Как машинное обучение помогает индексировать цены на недвижимость

На формирование стоимости квартиры влияет множество факторов: от расположения и инфраструктуры района до макроэкономических показателей. Девелопер MR Group внедрил аналитическую систему динамического ценообразования от интегратора «Иннодата», чтобы в моменте индексации учитывать максимальное количество параметров. Рассказываем, как это работает.

Высокая цена не равно прибыль

Стоимость квартиры складывается из различных показателей. Наиболее значимыми из них являются базовые характеристики: количество комнат, отделка, транспортная доступность ЖК и многое другое. Так, например, квартира, с видом на благоустроенный двор будет дороже жилья с окнами на скоростную трассу. Однако, если стоимость недвижимости намного выше среднего показателя по рынку, то спрос на нее будет очень низким даже при условии прекрасной планировки, удачного расположения и развитой инфраструктуры.

Сегодня многие девелоперы придерживаются стратегии быстрой продажи квартир. Это связано с переходом от долевого строительства к проектному финансированию, которое предполагает привлечение банковских средств. В этом случае банк следит за соблюдением графика реализации проекта, при этом средства, полученные от продажи квартир, хранятся на специальных эскроу-счетах – застройщик получает их только после окончания строительства. По мере накопления средств снижается кредитная ставка, таким образом, продажа квартир на раннем этапе строительства обеспечивают выгодные условия по займу.

Однако если цена на жилье окажется слишком высокой, то срок возврата инвестиций увеличивается. В то же время нельзя допускать и чрезмерного снижения цен ― это приведет к уменьшению маржинальности объектов и вымыванию определенного типа жилья, к примеру, на однокомнатные квартиры всегда высокий спрос. Перед девелопером встает задача вычислить и установить оптимальную цену, которая позволит достичь наибольшей прибыли в указанные сроки.

Причем тут машинное обучение?

Для расчета оптимальной стоимости квартиры эксперты учитывают около 600 маркеров, которые можно разбить на несколько блоков.

Внутренние данные ― информация о ЖК и самой квартире: например, площадь, количество комнат, расположение и так далее. Также в эту категорию входят сведения из CRM: обращения клиентов, данные о просмотрах и статистика по ЖК с сайта компании.

Предложение конкурентов ― данные об аналогичных предложениях на рынке. Например, средняя стоимость подобных квартир. Это позволяет оценить спрос и конкурентоспособность предложения.

Экономические показатели ― к примеру, ключевая ставка ЦБ, ставка ипотечного кредитования, уровень инфляции. Эта информация позволяет учесть влияние экономических факторов на изменение спроса на недвижимость.

Для того, чтобы собрать и проанализировать все параметры, требуется очень много времени. К тому же, данные постоянно обновляются, что требует быстрой переоценки. Для того, чтобы автоматизировать и упростить этот процесс, «Иннодата» разработала алгоритм, использующий машинное обучение, который позволяет получать актуальные рекомендации по стоимости для каждой квартиры на основании вероятности ее продажи – модель динамического ценообразования.

Как это работает?

Модель динамического ценообразования ранжирует квартиры с помощью машинного обучения по уровню спроса на основании всех ключевых факторов, влияющих на стоимость жилья с учетом информации об их изменении. Проще говоря, алгоритм определяет вероятность продажи квартиры и рекомендует цены, которые позволят обеспечить равномерные продажи недвижимости.

Например, модель способна определить, что двухкомнатные квартиры за последние 30 дней стали продаваться быстрее, и рекомендует повысить цены на весь кластер, чтобы избежать ажиотажного спроса и быстрого вымывания этого типа жилья. По внутренним данным модель способна отслеживать, как меняется интерес покупателей в конкретном ЖК. Внешние источники позволяют учитывать динамику спроса на недвижимость: какой класс жилья сейчас в приоритете и так далее.

Система анализирует все ключевые факторы, которыми руководствуются потребители при покупке недвижимости, и позволяет гибко реагировать на изменение рыночной среды.

Что важнее?

Для ответа на вопрос, какие факторы являются наиболее значимыми, мы исследовали данные о продажах и предложениях трех крупных девелоперов.

Самое большое влияние на цену, в итоге, оказывают характеристики самой квартиры и ЖК. Данные из CRM девелопера наиболее полно описывают спрос на объекты конкретного проекта и очень часто оказываются наиболее информативными и полезными.

При этом внутренние данные не могут быть единственным источником информации, поскольку спрос также зависит и от других параметров. Диаграммы показывают, что использование экономических показателей, а также актуальных сведений о состоянии рынка повышает точность модели, так как позволяет учитывать различные сценарии развития рынка.

Как машинное обучение помогает индексировать цены на недвижимость

Важно отметить, что точность модели зависит от множества факторов: объем данных, предоставленных заказчиком, количество продаж, и даже специфика самого ЖК. Последующее переобучение модели, обработка исключений в истории продаж повышает качество анализа.

Все признаки в различной степени влияют на ценность, уровень спроса и конечную стоимость квартиры. Например, снижение ставки по ипотеке делает недвижимость (как жилую, так и коммерческую) более привлекательным активом и может стимулировать повышение спроса, а как следствие, увеличить вероятность продажи. Другими словами, изменение ставки по ипотеке является важным признаком и имеет большое значение. С другой стороны, есть факторы, которые тоже безусловно влияют на ценность квартиры, но в гораздо меньшей степени. Например, количество лифтов в подъезде ― клиенты скорее обратят внимание на этаж, площадь квартиры и другие показатели.

На графиках представлены наиболее значимые признаки для каждого девелопера. Стоит отметить, что топ самых значимых параметров не константа и меняется вместе с рынком.

Как машинное обучение помогает индексировать цены на недвижимость

Практический опыт использования системы динамического ценообразования

«Компания MR Group интегрировала систему динамического ценообразования в 2021 году. Новый инструмент позволил максимизировать прибыль и сбалансировать вымывание лотов в каждой из категорий пропорционально проектному объему.

Сейчас специалисты MR Group работают над расширением возможностей прогнозирования, чтобы аналитики перед принятием решения об изменении цены могли получить данные об экономической эффективности каждого из вариантов и спрогнозировать влияние каждого параметра. Кроме того, до конца года мы планируем запустить функцию расчета стоимости жилья на стадии оценки земельной площадки.

Предиктивная модель встроена в бизнес-процессы компании и действует на всех проектах MR Group: «Селигер Сити», MOD, «Фили Сити», Hide и других», ― Вадим Прошин, директор по информационным технологиям MR Group.

1414
8 комментариев

Кайф, молодцы ребята

2
Ответить

Спасибо)

Ответить

Интересно) это работает в рамках одного застройщика? А для вторички есть аналоги?

Я слепил на коленке аналитическую систему, определяю максимальную стоимость продажи для квартир на вторичке.

1
Ответить

Да, для вторички тоже возможно реализовать

Ответить