Почему застройщику не обойтись без аналитика, нужны ли застройщику нейросети, сколько стоит скорость реакции в вопросе ценообразования? Читайте в новой статье от Profitbase. 

   

  

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 Exel.

• 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 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 стоит 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.

Еще одна проблема заключается в том, что экспертная корректировка цен всегда субъективна. Тем более, когда человек должен скорректировать цены не на две квартиры, а на несколько тысяч. Причем 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 для того, чтобы заменить человека, а для того, 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, сравнивая спрос на квартиры в разных разрезах, что позволит заметить тот или иной тренд гораздо раньше, чем обычный человек.

А в недвижимости при средней стоимости лота в 5 млн руб. если мы отреагировали быстрее и успели поднять цены на 1%:

• на две квартиры — то дополнительно получили 100 тыс. руб.,

• на пять квартир — 250 тыс. руб.

Но полностью машина заменить человека не может, 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 здесь другие темпы продаж и меньше данных для обучения алгоритма.

   

Разбираем на примере Ван Гога и жвачки

Вот представьте, у нас есть какой-то простой продукт, например обычная жевательная резинка. Блистер на 10 подушечек продаётся возле кассы в супермаркете, стоит 23 руб. 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.

   

 

  

И возьмем другую «крайность» — произведение искусства. В каком-то смысле оно бесценно. Это эксклюзивный товар, и здесь покупку определяет эмоция. Никому же не придёт в голову, что оценить картину Винсента Ван Гога «Звездная ночь» можно с помощью машинного обучения. Потому что стоимость этой картины будет зависеть от настроения мультимиллиардера на аукционе, когда он решит её купить: может быть, он захочет заплатить за неё 70 млн долларов, а может 80 или 100.

   

Винсент Ван Гог. Звёздная ночь. 1889 год

    

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.

   

 

  

Если говорить об эконом-классе — то он ближе к примеру с жвачкой: подобных квартир больше, и люди в этом сегменте принимают решение на основе понятных параметров, таких как стоимость, локация, инфраструктура. И машинное обучение сможет найти в этом какие-то зависимости.

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 млн или 93 млн, 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 жвачки

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 и по каким ценам продавались разные лоты, 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%.

   

 

  

Если мы в алгоритм загружаем не очень точные данные — получаем не очень корректные расчёты. На рынке есть бенчмарк: какую прибыль застройщики планируют получать от сервиса динамического ценообразования — это 1—5%. То есть погрешность в данных сжигает всю добавочную стоимость применения системы.

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, по предложениям и темпам продаж конкурентов и обрабатывает их 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.

   

 

  

Анализируя данные компании и доступные внешние данные, поочередно подключаются алгоритмы, которые при совместной работе представляют собой единый мета-алгоритм.

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.

    

   

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 по корректировке не только цены, но и 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 о том, как часто вы его будете пересматривать.

• Пропишите хотя бы самые 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, такой 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 в свою очередь 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 увеличивать сроки старта.

Очень абстрактно: запустить систему динамического ценообразования можно за 1—3 месяца.

Узнать больше о работе Profitbase Ai и вы можете на сайте.

Динамическое ценообразование — один из ведущих трендов последних лет для отрасли недвижимости.

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.

           

        

  

  

  

   

   

Другие публикации по теме:

Как будут пересчитаны нормы материальных, технических и трудовых ресурсов

Насколько рентабелен сегодня девелоперский бизнес: мнение застройщиков

Утверждена Методика определения затрат на строительство временных зданий и сооружений

Порядок применения новой Методики определения сметной стоимости

Profitbase — IT-платформа для управления маркетингом и продажами в недвижимости

5 шагов к онлайн-продажам

Руководитель направления по информационному моделированию компании «ПроГород» Марат Гайсин рассказывает об опыте внедрения отечественной ТИМ-системы в проектный контур.

  

  

Строительство любого объекта всегда начинается с идеи и представления о том, что это должно быть, каким целям служить, где должно быть расположено и что в себя включать. Сегодня воплотить идеи в жизнь помогают технологии: визуализация и цифровое моделирование объекта дают наглядную картинку будущего объекта. Современные технологии и техника значительно ускорили темпы строительства. Теперь не нужно ждать десятилетия, чтобы увидеть построенный дом. Помочь сделать проектирование и строительство эффективным могут технологии информационного моделирования (ТИМ).

«ПроГород» — компания в контуре государственной корпорации развития ВЭБ.РФ, созданная для реализации комплексных проектов освоения территории. Это первый государственный мастер-девелопер федерального уровня, рассматривающий для реализации проекты во всех регионах страны. 

Руководитель направления по информационному моделированию компании «ПроГород» Марат Гайсин (на фото), рассказывает об опыте внедрения отечественной ТИМ-системы в проектный контур, о том, почему BIM/ТИМ необходим, почему в «ПроГород» выбрали продукт компании Renga Software, в чем основные преимущества работы в Renga.

