{"id":13843,"url":"\/distributions\/13843\/click?bit=1&hash=9641db5f8396eb5e3ae6e331810868e79152f4c586c9054dbf4233d8c66ffe95","title":"\u041f\u0440\u043e\u0434\u0432\u0438\u0436\u0435\u043d\u0438\u0435 \u043d\u0430 \u043c\u0430\u0440\u043a\u0435\u0442\u043f\u043b\u0435\u0439\u0441\u0435 \u044d\u0442\u043e \u0441\u043b\u043e\u0436\u043d\u043e \u0438 \u0434\u043e\u0440\u043e\u0433\u043e. \u0418\u043b\u0438 \u043d\u0435\u0442?","buttonText":"\u0423\u0437\u043d\u0430\u0442\u044c","imageUuid":"6ae9f07a-e420-5ca7-bb22-540b387b5d64","isPaidAndBannersEnabled":false}

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:

  • Экран поиска —> формат списка
  • Переработка поиска на карте
  • Редизайн и переработка карточек объектов
  • Оптимизация поиска: сохранение параметров поиска, добавление в избранное, отсечение дублей с площадок
  • Создание панели для выгрузки файлов с данными и работы с аналитикой.

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

Работа над UI

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.

  • Разработали сохранение поиска и избранных квартир
  • Добавили порядка 10-ти новых фильтров, влияющих на поисковую выдачу
  • Добавили сортировку по рейтингу объявлений на основе ИИ
  • Разработали авторизацию, которая позволяет привязать к аккаунту сохраненный поиск и избранные квартиры.

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

  • Первоисточник объявления
  • Бейджи, помогающие принять решение: инвестиционный потенциал квартиры, построенный на ИИ
  • Отображение отклонения фактической цены квартиры от рыночной
  • Прогноз аренды, также построенный на ИИ. Отображает примерную сумму, которую можно получить при сдаче объекта в аренду.

Также добавили экран поиска объектов на карте со следующим функционалом:

  • Кластеризация объектов на карте
  • Цветовые индикаторы квартир
  • Разметка зоны поиска
  • Фильтрация как на странице поиска.

Корректировки

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

  • Переместить фокус на ключевую аудиторию
  • Прогнозировать сроки выхода проекта на прибыль
  • Ускорить разработку
  • Составить список потенциальных задач для будущих релизов.

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.

Расширение функционала ИИ

  • Добавили анализ текста: теперь в карточки объявлений на сайте автоматически подтягиваются параметры из описания. Например, про доступность квартиры жильцам с детьми и/или животными
  • Добавили автоматический анализ изображений и возможность фильтровать объявления по качеству и цвету ремонта
  • Доработали алгоритмы оценки доходности и средней цены квартиры по рынку
  • Добавили алгоритм оценки качества инфраструктуры вокруг объекта: наличие школ, детских садов, магазинов, больниц, парков и транспортных развязок.

Процесс обучения ИИ и нейросетей

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.

Монетизация

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

  • Платный доступ к API/аналитике
  • Платная подписка с расширенными функциями
  • Услуги по подбору и анализу вариантов жилья – раздел “Виртуальный риелтор»
  • Партнерства с компаниями-перевозчиками, клинингами и локальными бизнесами
  • Помощь в оформлении документов, партнерства с юридическими компаниями.

Планы на ближайшие полгода

  • Выпустить опрос для более простого поиска квартиры
  • Выпустить первую версию личного кабинета для пользователей
  • Переработка кода для оптимизации работы сайта и масштабируемости
  • Запуск вспомогательных услуг от оффлайн команды
  • Внедрение дополнительных функций для удобства пользователей.

Результаты

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.

0
9 комментариев
Написать комментарий...
Надежда Карклина

Очень интересный кейс, интересно, планируется ли выход в регионы. Такой сервис может быть полезен во многих городах-миллионниках... Особенно студентам, которые приезжают учиться в более крупные города - с жильем всегда проблемы...

Ответить
Развернуть ветку
Кирилл Кузнецов

"Более 50% посетителей площадки использует умные фильтры при поиске"… "Добавили порядка 10-ти новых фильтров, влияющих на поисковую выдачу"… Понятно. Позовите юиксера в команду, ну и вообще умных людей.

Ответить
Развернуть ветку
FutureComes
Автор

Каждый новый фильтр конкретизирует твою поисковую выдачу и экономит время, так как ты не смотришь нерелевантные варианты. Часть этих фильтров можно выставить вручную (например, если вы хотите рядом с домом фитнес с бассейном и ВкусВилл), а часть вшивается автоматически в поиск (большинство этих фильтров направлены на скрытие сомнительных квартир из поиска или дубликатов). То есть увеличение количества фильтров не нагружает пользователя, а наоборот делает процесс поиска удобным.
А новые фильтры и условия поиска внедрялись исходя из исследований аудитории, так как над проектом работала команда разработчиков и дизайнеров, соблюдающих все правила design thinking.

Ответить
Развернуть ветку
Кирилл Кузнецов

И тем не менее, больше половины людей считает что ваши умные фильтры работают неправильно. А нужен всего-то data driven…

Ответить
Развернуть ветку
Alex Levadniy

В статье не раскрыт заголовок статьи. Каким макаром вы привели 85000 людей дополнительно, переделали фильтры?

Ответить
Развернуть ветку
FutureComes
Автор

Мы привлекали пользователей с помощью таргетированной рекламы, сообществ о недвижимости и локальных досок объявлений об аренде квартир. Но динамику по привлечению пользователей (с помощью сарафанного радио в том числе) и по их возвращению на сайт можно было заметить в момент больших продуктовых изменений: изменений главного экрана и добавления фильтров (об этих изменениях написано в материале).

Ответить
Развернуть ветку
Ivan Kramarchuk

Про ИИ только много раз написано, что он есть. Можно детали? Какие критерии использовали, какой фреймворк, какие особенности?

Ответить
Развернуть ветку
FutureComes
Автор

Подробнее об этом можно прочитать в этой статье https://vc.ru/life/293466-saga-o-tom-kak-v-startape-mashinnoe-obuchenie-vnedryali

Ответить
Развернуть ветку
FutureComes
Автор

Подробнее об этом можно прочитать в этой статье https://vc.ru/life/293466-saga-o-tom-kak-v-startape-mashinnoe-obuchenie-vnedryali

Ответить
Развернуть ветку
Читать все 9 комментариев
null