Системы динамического ценообразования: что это такое и для чего они нужны
Динамическое ценообразование — это изменение или переоценка стоимости товара в зависимости от разных факторов, в недвижимости — изменение стоимости квадратного метра.
В полуручном-полуэкселевском варианте динамическое ценообразование существует практически у всех застройщиков — вы повышаете цены в процессе строительства? Значит, применяете динамическое ценообразование.
Как работает динамическое ценообразование у большинства
- Практически все работают в экселе.
- Применяют очень простые формулы или не применяют их вовсе.
- Визуально оценивают по шахматке, какие лоты вымываются сильнее и экспертно проставляют обновлённые цены.
- Долгосрочного плана продаж либо нет, либо он неактуальный (разрабатывался для банка).
В последнее время, говоря об инструментах динамического ценообразования, подразумевают автоматизированные системы, которые будут рассчитывать и предлагать конкретные изменения и новую цену квадратного метра или конкретного лота.
У системы динамического ценообразования две задачи:
1. Обеспечить равномерное выбытие лотов, чтобы у девелопера в продаже всегда был одинаково богатый ассортимент.2. Максимизировать выручку.
На практике потребности застройщиков меняются в ходе реализации объекта:
- На старте проекта задача создать непрерывный денежный поток.
- В середине реализации — повысить выручку и маржинальность проекта.
- В конце — оценить, что выгоднее: повысить цены на последние лоты или быстрее избавиться от остатков, чтобы сократить издержки на маркетинг и продажи.
Динамическое ценообразование помогает управлять спросом, поэтому помогает в каждой из этих задач.
В чем проблема и зачем здесь нужна автоматизация
Обычно контролем спроса и управлением ценами занимаются аналитики и финансовый или коммерческий директор, который анализирует темпы продаж и отслеживает, какие квартиры с какой скоростью продаются, намечает тренды и решает, на какие типы квартир нужно повысить цены, а на какие — снизить.
На практике многие аналитики больше времени тратят на то, чтобы собрать и загрузить данные, сделать графики и сдать руководству. У них просто не хватает времени на то, чтобы их проанализировать.
Вторая проблема в том, что экспертная корректировка цен всегда субъективна. Тем более, когда человек должен скорректировать их не на две квартиры, а на несколько тысяч. И должен корректировать постоянно.
Работа с ценообразованием — это работа с большими объёмами данных, подключение автоматизированных систем здесь помогает ускорить процесс принятия решений.
Доверить ценообразование машине и уволить аналитика? Конечно нет
Аналитик тоже понадобится. Человек и машина — не взаимоисключающие вещи. Машина внедряется не чтобы заменить человека, а чтобы помочь ему и повысить его эффективность.
Когда вы переезжаете с ручного управления на автоматизированное — точность и скорость принятия решений увеличивается. Появляется возможность прогнозировать планы поступлений, сроки завершения продаж всего объекта или определенных лотов. В Excel этого сделать нельзя.
И, конечно, применение математических моделей позволяет внести больше объективности в процесс ценообразования.
Алгоритм может просчитывать и сравнивать спрос на квартиры в разных разрезах и увидит тренд гораздо раньше, чем человек.
А в недвижимости, при средней стоимости лота 5 млн рублей, если мы отреагировали быстрее и успели поднять цены на 1%:
- на две квартиры и мы уже получили дополнительно 100 тысяч рублей,
- на пять квартир и мы получили дополнительно 250 тысяч рублей.
Но полностью машина не может заменить человека, аналитик должен валидировать рекомендации алгоритма и, если нужно, вручную их корректировать.
Алгоритм в системе ценообразования — это про машинное обучение?
Сейчас в недвижимость приходят многие команды из екоммерса и авиаперевозок и предлагают использовать модели ценообразования с машинным обучением. Но у недвижимости другая специфика, потому что другие темпы продаж и меньше данных для обучения алгоритма.
Разбираем на примере ван Гога и жевачки
Вот представьте, у нас есть какой-то простой продукт, например, обычная жевательная резинка. Блистер на 10 подушечек, продаётся возле кассы в супермаркете, стоит 23 рубля. Ходовой товар, каждый день продаётся десятками миллионов упаковок. С помощью машинного обучения мы можем проанализировать эти большие данные и вычислить, при какой стоимости на товар будет максимальный спрос.![](https://static.tildacdn.com/tild6533-3037-4232-a265-386462623933/photo.png)
![](https://static.tildacdn.com/tild3830-3861-4761-b862-336235623763/_.jpeg)
Винсент ван Гог, Звёздная ночь.1889
Если рассуждать логически, недвижимость находится где-то посередине между этими двумя примерами. Товара мало для аналитики — если декомпозировать до класса недвижимости и конкретного города, то это тысячи, в большом городе — максимум десятки тысяч штук за месяц.
![](https://static.tildacdn.com/tild3131-3338-4662-b163-653461616136/photo.png)
Но если говорить про премиум и про элит-класс — там всё меньше товара и всё больше эмоций в принятии решений. Покупателю не так критично, заплатить за объект 90 миллионов или 93 миллиона, но важно, как сработает маркетинг, как презентован объект, и какую эмоцию всё это создаст. Именно от того, как маркетинг сыграет на гедонизме, и будет зависеть стоимость. Можем ли мы тут применить машинное обучение, которому нужны большие данные и конкретные оценочные параметры? Это уже большой вопрос.
А теперь с технической стороны. Без жевачки
Есть несколько ограничений, из-за которых алгоритмы машинного обучения в чистом виде не могут применяться как основной алгоритм в ценообразовании объектов недвижимости.1. Алгоритм машинного обучения не интерпретируется.
