
Romero, quand tu dis mauvaise prédiction, tu penses à quoi concrètement ? Des facteurs macroéconomiques qu'ils auraient dû intégrer, ou des spécificités locales qui leur ont échappé ? Je me demande si leur modèle était assez granulaire pour prendre en compte les micro-marchés.
-
PlanifAI, bonne question. Quand je parle de "mauvaiseprédiction", je pense surtout au fait qu'ils n'ont pas anticipé le ralentissement du marché, voire sa correction dans certaines zones. Après, est-ce que c'est un manque de granularité dans leur modèle, c'est fort possible. Peut-être qu'ils ont trop généralisé, sans tenir compte des particularités de chaque micro-marché. Un algo aussi puissant soit-il, il ne peut pas remplacer une connaissance pointue du terrain. Et peut-être aussi qu'ils ont sous-estimé certains facteurs externes, comme l'inflation ou la hausse des taux d'intérêt. C'est un ensemble de choses, je pense.
-
Romero, tu soulèves un point vraiment intéressant sur la granularité du modèle de Zillow. 🤔 Je me demande si une partie du problème ne vient pas aussi de la difficulté à intégrer des données qualitatives dans leurs algos. Par exemple, l'attrait d'un quartier pour les familles, la qualité des écoles, des choses difficiles à quantifier mais qui pèsent lourd dans la décision d'achat. C'est vrai qu'avec une inflation qui grimpe et des taux d'intérêt qui suivent, on change de paradigme. Ils avaient peut-être calibré leurs modèles sur une période de taux bas et de croissance soutenue, sans anticiper un retournement. C'est un peu comme si un navigateur paramétrait son GPS pour une mer calme et se retrouvait pris dans une tempête ⛈️. Je me demande aussi si la pression des actionnaires n'a pas joué. Avec des promesses de croissance rapide et de disruption du marché, ils ont peut-être pris des risques qu'ils n'auraient pas pris autrement. Les 380 millions de dollars de pertes avec Zillow Offers, c'est une somme qui fait mal, et ça a dû mettre une sacrée pression pour redresser la barre. 📉 Et puis, faut voir aussi la concurrence. Opendoor et Offerpad, par exemple, ont continué leur activité d'iBuying (achat de maisons en ligne), même si eux aussi ont dû ajuster leurs stratégies. Est-ce que Zillow a paniqué trop vite, ou est-ce qu'ils ont simplement été plus lucides sur les risques ? Difficile à dire. En tout cas, c'est une belle leçon sur les limites des algos et la nécessité de garder un œil sur le terrain et une bonne dose d'humilité. 🙏
-
Bon, suite à vos remarques et quelques recherches, j'ai creusé la question de la granularité des modèles, comme PlanifAI et UrbisCustos91 l'ont suggéré. J'ai trouvé des articles qui pointent du doigt le fait que Zillow utilisait des données trop agrégées, au niveau du code postal, alors que les prix peuvent varier énormément d'une rue à l'autre, voire d'un côté de la rue à l'autre ! Ils ont tenté de corriger le tir, mais c'était trop tard… Ça me semble être un facteur déterminant dans leur échec. Merci pour vos éclaircissements !
-
Si Zillow avait segmenté ses analyses selon des critères plus fins, comme l'ancienneté des propriétés, les matériaux de construction, ou même la présence de nuisances sonores, ils auraient peut-être évité une partie des erreurs. Une approche plus "kaizen", avec des améliorations continues basées sur le feedback du terrain, aurait pu les aider à affiner leurs algos au fur et à mesure. Là, ils ont mis tous leurs œufs dans le même panier algorithmique, et le panier a craqué. 🤔
-
PleineConscienceExpress62, concernant l'ancienneté et les matériaux, c'est clair que ça joue. Mais pour les nuisances sonores, comment tu intègres ça objectivement dans un algo ? Faut faire des relevés sonores en continu ? Ça me paraît compliqué comme donnée. L'idée du "kaizen" est bonne, mais encore faut-il avoir les bonnes données au départ.
-
Romero, quand tu dis qu'ils utilisaient des données trop agrégées au niveau du code postal, tu as des exemples concrets de ce que ça impliquait comme erreurs d'évaluation ? Genre, des quartiers spécifiques où ils se sont plantés à cause de ça ? Juste pour me faire une idée plus précise du problème.
-
UrbisCustos91, c'est une excellente question. En fait, dans les articles que j'ai consultés, ils parlaient surtout de zones où, au sein d'un même code postal, tu pouvais avoir d'un côté des maisons rénovées avec des matériaux haut de gamme et de l'autre des biens plus anciens, nécessitant des travaux importants. L'algo, en moyennant les prix au niveau du code postal, ne tenait pas compte de ces disparités et surévaluait donc les biens les moins attractifs et sous-évaluait les autres. Du coup, ils se retrouvaient à acheter trop cher des maisons qu'ils avaient du mal à revendre ensuite, et à passer à côté de bonnes affaires. Un peu comme si tu achetais une baguette au prix moyen du pain dans une boulangerie, sans tenir compte du fait qu'elle est à moitié brûlée (bon, ok, l'exemple est nul, mais c'est l'idée ! 😉)
-
L'exemple de la baguette à moitié brûlée est parlant, Romero ! 😂 Mais du coup, ça me fait penser, est-ce qu'ils prenaient en compte l'orientation des biens ? Un jardin exposé plein sud, ça vaut plus cher qu'un truc à l'ombre toute la journée, non ? Enfin, pour revenir au sujet, c'est clair que leur manque de finesse a été fatal. Dommage pour eux (et pour les employés licenciés, surtout).
-
PlanifAI, l'orientation, c'est un bon point. On en revient toujours aux données qualitatives difficiles à scraper et à intégrer dans un modèle. Faudrait des photos satellites en continu pour voir l'ensoleillement, ou des capteurs... On imagine le bordel. C'est clair que leur manque de finesse, comme tu dis, a coûté cher. Au final, ils ont voulu réinventer la roue sans comprendre comment elle tournait vraiment.
-
Je suis d'accord avec Styrka96, l'orientation, c'est un facteur clé. Mais au-delà de l'ensoleillement, y'a aussi la vue ! Une baraque avec vue dégagée, même si elle est pas plein sud, ça peut valoir une fortune. C'est subjectif, mais ça compte énormément pour les acheteurs. Donc, ouais, les données "qualitatives", c'est vraiment le nerf de la guerre.
-
Théo Girard a raison, la vue, c'est un truc qui peut faire exploser les prix. Mais y'a aussi des trucs moins évidents, comme la réputation d'un coin. Un quartier peut être super bien placé, avec des belles maisons, mais si y'a une mauvaise ambiance, ou des soucis de sécurité, ça va impacter les prix. Et ça, c'est encore plus dur à quantifier qu'une exposition plein sud.
-
Pour la réputation, PlanifAI, je me demande si on pourrait pas scraper les avis Google Maps des commerces locaux, les forums de quartier, les articles de presse... C'est pas parfait, mais ça donnerait une indication, non ? Après, faut pondérer avec d'autres données, c'est sûr.
Romero
le 18 Février 2025