    

 

— Деятельность нашей компании нацелена на развитие городской среды и улучшение качества жизни людей в регионах России, — отметил топ-менеджер. — Внутри компании мы проводим разработку концепций будущего строительства, оцениваем площадки, на которых мы можем возвести жилые и социальные объекты. После того как проекты проходят стадию концепции и формирования бюджета, мы выбираем подрядные организации, которые разрабатывают проекты и рабочую документацию.

 

Почему ТИМ необходим: взгляд «ПроГород»

Компания «ПроГород» начала свою работу сравнительно недавно, но уже активно внедряет информационные технологии. Уход международных вендоров был вызовом для проектов, а санкции заставили компанию перейти на отечественное ПО.

Для внедрения и последующего эффективного применения ТИМ требуется некоторое время на переобучение и подборку квалифицированных кадров. Небольшим организациям, занимающимся проектированием, часто трудно найти кадры без увеличения затрат на оплату труда, что может усложнить переход на ТИМ. Внедрение трехмерного проектирования также требует приобретения ПО и настройки инфраструктуры. Для некоторых это может стать препятствием на пути к современным методам работы. Возможно, этим и объясняется небольшой процент проектировщиков, работающих в ТИМ, и, как следствие, отсутствие понимания того, в чем заключаются его главные преимущества.

В свою очередь крупные застройщики ценят прозрачность и точность в расходах, и ТИМ помогает им в этом. Проектировщики иногда ограничиваются видением объекта, не учитывают финансовые аспекты. Но ТИМ-система — инструмент не только для моделирования и получения чертежей. По сути, ТИМ — это путь к созданию цифрового двойника объекта, звена в цепи развития проекта — от концепции до разрешения на ввод и даже периода последующей эксплуатации.

 

Поиск российских решений и выбор Renga

При переходе на отечественный рынок мы рассмотрели продукты для нашей компании, учитывая следующие критерии:

1. Отечественный продукт в сфере ТИМ;

2. Наличие возможности совместной работы;

3. Возможность разработки основных разделов проектной документации;

4. Активное сообщество пользователей.

Исходя из этих критериев, мы выбрали Renga — ПО, объединяющее множество разделов. Особенно нас привлекли инструменты для разработки раздела «Архитектурные решения».

Мое знакомство с Renga произошло еще до начала работы в «ПроГород» — на первом потоке курса BIM-менеджмент, организатором которого является «Vysotskiy Consulting». В рамках этого курса проходило обучение Renga, и одна из моделей была собрана именно с помощью этого ПО.

Тем не менее переход оказался определенным вызовом. Нам пришлось осваивать новую программную среду и адаптироваться к новой методологии моделирования. В основном наш отдел занимается концепцией комплексной жилой застройки, что снижает требования к моделированию. При этом наша стратегия включает создание полноценного цифрового двойника проекта. Мы разработали классификатор, создали библиотечные элементы и планы квартир, настроили связи и выгрузку объемов из модели. На этапе концепции мы сегодня способны выгружать 80% — 90% тендерных объемов для типовых этажей.

 

Преимущества работы в Renga

Преимущества работы в Renga включают совместную работу в режиме реального времени (к слову, это реализовано компанией Renga Software при грантовой поддержке РФРИТ), объединение сотрудников и систематизацию данных. Ранее при обмене заданиями и планами могли возникать расхождения в данных из-за разной версионности или несвоевременных изменений.

BIM/ТИМ-система Renga позволяет создавать концепции застройки проектов с присвоением кодов классификатора. Полученные объемы данных позволяют корректно сформировать бюджет проекта. Инструмент «Сборка» дает возможность собирать части модели в группу для формирования библиотеки крупноузловых элементов здания, что ускоряет сборку концепции застройки. Успешно сформированные ведомости объема работ из моделей концепции доказывают эффективность применения ПО Renga для девелопера даже на стадии формирования концепции и сбора первичных объемов.

Важно отметить, что концепция Renga отличается от других ПО, особенно в области инженерного оборудования. Так, для создания любого типа инженерного оборудования в Renga реализован свой язык программирования — STDL.

   

От теории к практике: жилой комплекс «Город в Лесу» и проект «Междуреченск»

На данный момент в ПО Renga выполнено два проекта: концепция застройки новой очереди ЖК «Город "В лесу"» и проект жилого дома в Междуреченске (Кемеровская область).

Когда мы начали работать в Renga, сразу столкнулись с задачей проработки концепции будущей очереди ЖК «Город "В лесу"» для оценки финансовой модели. Мы формировали концепцию для нескольких очередей и вносили изменения по мере обсуждений. С получением данных об объеме работ появились новые идеи и корректировки. Мы внесли дополнения и доработки, при этом получив опыт работы с концепциями в Renga.