Как работает машинное обучение — вы загружаете данные в чёрный ящик и получаете рекомендацию. Но у вас есть аналитик или финдиректор, который отвечает за выставленные цены и соблюдение финмодели. Если с ценами что-то пошло не так и компания недополучила прибыль — обвинят аналитика. Поэтому, когда вы к нему придёте и скажете, что теперь он должен на 100% доверять вот этой машинке и её рекомендациям — он будет сомневаться и спрашивать, почему алгоритм считает именно так. А никто не сможет ему этого объяснить. Тогда как он сможет доверять рекомендациям этой машины?
2. Точность расчётов.
Чтобы алгоритм машинного обучения что-то посчитал — ему нужны данные, а когда проект только запускается — этих данных нет и опираться не на что. Данные другого своего проекта взять нельзя — это разные проекты, их сравнение приведёт к некорректным расчетам.
Есть вариант взять похожие проекты конкурентов и посмотреть данные по ним в ретроспективе: с какими темпами продавались разные лоты и по каким ценам, и исходя из этого спрогнозировать.
Но в России нет ни одного сервиса, который позволит вам корректно собрать такие данные. Те, кто продаёт такую аналитику, собирают данные из открытых источников — с сайтов застройщиков, из классифайдов. Но эти цены часто не конечные — застройщики могут давать индивидуальные скидки. Росреестр сейчас не передает информацию по стоимости сделок, только по дате. Поэтому, покупая или собирая вручную данные, мы получаем погрешность в 1-7%.
![](https://static.tildacdn.com/tild6131-6466-4230-a133-386131646465/__.png)
Алгоритмы машинного обучения можно использовать, но не как основные алгоритмы.
А как должен работать алгоритм, если не на машинном обучении?
На более простых алгоритмах и статистических моделях. Они понятнее и их можно интерпретировать, тогда аналитик сможет понять, почему система предлагает ему именно такое изменение цены.
С таким подходом мы разработали собственную систему для динамического ценообразования в девелопменте Profitbase Ai и на его примере расскажем, как это работает.
Profitbase Ai использует данные по ЖК, а также данные по предложениям и темпам продаж конкурентов и обрабатывает с помощью специального мета-алгоритма.
Мета-алгоритм Profitbase Ai — общий алгоритм принятия решений о назначении новой цены за квартиру и стоимости квадратного метра. Он состоит из комплекса алгоритмов и правил, каждое из которых настраивается индивидуально под каждый жилой комплекс по принципу конструктора. Набор алгоритмов зависит от финансовой модели застройщика, наличия внешних и внутренних данных, стратегии продаж.
![](https://static.tildacdn.com/tild3230-3733-4839-a666-643162353132/-.png)
Мета-алгоритм позволяет увеличить добавленную стоимость по отношению к базовой финмодели. При этом следующий алгоритм подключается только тогда, когда предыдущий показал свою состоятельность для конкретного объекта. Profitbase Ai не позволяет опуститься ниже линии базовой финмодели, последовательно увеличивая прибыльность проекта.
![](https://static.tildacdn.com/tild3333-3563-4661-a339-356339353062/photo.png)
Принцип конструктора Мета-алгоритма
1. Запускается статистический алгоритм, который учитывает продажи конкретного ЖК.2. В расчётах начинает учитываться рынок на основе данных о конкурентах.
3. Подключаются данные из CRM. Алгоритм начинает давать рекомендации не только по корректировке цены, но и по корректировке работы отдела продаж.
4. Далее могут запускаться алгоритмы машинного обучения, которые будут работать параллельно. Алгоритмы машинного обучения рассчитывают вероятность выбытия квартиры, эластичность рынка и могут использоваться для подтверждения и корректировки работы других алгоритмов.
Аналитики застройщика получают готовую и проверенную модель принятия решений в компании, основанную на достоверных данных. Это помогает быстро и прозрачно принимать управленческие решения.
С чего начать работу с динамическим ценообразованием
Если вы в самом начале пути:
- Составьте план продаж в разрезе выручки, площадей и лотов. Договоритесь, как часто его пересматриваете.
- Пропишите хотя бы очень простые правила изменения цен.
- Попробуйте «запрогроммировать» Эксель — использование формул даст вам хотя бы первичную автоматизацию.
- Подумайте о более сложной автоматизации с применением систем динамического ценообразования, как Profitbase Ai.
А если сразу в автоматизацию — сколько времени потребуется на подключение системы динамического ценообразования?
Это зависит от:1. Размера проекта, на котором хотите применять модель.
Точечная застройка стандартного ЖК — это одни сроки внедрения, микрорайон — другие, проект элитной недвижимости, в котором нет типовых этажей и планировок — третьи.
2. Уровня подготовки застройщика.
Важно, как сейчас ведется ценообразование, какие есть наработки. Если есть хотя бы таблица с коэффициентами, как вы повышаете цены на квартиры — будет уже быстрее.
3. Вовлеченности команды.
Внедрение потребует погружения разработчиков в тонкости вашей финансовой модели, чтобы подстроить алгоритм под ваш проект. Это потребует множества встреч и плотной работы большой команды и со стороны разработчика системы, и со стороны застройщика. Если со стороны застройщика заинтересован только собственник или гендиректор, а команда не понимает ценности — она может затягивать коммуникации, и каждая проволочка будет затягивать сроки старта.
Очень абстрактно — запустить систему динамического ценообразования можно за 1-3 месяца.
Если вы хотите узнать о нём больше — посмотрите записи выступлений эксперта по динамическому ценообразованию, директора Profitbase Оксаны Дуниной. Она с примерами и кейсами рассказывает, как работает динамическое ценообразование в недвижимости и делится нестандартными практиками применения Profitbase Ai в работе девелоперов.
Неформальный разговор о динамическом ценообразовании на GMK Marathon
«Ценообразование на рынке недвижимости» | Оксана Дунина на SmartisConf