Как мы создали AI-модель управления ценой

Из-за ручных правок цен, просадок конверсии и простоя объектов пользователи сервиса теряли выручку. Мы внедрили динамическое ценообразование: AI-модель в реальном времени анализирует рынок и поведение пользователей и подсказывает оптимальную цену для каждого объекта. В результате конверсия из просмотра в бронирование выросла, а время простоя снизилось.

На первом этапе мы подробно разобрали текущую модель ценообразования и боли ключевых стейкхолдеров: продакта, маркетинга, аккаунт-менеджмента и хостов.

Вместе сформулировали цели проекта: что именно будем считать успехом (рост выручки, загрузки, качества инвентаря, повышение прозрачности ценообразования) и какие решения на основе новой модели должны принимать хосты и платформа.

На этом же шаге сформировали первые бизнес-гипотезы — например, что часть объявлений сильно недооценена или, наоборот, переоценена, а учёт локации, набора удобств и рейтинга даёт более точную «рыночную» цену по сравнению с текущими подходами. В завершение фиксировали ключевые сценарии использования модели: внутренняя аналитика, рекомендации хостам, автоматический подбор цены и другие варианты применения.

На следующем этапе собрали в единую модель все типы объектов бронирования: целые квартиры, дома, коттеджи, апартаменты, шале и другие варианты размещения, а также отдельные комнаты, студии, койко-места и гостиничные номера — отелей, хостелов, апарт-отелей, баз отдыха и т.д.

Для каждого объявления проверили полноту и качество данных по 6 ключевым группам признаков:

— тип и структура объекта,

— локация,

— набор удобств,

— правила проживания,

— параметры цены и бронирования,

— признаки качества и спроса — рейтинг, отзывы, популярность и сезонность.

На этом этапе нормализовали и кодировали признаки:

— привели типы жилья, удобства и правила проживания к единым справочникам,

— кодировали категориальные параметры и нормализуем числовые — площадь, расстояния, рейтинги, цены.

Параллельно сформировали временные признаки: день недели, сезон, праздники и длинные выходные, окно бронирования — за сколько дней до заезда пользователь делает бронь.

Затем добавили агрегаты и «рыночные» признаки: среднюю цену, загрузку и популярность объявления, медианную цену и диапазон цен по похожим объектам в том же районе и на те же даты, а также индикаторы качества — структуру отзывов, статус «Суперхозяина» и другие важные сигналы.

На этом этапе мы собрали исторические данные: «объект + конкретные даты заезда + все признаки» зафиксировали фактическую цену с учётом скидок, «горящих» предложений, условий отмены и типа брони.

Затем очистили выборку от аномалий и тестовых данных, сбалансировали её по типам объектов и регионам, чтобы модель не «перекосило» в сторону самых массовых сегментов.

На этой основе обучили первую версию модели, которая предсказывала справедливую рыночную цену для объекта на заданные даты, и оценили её точность по разным сегментам — типам жилья, регионам и ценовым категориям.

На следующем этапе мы использовали модель в офлайне для проверки ключевых бизнес-гипотез: построили карты недооценённых и переоценённых объявлений и посмотрели, в каких сегментах текущие цены хостов сильно расходились с модельной «рыночной» оценкой.

На этой основе посчитали потенциальный эффект — как могла бы измениться выручка и загрузка при переходе к модельной цене для разных сегментов. По результатам PoC уточнили целевой функционал первого продуктового релиза и приоритеты по типам объектов и регионам.

На этом этапе модель ещё не изменяла цены автоматически, а использовалась как рекомендательный инструмент для принятия решений.

На следующем этапе мы запустили MVP на ограниченном пуле — в отдельных городах, для выбранных типов объектов или сегментов хостов.

В ходе пилота замеряли реальные бизнес-метрики: как изменились выручка, загрузка и средний чек, как реагировали и насколько были удовлетворены хосты, а также оценивали устойчивость модели к сезонным и локальным колебаниям спроса.

На финальном этапе мы расширили покрытие по регионам и типам объектов и добавили новые сценарии использования модели:

— отображение рекомендаций в личном кабинете хоста;

— API/сервисы для внутренних систем ценообразования;

— опциональный режим “автоподстройки” цены в рамках заданных границ.

Параллельно настроили бизнес-правила поверх модели: задали минимальные и максимальные цены, ограничения на скорость изменения тарифа, а также специальные правила для долгих броней, «горящих» предложений и других особых сценариев.