
Авторизация

Сброс пароля
ML ценообразование
Заказчик: NDA

Разработана ML-модель (CatBoost) для автоматического расчета оптимальной цены аренды. Система анализирует спрос, конкурентов и историю бронирования, давая рекомендации: повысить, понизить или оставить цену.
1. Вводная задача от заказчика, проблематика, цели
Проблематика:
Арендодатели не всегда корректно оценивают рыночную стоимость жилья.
Длительный простой объектов из-за неоптимального ценообразования.
Отсутствие автоматизированного анализа конкурентов и динамики спроса.
Цели:
Создать систему динамического ценообразования.
Уменьшить время простоя объектов за счет адаптивных цен.
Повысить заполняемость и доходность аренды.
2. Описание реализации кейса и творческого пути по поиску оптимального решения
Решение:
Использована ML-модель (CatBoost), анализирующая:
Локацию и характеристики объекта.
Спрос и цены конкурентов.
Историю бронирования похожих объектов.
Ограничения:
Макс. повышение цены: +30%.
Макс. снижение: -10%.
Прогноз на до 30 дней.
Этапы работ:
Разработка бейзлайна (среднее по кластеру в городе).
Эксперименты с моделями:
ARIMA, Markov Chain (временные ряды).
Байесовские модели.
Нейросети для эластичности спроса.
Оптимизация CatBoost (лучший результат).
Интеграция в сервис + логирование данных для дообучения.
Данные:
История бронирований (цена, параметры объекта).
Матрица похожих объектов.
Многопоточная обработка для ускорения.
3. Результаты сотрудничества
✅ Автоматизированное ценообразование – арендодатели получают обоснованные рекомендации.
✅ Снижение времени простоя – адаптивные цены повышают заполняемость.
✅ Гибкие настройки – ограничения на изменение цены (+30%/-10%).
✅ Логирование данных – система улучшается с каждым новым бронированием.
✅ Удобный интерфейс – применение новой цены в 1 клик.
4. Заключение
ML-модель динамического ценообразования упростила работу арендодателей и повысила доходность.
Дальнейшее развитие:
Учет сезонности и макроэкономических факторов.
Интеграция с другими платформами аренды.
Улучшение точности прогноза за счет большего объема данных.