Стоимость квартир формируется с учетом множества критериев: от геопозиции и инфраструктуры до экономических показателей.
Как же учитывать множество параметров, с помощью внедрения системы динамического ценообразования?
Для начала нужно понять, что Высокая цена - не значить прибыль.
Понятно, что стоимость квартир с лучшим видом и большей площадью отличается в большую сторону, но не стоит забывать, что при стоимости намного выше среднего показателя по рынку - спрос будет на много ниже.
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.
Что же нам даст внедрение системы динамического ценообразования с использованием алгоритмов машинного обучения?
Для расчета оптимальной стоимости квартиры необходимо учитывать 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, платформа DPrice использует алгоритмы машинного обучения, которые позволяют получать актуальные рекомендации по стоимости для каждой квартиры на основании вероятности ее продажи – модель динамического ценообразования.
Как это работает?
Модель динамического ценообразования распределяет квартиры при помощи машинного обучения по уровню спроса, в основу которого входят ключевые факторы, влияющие на стоимость жилья с учетом возможных изменений. 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 были исследованы 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.
Для расчета оптимальной стоимости квартиры необходимо учитывать 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, платформа DPrice использует алгоритмы машинного обучения, которые позволяют получать актуальные рекомендации по стоимости для каждой квартиры на основании вероятности ее продажи – модель динамического ценообразования.
Как это работает?
Модель динамического ценообразования распределяет квартиры при помощи машинного обучения по уровню спроса, в основу которого входят ключевые факторы, влияющие на стоимость жилья с учетом возможных изменений. 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 были исследованы 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.
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.
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.