Zillow stängde sin "ibuying"-division med över 500 miljoner dollar i förluster, vilket berodde på en grundläggande missuppfattning av riskhantering och Databehandling inom fastighetsförsäljning. Företaget förlitade sig på maskininlärningsmodeller tränade på befintlig Data för att förutsäga huspriser, i kontrast till Max Levchins syn på att framgångsrika system kräver egen, specifik data och en vilja att acceptera initiala förluster. Artikeln belyser fem vanliga misstag inom den algoritmiska riskbedömningssektorn, såsom att förlita sig på befintliga Dataset, underskatta kostnader för modellträning, bristande rigor i datainsamling och att affärsintressen påverkar modellutvecklingen. Zillows misslyckande fungerar som en varning för andra företag i Silicon Valley som försöker ta genvägar inom den snabbt växande sektorn för algoritmisk riskbedömning.