Источники несовместимы между собой
Кадастровые выгрузки, экспорт объявлений и внутренняя CRM описывают один объект по-разному: разные адреса, площади, отсутствие единого идентификатора.
Аналитика и оценка
Считаем стоимость по данным, а не по интуиции
Собираем разрозненные выгрузки, кадастровые записи и сделки в единую модель данных, строим оценку с проверкой на исторических сделках и отдаём результат туда, где принимается решение: в CRM, скоринг, инвесткомитет.
Или сразу: +7 (962) 368-39-51 Telegram
ETL
нормализация кадастра, объявлений и сделок
MAPE
точность модели считается, а не декларируется
бэктест
проверка на сделках прошлых периодов
API
оценка внутри вашей CRM и скоринга
Почему оценка на данных не сходится
Дело почти всегда не в модели, а в данных: несопоставимые источники, дубли, устаревшие объявления и отсутствие проверки на реальных сделках.
Объявления врут и дублируются
Один и тот же лот публикуется тремя агентствами по трём ценам, часть объявлений висит после продажи, а цена в них — приманка, а не предложение.
Аналоги подбираются вручную
Оценщик открывает карту, ищет похожие объекты глазами и вносит корректировки в Excel. Два специалиста по одному объекту дают разницу в 15–20 процентов.
Модель никто не перепроверяет
Оценка запущена год назад и с тех пор не калибровалась. Рынок изменился, а цифры в интерфейсе остались прежними и им продолжают доверять.
Отчёт для инвестора делается неделю
Каждый запрос на выгрузку — это письмо аналитику, ручная сборка таблицы и три раунда уточнений. Решение откладывается на неделю.
Фактических сделок нет в системе
Цены предложения есть, а цены реальных сделок и условия рассрочки — нет. Модель учится на желаниях продавцов, а не на том, что реально оплачено.
Что входит в аналитический контур
От сырых выгрузок до готовой оценки в интерфейсе вашей системы — весь путь данными, а не только модель.
Сбор и нормализация данных
Сводим источники к единой модели объекта: адрес, кадастровый номер, площади, этаж, год, состояние, координаты.
- Кадастровые записи и выгрузки Росреестра: контуры, назначение, площадь, кадастровая стоимость
- Экспорт объявлений по регионам: цены предложения, площади, тип дома, отделка
- Внутренние данные: CRM продаж, договоры, история бронирований и скидок
- Адресный матчинг, геокодирование и дедупликация лотов
Модели оценки стоимости
Строим оценку в двух режимах: понятный аналоговый подход для отчёта и ML-модель для потока объектов.
- Подбор аналогов по геометрии, удалённости, типу дома и состоянию рынка
- Корректировки на площадь, этаж, состояние и срок экспозиции
- Модель градиентного бустинга на истории сделок и предложений
- Интервальная оценка: диапазон и уверенность вместо одной цифры
Витрины и дашборды
Собираем данные в витрины, на которых аналитик и руководитель отвечают на вопросы за минуты, а не за неделю.
- Динамика цен по проекту, корпусу, этажу и планировке
- Скорость продаж, структура спроса, конверсия по каналам
- Сравнение с конкурентами в радиусе и по сопоставимым объектам
- Экспорт любого среза в Excel для работы вне системы
API и встраивание в процесс
Оценка должна приходить туда, где принимается решение, иначе ей не пользуются.
- REST API оценки с версионированием и лимитами
- Вызов оценки из карточки объекта в CRM или личного кабинета
- Пакетная обработка портфеля и очередь длинных расчётов
- Мониторинг качества: доля ручных правок оценщика и дрейф точности
Как строится оценка на данных
Начинаем с данных, а не с алгоритма: пока источники не сведены, любая модель даёт красивые цифры без смысла.
-
01 1–2 недели
Аудит источников
Разбираем, какие данные есть, в каком виде, как часто обновляются и насколько им можно доверять. Фиксируем целевые метрики качества.
-
02 3–5 недель
Пайплайн и качество
Строим ETL: загрузка, нормализация, дедупликация, геокодирование, контроль пропусков и выбросов. Заводим историю изменений.
-
03 3–4 недели
Модель и валидация
Обучаем модель, проверяем её на сделках прошлых периодов, считаем MAPE и разбираем систематические ошибки по сегментам.
