如果有個網站說「你家我直接買，談好直接付現」，你有閑置房賣不賣？

很多人會心動。不用一組一組帶人看房，也不用等買方的貸款跑完，Zillow 估一個價，談好直接全款拿下。

這就是 Zillow Offers：Zillow 自己當買家，買下房子、整理一下，再轉手賣出，賺中間那一點價差。美國把這種「平台線上估價、直接收購」的生意叫 iBuying。Zillow 本來就以網站上的房屋估價 Zestimate 出名；Zillow Offers 等於把估價從「給你參考」，變成「我開價你能接受我現在付全額」的霸氣總裁。

我估給你的，是未來

房子買進來，要整修、要上架、要等人買。Zillow 在 2021 年的股東信（上市公司寫給投資人、交代成績與決策的信）裡說，這門生意的前提，是能準確預測三到六個月後的房價。

預測房價的模型，學的是過去：坪數、地段、屋齡、附近最近賣了多少。它從大量舊的成交資料裡找出規律，再拿這套規律去估一間新的房子。這批拿來練習的舊資料，叫訓練資料（Training Data）；模型會什麼，全看訓練資料裡有什麼。

問題是，世界哪那麼好算。

世界變得比你算得快

模型上線後收到的資料，跟它當初學習時的樣子不一樣了，這叫資料漂移（Data Drift）。

拆開來看有三：第一是「舊世界」：模型學習時看到的那批資料，像一張當年畫的地圖。第二是「新世界」：上線後每天送進來的真實資料，像今天在重鋪馬路的街景。第三是「落差」：地圖和街景差多少、差在哪。

舉個假想的例子。模型學到「這一區三房，大約賣 1,500 萬」。後來大家改成在家上班，搶著換大一點的房子，同一區的三房，開價 1,700 萬都有人搶。房子還是那間房子，坪數、屋齡一格都沒變，價錢卻變了。這種「輸入看起來一樣、正確答案卻變了」的情況，就是在「漂」。

怎麼解決資料在漂？持續監測：把訓練資料當基準，跟上線後的最新資料比一比，差太多就發警報，再用新資料重新訓練。有點像定期把舊地圖拿出來跟街景對一對，發現多了一條路、少了一座橋，就該換換地圖了。

Zillow 沒有公開它的模型細節，也沒有用「資料漂移」這個詞。它在股東信裡寫的是：短短幾年遇上全球疫情、房市一度凍結，接著供需失衡、房價以前所未見的速度上漲；在不同時間點、往兩個方向，房價都估錯得比模型預想的可能範圍大很多。

錯得有多大？Zillow 原本公開替自己訂了一條護欄：每間房的損益，抓在打平上下約 2% 之內。結果從 2021 年第二季到它預估的第四季，這個數字擺盪了大約 12 個百分點，第四季預計每間房虧 5% 到 7%。拿一間假想的 1,000 萬房子粗略想像：原本說好最多差 20 萬，後來變成每間預計虧 50 到 70 萬。

估錯的代價，跟著數量一起放大。光是 2021 年第三季，Zillow 就買進 9,680 間房子，平均一天買超過 100 間。（細數一下真是一筆難受的數字）

同一季，Zillow 因為買進價高於它對未來賣價的最新估計，認列約 3 億美元的庫存減損。庫存減損的意思是：手上還沒賣掉的房子，帳面價值要往下調，因為公司自己估計已經賣不回當初的買價。11 月，它宣布結束 Zillow Offers，預計裁減約四分之一人力。除了房價難預測，Zillow 也提到整修人力短缺，以及想賣房的人只有大約一成真的賣給它。

拿估價去買房，等你發現世界變了，房子已經在自己手上。

模型能做的，是把過去成千上萬筆成交整理成規律，幾秒鐘估出一個像樣的價錢；世界照舊的時候，它其實已經很棒了。只可惜它無法跟上這千千世界：疫情、搶房、房市凍結，都不在它學過的那張舊地圖上。

資料漂移不是模型突然壞掉，而是模型忠於過去。

延伸討論

你有沒有發現某個以前很準的「經驗法則」，突然不管用了？

來源（查證日 2026/11/08）：

• Q3 2021 Shareholder Letter（Zillow Group，美國證管會 SEC 檔案）（在新分頁開啟）・2021/11/02
• Zillow Group Reports Third-Quarter 2021 Financial Results（Zillow 新聞稿，SEC）（在新分頁開啟）・2021/11/02
• 生產環境的模型監測（Microsoft Learn）（在新分頁開啟）

文／上哲（ChatGPT 協力）