Директор по стратегии и анализу Mail.Ru Group Александр Горный каждый день рассказывает о примечательных проектах.
Похожих проектов в мире много, английский PurpleBricks — не самый большой и не самый известный, но зато на родине уже зарабатывает, а не инвестиции тратит.
Стартап решает боль клиентов при продаже недвижимости. Вне зависимости от страны, проблема везде одинакова: риэлторы необходимы или почти необходимы, денег берут много, а работают плохо. При этом «много» — это проценты стоимости жилья, $5-6 тысяч — совершенно нормальная ставка.
PurpleBricks и его аналоги считают причиной высокой цены плохую работу. Риэлтор заключает мало сделок, а кушать хочет. Если он возьмет с клиента $500 вместо $5 тысяч, то количество клиентов сопоставимо не вырастет, так как агенты не умеют себя рекламировать. А если вдруг дома на продажу все-таки появятся, то риэлтор их не продаст: он просто не успеет со всеми поговорить и съездить на показы.
Стартапы за счет масштаба и инвесторских денег разрывают оба порочных круга. PurpleBricks берет фиксированную тысячу фунтов за продажу дома, вместо 2-3% рыночной комиссии. Профессиональный отдел маркетинга приводит аудиторию, благо такую экономию промотировать легко.
Один агент в полях получает много клиентов, но дома система распределяет по принципу географической близости, далеко никто не ездит, время в дороге не теряет. Кроме того, хорошая CRM и мобильное приложение работают лучше памяти и блокнота. Риэлтор не забывает о встречах и обещаниях перезвонить, а клиент реже его отвлекает — он всё и так в телефоне видит.
У PurpleBricks экономика сошлась. За последнее полугодие стартап заработал в Великобритании 40 млн фунтов, чуть больше половины выручки ушло на непосредственно продажи: зарплаты агентов и рекламу недвижимости. Вторую половину разделили маркетинг, начальство, программисты и 10% чистой прибыли. Два года назад компания вышла в Австралию, год назад в США, там и там растет, но пока масштаб маленький. Под американский рынок PurpleBricks получил последние инвестиции — $177 млн.
Комментарий недоступен
В условиях российской экономики - это чаще всего "стартап дна"!
40 тысяч сделок за полгода? По ~220 сделок в день?
Интересно, как у них с оценкой объектов.
а какие проблемы? алгоритмы машинного обучения позволяют решать задачу оценки объектов недвижимости без особых проблем. если не ошибаюсь, некоторые алгоритмы как раз и родились в 80-е как решение этой задачи :)
Комментарий недоступен
не мой.
но да, оценит, конечно. другое дело, что вы можете не согласиться с оценкой.
Комментарий недоступен
причем тут вера и причем тут магичность? и кто тут не понимает суть?
еще раз, медленно: некоторые алгоритмы машинного обучения возникли как раз как результат работы математиков над задачами вида "оценка стоимости большого количества объектов недвижимости".
нужны подробности? ок: бостон, начало 1980-х.
теперь совсем на пальцах, изрядно утрируя: все эти бигдаты-питоны-деревья-бустинги потому и существуют, что где-то чиновники и представители бизнеса захотели получить ответ на вопрос "сколько это стоит?" - и, собственно, получили.
разумеется, можно и ребенка попросить оценить. дело за малым: чтоб этот ребенок давал более или менее точную оценку для большого массива данных.
Комментарий недоступен
То что вы описали, под это больше подойдет алгоритм обхода красно-черных деревьев чем ML, даже наоборот ML тут все испортит
Комментарий недоступен
я отвечал на комментарии выше)(Eugene)
я не против автоматической оценки недвижимости, но для такой оценке нужно точно и честно собирать все параметры и само собой для оценки их должно быть много. Что-то похожее делают в carPrice. ML тут лишен
ни о чем не говорит, но тем не менее вы пришли сюда со своим экспертным скептицизмом.
логично, да.
разумеется, никто в явном виде не будет закладывать в модель параметры вида "паркет похрустывает" или "за стенкой бухарик живет". более того, это и не требуется. более того, при реальной работе любую оценку, полученную быстро при помощи некоего алгоритма, можно скорректировать вручную при необходимости.
Комментарий недоступен
+/-30% - вот эту дельту вы откуда взяли? сами придумали? а какое отношение она имеет к реальным моделям?
зы.и да, важный момент: в отдельных артефактных случаях вылеты наверняка могут быть; но речь о тысячах, десятках тысяч, сотнях тысяч объектов...
Работаем над алгоритмами оценки недвижимости.
Как заметил Александр Другой: сбор данных самая важная и трудоемкая часть работы.
И даже оценка, которая не включает всех нюансов, облегчает выбор, т.к. позволяет отсеять неподходящие варианты.
Например, опасность района мы учитываем в оценке уже сейчас.
Технически можно оценить и вид из окна, и состояние квартиры. Но для этого нужны: точное расположение(адрес, этаж, номер квартиры), планировка, план местности, качественные и действительные фото.
Комментарий удален модератором
Комментарий недоступен
Комментарий удален модератором
Комментарий недоступен
Комментарий удален модератором
Коллеги, интересуюсь стартапами в недвижимости - и слежу за блогом http://www.mikedp.com/articles/2018/3/6/2018-emerging-models-in-real-estate-report. Реально интересные обзоры - как я понял, автор сам был одним из топов проекта в Новой Зеландии. К России применимо не все, но анализ там очень глубокий (по крайней мере, глубже в открытом доступе я не нашел). Это не проплаченная реклама :) а рекомендация читателя "в тему".
Комментарий удален модератором