Компания «Интеко», один из ведущих девелоперов страны, запустила систему динамического ценообразования от компании «Иннодата», позволившую оптимизировать процесс реализации квартир. В результате средняя выручка по проектам увеличилась на 5-7% без учета рыночных факторов. О построении решения и его роли для бизнеса рассказывает Полина Балашова, директор по аналитике и ценообразованию компании «Интеко» и номинант на премию Data Award.
— Каковы были «головные боли» бизнеса? Какие проблемы пытались решить с помощью системы динамического ценообразования?
Со временем в компании увеличивалось количество проектов, и оперативная работа по корректировке цен, оценке новых объемов, построению отчетов и анализу спроса начала занимать очень много времени. Мы понимали, что на формирование стоимости влияет огромное количество факторов, в том числе не всегда очевидных. Учет всех этих факторов для максимизации цены реализации квартиры без снижения темпов продаж невозможен при ручном ценообразовании. Так появилась идея использовать технологии машинного обучения.
— Почему это было важно для вас?
Максимизация прибыли, цифровизация процессов и прозрачность принятия решения дает бизнесу понимание, что мы движемся в сторону развития и совершенствования.
— Какие варианты решения проблемы рассматривали? Какие требования предъявлялись?
Изначально была идея сделать динамическое ценообразование на базе CRM-системы, но сложность разработки, трудозатраты и отсутствие необходимых знаний у внутренних специалистов заставили отказаться от такого решения. Важным требованием была точность прогнозирования, выполнение системой заданных целей.
— Что в итоге было выбрано и почему?
Мы выбрали систему динамического ценообразования от компании «Иннодата», так как они представили наиболее гибкое и подходящее решение для бизнеса.
— Что в итоге представляет собой созданное решение?
Это несколько моделей машинного обучения, предсказывающих вероятность продажи квартиры на разный горизонт времени, то есть ее ликвидность, а также сложная алгоритмическая цепочка бизнес-правил компании для формирования итоговой стоимости каждой конкретной квартиры с обоснованием ее изменения. Модель облечена в дружественную для бизнес-пользователя оболочку, которая понятна аналитикам на интуитивном уровне.
— Что в ходе проекта оказалось самым сложным?
Наиболее сложным процессом оказалось сведение множества данных из различных систем в единую структуру. Для каждого из источников были разработаны отдельные процедуры обработки данных. В дальнейшем данные обогащают общую витрину, которая является основой для визуализации всех отчетов и дашбордов системы. При этом хотелось бы заметить, что наша система – это не просто калькулятор, который дает фиксированный процент изменения стоимости на каждое бизнес-правило, а интеллектуальный механизм автоматического расчета оптимального изменения в каждый момент времени. То есть для одного и того же правила в зависимости от рыночных изменений может рассчитываться разный оптимальный коэффициент изменения стоимости.
— Как изменились подходы и бизнес-процессы, связанные с ценообразованием, в результате реализации проекта?
Компании удалось полностью отказаться от ручного труда в рамках ценообразования, создана панель дашбордов для руководства компании, обновляемая в режиме реального времени. В разы сокращены затраты на анализ данных и увеличена скорость принятия решений.
— Каких результатов удалось достичь? Какие из них самые важные?
Точность прогнозирования цен составляет 85-90%, в среднем выручка по проектам увеличилась на 5-7% без учета роста цен на строительную готовность и рыночных факторов.
— Какова роль этого проекта для бизнеса компании?
Проект дал компании понимание, что ручной фактор ограничивает возможности формирования оптимальных цен на недвижимость, а динамическое ценообразование снимает эти риски.
— Есть ли у этого проекта какие-то перспективы развития?
Система постоянно совершенствуется и дорабатывается, обрастает новыми опциями. Чем больше данных поступает, тем она активнее адаптируется к новым непростым условиям рынка. Планируется дальнейшее расширение функционала с точки зрения автоматизации новых бизнес-процессов, связанных с ценообразованием. Например, оценка земельного участка с использованием генетического алгоритма или расширение функциональности по требованиям, возникшим в ходе эксплуатации системы. Предполагается также дополнительная визуализация рыночных данных, подключение новых источников к модели машинного обучения и многое другое.