Сервис недвижимости: как мы с помощью адаптивного UI и машинного обучения с нуля привели на сайт более 85000 посетителей

The Meters – стартап в сфере поиска недвижимости, который изначально планировался как инвестиционный помощник. В итоге сервис вырос в полноценную площадку по поиску квартир в Москве и Санкт-Петербурге. Как это произошло – читайте в кейсе.

В виду интереса к инвестициям, площадка сохранила часть функционала до сих пор. При просмотре объявления о покупке квартиры, например, пользователь видит средние показатели доходности конкретного варианта, а также сравнение цены с рыночной за схожие характеристики. Еще The Meters показывает пользователям среднюю стоимость аренды выбранного ими варианта.

Проект пришел к нам во Future Comes на этапе сырого продукта, было много пробелов и недоработок, которые было необходимо заполнить: нужно было переработать дизайн и код, проект использовал старую версию фреймворков, а структура в коде отсутствовала.

Приоритетной задачей стала разработка масштабируемой архитектуры сервиса, чтобы проект мог легко наращивать новый функционал с выходом следующих релизов. Был составлен план доработок:

Все изменения и обновления мы разрабатывали опираясь на результаты опросов реальных пользователей и потенциальной целевой аудитории.

Перед началом работы с UI мы провели опросы о процессе поиска жилья среди потенциальной ЦА. Мы опросили жителей Москвы и Петербурга в возрасте от 25 до 35 лет. Большинству неудобно следить за объявлениями на нескольких площадках сразу, из-за этого подходящие варианты часто уходят из-под носа. Также многие упоминали посредственную эффективность фильтров на других площадках. А сортировать объявления в социальных сетях нельзя в принципе, поэтому приходится смотреть всё подряд, а на это уходит много времени.

На основании опроса мы поняли, что людям удобнее просматривать все объявления на одном ресурсе и желательно с возможностями кастомизации структуры, чтобы сузить диапазон поиска. Мы полностью пересмотрели интерфейс и бэкенд, расширили функционал и плотно занялись обучением ИИ, чтобы объявления фильтровались максимально качественно. Положительную динамику использования площадки можно было наблюдать в режиме реального времени, по мере реализации нововведений.

Дальше начали работу со страницей поиска. На превью объявления вывели:

Также добавили экран поиска объектов на карте со следующим функционалом:

После первого релиза, чтобы лучше понимать направление развития, провели сбор обратной связи. Это позволило:

Система сбора информации также обновилась – ускорили процесс обработки ошибок парсеров и визуализировали его на дашборде. Также добавили возможность создания очереди файлов на загрузку, которая дала возможность вручную и автоматически загружать файлы в базу данных из нескольких источников.

Для более точного поиска мы проделали обширную работу с алгоритмами ИИ, это позволило повысить результативность поиска и удовлетворить запросы ЦА, исходя из результатов опроса и «болевых точек». В следующем разделе мы немного углубимся в процессы обучения ИИ, но без сложной технической информации. А также поговорим о том, как решались проблемы, с которыми столкнулась наша аудитория и мы сами.

Многие думают, что ИИ и нейросети в буквальном смысле поглощают всё, что им дают датасаентисты и отбирают из этого лучшее самостоятельно, но работает это не совсем так. При обучении нейросетей нужно тщательно сортировать информацию и перебирать множество комбинаций, чтобы свести погрешность к минимуму.

Для качественного обучения нужны качественные датасеты, для их составления требуется тщательная сортировка и систематизация информации. Также исходные данные должны быть приведены к общему виду и чем полнее перечень исходных данных, тем лучше будут результаты соответственно.

Еще одним важным параметром является размер выборки, чем больше вариантов проанализирует нейросеть, тем опытнее она станет и повысит свою результативность. Тут же стоит учитывать количество параметров анализируемых нейросетью объектов, в нашем случае их много: площади, комнатности, цены, локации и т.д.

Таким образом, чем больше структурированных и подробных датасетов нейросеть потребит, тем меньше будет погрешность. В нашем случае первый алгоритм дал SMAPE на уровне 70%, то есть если аренда квартиры стоит 50 тыс. рублей, алгоритм давал оценку в районе 15-75 тыс. Дальше было много проб и ошибок, разные специалисты, разные технологии – мы экспериментировали. Итоговый результат получился на уровне 12%, что уже намного лучше.

В данный момент мы вместе с The Meters исследуем и прорабатываем возможные стратегии монетизации проекта, некоторые из них уже реализованы:

Результатом сотрудничества Future Comes и The Meters стал успешный переход от «сырого продукта» к «работающему решению» по поиску недвижимости, которое помогает людям в Москве и Петербурге. Более 50% посетителей площадки использует умные фильтры при поиске, это влияет на количество времени, требующегося на поиск жилья и, соответственно, на проведенное время на сайте.

Находить подходящие варианты стало легче и быстрее, об этом говорит статистика (мы сравнивали показатели первых месяцев сотрудничества и актуальные показатели): благодаря продуктовым апдейтам и новым фильтрам удалось увеличить количество визитов почти в 8 раз, а общее количество визитов за весь период работы — 130.000.

Вместе с количеством визитов выросли показатели глубины просмотра – количество страниц, просмотренных пользователем в течение одного сеанса. Также удалось снизить количество отказов с 41.8% до 27.6% – всё меньше людей покидают сайт, не пробыв на нем и 15 секунд.

Время пребывания на сайте возросло почти в 3 раза.

Вместе с развитием нейросетей и обновлениями UI будет сокращаться количество времени, затрачиваемого на поиск подходящего варианта жилья пользователями The Meters. Команда работает над тем, чтобы сделать процесс поиска наиболее адаптивным и удобным. Также со временем будет появляться больше дополнительных услуг, которые помогут избежать бюрократических сложностей и ошибок, связанных с арендой и покупкой недвижимости.

Слышали ли вы о THE METERS до этого или может вы уже искали квартиру через этот сервис? В комментариях можно задать интересующие вас вопросы команде разработчиков или поделиться своими комментариями по использованию сервиса.