ИИ для динамического ценообразования: как это работает в девелопменте

О компании-заказчике

Один из ведущих российских застройщиков, который реализует жилые и коммерческие объекты в сегментах «эконом», «комфорт» и «бизнес». Портфель насчитывает десятки комплексов в крупных городах и регионах, а ежегодный объем выводимых на рынок квадратных метров исчисляется сотнями тысяч.

Ключевые приоритеты — динамическое ценообразование, оперативное реагирование на действия конкурентов и повышение рентабельности проектов.

Издержки ручного метода анализа данных

Компания обратилась к нам с основной проблемой — неэффективностью ручного сбора информации о ситуации на рынке, ценах и условиях конкурентов, из-за чего замедлялось принятие решений и снижалась конкурентоспособность.

1. Аналитики тратили до 6–8 часов ежедневно на сбор данных с площадок (cian.ru, etagi.com, Нмаркет.про и др.), вручную копируя информацию о ценах, площадях, локациях и акциях. Это вызывало ошибки (до 15% данных требовали перепроверки) и задержки (актуализация цен происходила раз в 2–3 дня).  
2. Из-за устаревших данных компания не успевала реагировать на резкие изменения рынка, например, скидки конкурентов в «горячие» периоды, что приводило к потере потенциальных клиентов.
3. В результате цены на объекты устанавливались раз в месяц на основе усредненных показателей, снижая средний чек. В III квартале 2024 средняя стоимость квартиры в сегменте комфорт-класса была на 3–4% ниже рыночной из-за отсутствия гибкости.
4. Все собранные данные хранились в разрозненных Excel-файлах без визуализации, что затрудняло выявление трендов и стратегическое планирование. 

Как мы это исправили

Студия Искусственного Интеллекта FOKINA.AI разработала систему на базе ИИ для автоматического сбора показателей рынка с площадок агрегаторов и сайтов конкурентов. Мы также добавили в нее визуализацию данных для анализа и настроили заполнение таблиц в привычном для заказчика Excel. 

Создание ИИ-решения по шагам

1. Анализ и проектирование (2 недели):

• сбор требований: интервью с аналитиками, менеджментом и отделом продаж;
• выбор источников данных, включая приоритетные площадки и открытые API конкурентов;
• определение метрик — цены за квадратный метр, акции, динамика цен по районам, скорость продаж.

2. Разработка парсеров* и интеграций (4 недели):

• создание кастомных скриптов для сбора данных с сайтов, использующих защиту от парсинга;
• интеграция с API площадок, предоставляющих легальные данные;
• настройка обработки: очистка от дубликатов, нормализация данных (например, приведение цен к формату «стоимость в рублях на квадратный метр» благодаря NLP-модели).

*Парсер (от Data Parsing) — программа, которая автоматически собирает данные из публичных и полупубличных источников.

3. Разработка ядра системы (3 недели):

• создание ETL-конвейера (извлечение, преобразование и загрузка данных) для агрегации в единую базу;
• интеграция с Excel: автоматическое обновление таблиц с ценами через макросы и Python-библиотеки (openpyxl)**;
• построение дашбордов с возможностью фильтрации по регионам, типам объектов, компаниям.

** Поскольку скрипты часто рушили форматирование таблиц, было решено перенести логическую часть на отдельную веб-платформу для мониторинга, а Excel оставить только для экспорта итоговых таблиц с защитой от редактирования шаблонов.

4. Внедрение динамического ценообразования (2 недели):

• выстраивание алгоритма на основе правил, например, если средняя цена конкурентов в районе растет на 2% за неделю, система рекомендует повысить цену на объекты заказчика на 1,5–2%;
• машинное обучение, прогностическая модель — планирование спроса на основе исторических данных и сезонных факторов.

5. Тестирование и запуск (1 неделя): 

• пилотный старт на 3-х объектах для отладки алгоритмов;
• обучение аналитиков и менеджеров работе с дашбордами и Excel-шаблонами.