-
04 2–3 недели
Внедрение и мониторинг
Отдаём оценку через API и дашборды, настраиваем переобучение по расписанию и следим за дрейфом точности.
Аналоговый подход и ML-оценка: что выбрать
Аналоговый подход понятен людям и защитим в разговоре с банком или инвестором: он объясняет, почему объект стоит столько — вот аналоги, вот корректировки на площадь, этаж, состояние и удалённость. Его слабое место — трудоёмкость: на портфель в несколько тысяч объектов он не масштабируется, а результат зависит от квалификации оценщика.
ML-модель обрабатывает поток за секунды и учитывает десятки факторов одновременно, включая неочевидные: близость к конкретной школе, состав соседних корпусов, динамику цен в радиусе. Но её вывод не объясняется сам собой. Поэтому на практике мы совмещаем: модель считает базовую стоимость, система подбирает ближайшие аналоги, а в отчёт попадают и цифра, и объяснение. Оценщик видит, где модель расходится с рынком, и правит не всю выборку, а конкретные сегменты.
Как проверяется точность модели оценки
Метрика «средняя ошибка 5 процентов» сама по себе ничего не значит, пока не указано, на каких данных она получена. Мы всегда считаем точность на отложенной выборке реальных сделок, а не на тех объектах, которые модель видела при обучении. Для этого данные делятся по времени: обучение на сделках до определённой даты, проверка — на более поздних. Иначе модель просто запоминает прошлое.
Дальше смотрим ошибку по сегментам: новостройки, вторичный рынок, загородная недвижимость, коммерческие помещения, разные города. Частая картина — приемлемая средняя точность при систематической ошибке на одном сегменте, например на объектах с большой площадью. Это сразу видно в разбивке и правится либо дополнительными данными, либо отдельной моделью для этого сегмента. Основная метрика — MAPE, и мы считаем её честно, включая выбросы.
Что нужно от заказчика для старта
Минимальный набор — исторические данные о ваших собственных сделках или оценках за последние два-три года: адрес, площади, цена, дата, состояние и хотя бы часть характеристик дома. Этого достаточно, чтобы понять, есть ли зависимость между признаками и ценой, и оценить достижимую точность.
Второй элемент — понимание процесса, в который встраивается оценка. Кто её видит, какое решение принимает на её основе, что происходит при ошибке. Оценка для кредитного скоринга, для инвесткомитета и для подсказки цены менеджеру в CRM — это три разных требования к точности, скорости и объяснимости, и от них зависит архитектура решения.
Частые вопросы
Для однородного сегмента — например, квартир в новостройках одного города — при наличии нескольких тысяч сделок в обучении реалистична средняя абсолютная ошибка в пределах 5–10 процентов. Для разнородного портфеля с коммерческой недвижимостью и загородными объектами точность ниже, поэтому мы разделяем сегменты и считаем метрику по каждому отдельно, а не одной усреднённой цифрой.
Да, кадастровые данные — база для пространственного анализа: контуры участков, назначение, площадь, кадастровая стоимость, координаты. Мы сопоставляем их с рыночными предложениями и внутренними данными, чтобы связать объект с местоположением и окружением. Кадастровая стоимость при этом не равна рыночной и в модели используется как дополнительный признак, а не как ответ.
Для большинства задач нет. Обучение и переобучение выполняются периодически, а не постоянно, и запускаются на одном узле с достаточным объёмом памяти. Если оценка нужна в реальном времени и нагрузка высокая, мы выносим расчёт в отдельный сервис и кэшируем результаты по объекту: повторная оценка того же лота не требует полного пересчёта.
Базово — раз в квартал, потому что рынок меняется и цены предложения дрейфуют. Дополнительно мы отслеживаем качество в потоке: если доля оценок, которые оценщик правит вручную, растёт выше обычного, это сигнал к внеплановому разбору и переобучению, не дожидаясь конца квартала.
PropTech: другие направления
Смежные задачи, которые обычно решаются в одном проекте с этой.
Соберём аналитику по вашему портфелю
Опишите, какие данные о рынке и сделках у вас есть, — оценим реалистичную точность и срок первого результата.