 

Рис. 1. Концепции застройки новой очереди ЖК «Город "В лесу"»

 

Затем мы разработали планировки и секции для 8 жилых зданий разной высоты. Мы создали классификатор, который автоматизировал переход данных из спецификаций в форму для бюджетирования, графиков, смет и тендерных процедур. Этот классификатор основан на управленческих практиках и статьях расходов, содержащих 11 глав. Каждому элементу в шаблоне проекта присвоен собственный код, который используется для подсчета затрат по всему проекту.

С введением классификатора мы значительно сократили время работы, уменьшив его с 1,5 недель до 1 дня. Классификатор адаптивен и позволяет легко добавлять новые блоки и позиции, это ускорило составление бюджета проекта в два раза.

Получение данных с помощью классификатора осуществляется благодаря стандартной функции выгрузки данных из информационной модели в формате CSV. Эта функция достаточно проста и в то же время недоступна в некоторых аналогичных системах информационного моделирования без написания дополнительных модулей.

В этом мы, безусловно, видим преимущество Renga в плане формирования базы данных элементов из информационной модели базовым набором инструментов.

 

Рис 2. Пример структуры классификатора

 

Благодаря использованию информационной модели для формирования бюджета проекта теперь мы можем оценивать металлоемкость и расход бетона с точностью от 80% до 90% на предпроектной стадии.

 

Рис. 3. Планировка одного из корпусов ЖК «Город "В лесу"»

 

Наш второй проект, жилой дом в Междуреченске (Кемеровская область), занял всего две недели. Мы использовали опыт работы над первым проектом и сформировали библиотеки окон, дверей и квартир.

Также завершили адаптацию стандартов проектирования и библиотеки квартир различной планировки, автоматизировав подсчет объемов проекта.

 

Рис. 4. Разработка концепции проекта «Междуреченск»

 

Рис. 5. Внутренняя библиотека преднастроенных крупноузловых элементов

 

Рис.6. Библиотека квартир различной комнатности для повторного применения

 

Рис. 7. Стандартный вид одной из квартир

 

Проработка модели на стадии концепции не предполагает полноценного моделирования внутренних инженерных систем из-за ограниченного времени. В связи с этим было принято решение использовать еще один инструмент внутри Renga — формулы. Проведя анализ собственных существующих проектов, мы обнаружили зависимость расхода элементов внутренних инженерных систем от пяти характерных параметров квартиры, которые наиболее точно описывают ее характеристики.

Сбор данных, написание формул, сравнение полученных данных с эталонной моделью заняли у нас около двух месяцев. Расхождение в плане штучных элементов не превышает 5%, а в линейных элементах — не более 10%. Данный показатель мы считаем успехом, так как в этом случае мы значительно сэкономили время и прорабатывали отдельно в модели только подвальные и первые этажи.

Перспективное направление для нас — формирование сборки квартир с включением в них элементов инженерных категорий и подчинение необходимых параметров элементов сборки параметрам самой сборки. Это позволит создавать сборки квартир с динамически изменяемым инженерным наполнением и применять результат, полученный на стадии концепции на дальнейших этапах разработки модели.

 

Рис. 8. Свойства сборки квартиры

 

Этот проект подтвердил, что при правильной методологии российское ПО позволяет быстро получать архитектурные концепции и данные для оценки объемов работ менее чем за месяц. Мы надеемся, что все будущие проекты нашей компании будут разрабатываться на российском ПО с использованием уже сформированных платформ и библиотек.

 

В качестве заключения

Внедрение программного комплекса Renga на пилотных проектах компании показало, что отечественные решения в области ТИМ могут конкурировать с иностранными по части визуализации различных конструктивных, архитектурных и инженерных решений.

Переход на отечественные системы ТИМ-моделирования российскими застройщиками может занять до четырех лет, но использование опыта ООО «ПроГород» в создании универсальной экосистемы в Renga уменьшит этот срок до полутора-двух лет. После завершения создания экосистемы ожидается, что точность обработки данных повысится на 30%, а время на сбор бюджета проекта уменьшится на 50%, подводит итог руководитель направления по информационному моделированию компании «ПроГород» Марат Гайсин.

С другими историями использования ПО Renga можно ознакомиться на сайте компании Renga Software в разделе Опыт пользователей.

 

Реклама. ООО «Ренга Софтвэа».  ИНН: 7801319560

 

 

 

 

 

Другие публикации по теме:

Эксперты рассказали об основных условиях внедрения ИИ в стройке

От лоскутной автоматизации к бесшовной цифровизации: IT-решениями на этапе проектирования поделились застройщики и эксперты на РСН–2024

Опубликован стандарт, устанавливающий требования к цифровым информационным моделям жилых зданий

Внедрение ТИМ в работе государственного заказчика: опыт BIM-Cluster и Красноярского края

Modulbau разработала BIM-семейство префаб-продукта для облегчения работы архитекторов и проектировщиков

Застройщики и IT-компании поделились кейсами применения ТИМ на конференции НОЗА и ЕРЗ.РФ