ML-платформа оценки стоимости недвижимости

Сеть агентств недвижимости теряла до 12 % потенциальной выручки: объекты либо занижались в цене и продавались мгновенно, либо зависали из-за завышенной стоимости. Команда заказчика искала инструмент, который до публикации объявления подскажет оптимальную цену под две разные цели — «продать быстрее рынка» или «максимизировать доход», а также позволил бы контролировать качество работы риелторов.

Мы создали ML-платформу оценки стоимости недвижимости, обученную на истории сделок и инфраструктурных данных, + UX-виджет для риелторов, который мгновенно предлагает цену и показывает, как она повлияет на срок экспозиции и маржу.

Воркшопы с коммерческим директором, аналитикой и 12 топ-агентами. Сформулировали две метрики: MAPE ≤ 6 % для цены и Precision-10 дней ≥ 80 % для прогноза «быстрой продажи»

Ключевые сложности: Риелторы оперировали субъективными «локальными» ценами, бизнес — агрегированными.

Как решили: Ввели единую налоговую базу как «эталон» и согласовали оферный диапазон ±5 %.

Собрали Data Lake  из 5 источников: агрегаторы (Авито, Циан и др.), кадастр, сервисы карт, CRM агентства.

Ключевые сложности: 23 % объявлений без данных о серии дома и лифтах; разные форматы адресов.

Как решили: Гео-кодирование через Nominatim + кластеризация домов по векторным признакам, дополнили 18 % пропусков; адреса нормализовали библиотекой DaData.

Тестировали Hedonic Regression, LightGBM, CatBoost, GNN-модель «дом-окружение». CatBoost дал

Виджет React в CRM + REST-сервис на FastAPI; прогноз приходит за 300 мс. Выкатили на 20 % агентов (тест) vs контроль

Ключевые сложности: Скепсис опытных агентов («цены знаю лучше»).

Как решали: Добавили сценарии «что будет, если» и объяснения факторов; вебинары 2×2 ч.

До 15 % рост совокупной выручки за счёт корректного позиционирования цены (средний прирост 13,7 % за 4-месячный A/B).

Сокращение средней экспозиции с 58 до 41 дня на объекты, где цель «быстрая продажа».

Точность прогноза цены — MAPE 4,9 %, что на 38 % лучше предыдущих ручных оценок.

Прозрачность для продавцов: в 92 % случаев собственники принимают цену без торга после показа объяснений факторов.

ROI

Почему нам доверяют

Методологическая нейтральность: сравниваем несколько алгоритмов, документируем плюсы/минусы, чтобы заказчик видел осознанный выбор, а не «любимую модель».

Интерпретируемый ML: SHAP-карты, графики зависимости цены от факторов и «what-if»-симулятор встроены прямо в CRM.

Сквозная экспертиза: от UX-исследований и чистки адресных данных до DevOps и сертификации безопасности.

Фокус на пользовании, а не только на коде: обучение агентов, линию консультаций и метрики приёма включили в контракт.

Итог: клиент превратил ценообразование из искусства риелтора в управляемый, проверяемый процесс, вырастил выручку до 15 % и сократил риск «застоя» объектов — всё за одно финансовое полугодие.