До +10% к выручке: как девелопер внедрил динамическое ценообразование

Что такое динамическое ценообразование

Динамическое ценообразование — система на основе искусственного интеллекта, решающая две ключевые задачи:

• Управление ассортиментом. Решение подсказывает, какие квартиры выставлять на продажу в определенный период, опираясь на сроки и стратегию реализации объекта, ликвидность квартир и сезонные колебания спроса. Так удается избежать ситуаций, когда ближе к концу продаж остаются наименее востребованные варианты, на которые приходится снижать цены.
• Рекомендация цены. Цена каждой квартиры рассчитывается индивидуально, исходя из соответствия графику продаж, текущих рыночных цен, динамики рынка и уровня популярности конкретной квартиры. Для быстро продаваемых вариантов предусмотрен дополнительный повышающий коэффициент. Стоимость объектов можно пересматривать регулярно с интервалом от одного дня.

Также динамическое ценообразование предоставляет аналитику: скорость реализации отдельных типов планировок и контроль отклонений реальной цены и сроков продаж от запланированных показателей. Данные можно посмотреть в виде дашбордов в веб-интерфейсе решения или выгрузить в электронной таблице.

Как это работает

На первом шаге алгоритм сравнивает реальные темпы продаж с планом. Оценка ведется либо в квадратных метрах, либо в денежном выражении.

На втором шаге искусственный интеллект рассчитывает оптимальные цены для конкретных квартир, ориентируясь на рыночную ситуацию, спрос и уникальные характеристики каждого варианта (этаж, планировку, метраж). Также модель прогнозирует, за какое время вероятно удастся продать ту или иную квартиру.

Для расчета цены и ликвидности используются различные данные: данные девелопера, особенности расположения дома или жилого комплекса, а также общая ситуация на рынке недвижимости.

Как проходило внедрение ДЦО у ГК «DNS Девелопмент»

Внедрение динамического ценообразования заняло четыре недели. Процесс состоял из четырех основных этапов:

Этап 1. Подготовка

Работу начали со сбора информации об объекте — одном из домов проекта DNS Сити. Заказчик поделился необходимыми для обучения системы и расчетов данными:

• Характеристиками локации: обеспеченность социальной инфраструктурой (школы, больницы, магазины), близость к остановкам общественного транспорта.
• Параметрами каждой квартиры: класс, этаж, количество комнат, общая и жилая площадь, планировка, конфигурация, число квартир на этаже, наличие балкона, лоджии или террасы, высота потолков, вид отделки, стоимость отделки, близость к лифту, вид из окон и т. д.
• Текущими статусами квартир: продажа, резерв, бронирование.
• Ценами на квартиры: текущие и исторические данные о ценах на квартиры застройщика.

Все эти данные используются для обучения искусственного интеллекта в основе ДЦО и позволяют системе точнее оценивать цены на квартиры. Влияние того или иного признака при обучении модели под конкретный дом отличается. Где-то на итоговую цену больше влияет наличие балконов, где-то — высота потолка.

Этап 2. Дообучение модели

Специалисты Сбер Бизнес Софт доработали и настроили модель машинного обучения специально под один из домов жилого комплекса. Использовали данные от «DNS Девелопмент», добавив актуальную информацию о рынке недвижимости Владивостока на дату обучения. Включены были сведения из объявлений крупных риелторских площадок и обезличенные агрегированные данные Сбербанка о состоявшихся сделках.

Этап 3. Передача готового решения

Динамическое ценообразование передали заказчику в виде дистрибутива для Windows. Он формирует результат — оптимальные цены на каждое помещение и сводную аналитику по продажам — в виде электронной таблицы по нажатию одной кнопки. Аналитический отдел оценивает результат и принимает решение устанавливать ли предложенную искусственным интеллектом цену.

Этап 4. Доработка решения

После того как команда ГК «DNS Девелопмент» протестировала решение, эксперты Сбер Бизнес Софт приступили к его доработке. В частности, систему динамического ценообразования интегрировали с платформой Profitbase. Благодаря этому она автоматически получает свежие данные о квартирах, их особенностях и действующих ценах. Это позволяет искусственному интеллекту с высокой точностью прогнозировать стоимость и рекомендовать, какие объекты выгоднее продавать прямо сейчас.

Также адаптировали под требования заказчика визуализацию дашбордов: панель с аналитикой «вымываемости» отдельных планировок и сравнение прогнозируемых и реальных продаж.