ML ценообразование

Проблематика:

Арендодатели не всегда корректно оценивают рыночную стоимость жилья.

Длительный простой объектов из-за неоптимального ценообразования.

Отсутствие автоматизированного анализа конкурентов и динамики спроса.

Цели:

Создать систему динамического ценообразования.

Уменьшить время простоя объектов за счет адаптивных цен.

Повысить заполняемость и доходность аренды.

Решение:

Использована ML-модель (CatBoost), анализирующая:

Локацию и характеристики объекта.

Спрос и цены конкурентов.

Историю бронирования похожих объектов.

Ограничения:

Макс. повышение цены: +30%.

Макс. снижение: -10%.

Прогноз на до 30 дней.

Этапы работ:

Разработка бейзлайна (среднее по кластеру в городе).

Эксперименты с моделями:

ARIMA, Markov Chain (временные ряды).

Байесовские модели.

Нейросети для эластичности спроса.

Оптимизация CatBoost (лучший результат).

Интеграция в сервис + логирование данных для дообучения.

Данные:

История бронирований (цена, параметры объекта).

Матрица похожих объектов.

Многопоточная обработка для ускорения.

✅ Автоматизированное ценообразование – арендодатели получают обоснованные рекомендации.

✅ Снижение времени простоя – адаптивные цены повышают заполняемость.

✅ Гибкие настройки – ограничения на изменение цены (+30%/-10%).

✅ Логирование данных – система улучшается с каждым новым бронированием.

✅ Удобный интерфейс – применение новой цены в 1 клик.

ML-модель динамического ценообразования упростила работу арендодателей и повысила доходность.

Дальнейшее развитие:

Учет сезонности и макроэкономических факторов.

Интеграция с другими платформами аренды.

Улучшение точности прогноза за счет большего объема данных.