AI-система для недвижимости: где падает точность оценки
Ручная оценка объектов почти всегда упирается в один и тот же участок: аналитик собирает аналоги руками. Разрозненные данные о сделках лежат в реестрах, выгрузках агентств, объявлениях и внутренних таблицах — с разными форматами адресов, глубиной истории и периодичностью обновления. На один объект уходит несколько часов, а при портфеле в сотни лотов выстраивается очередь, где свежая оценка приходит позже, чем объект уходит с рынка.
Точность оценки падает там, где данные не сводятся к общему ключу. Номер дома пишется в четырёх вариантах, часть сделок попадает в выборку дважды, часть — с датой регистрации вместо даты сделки, а ремонт и этаж описаны свободным текстом. Модель на таком наборе воспроизводит шум: два одинаковых объекта в одном доме получают расхождение в пределах десятков процентов, и ошибки в прогнозе цены на редких сегментах достигают двузначных значений.
Отраслевые обзоры по оценке недвижимости сходятся в одном: узкое место — не алгоритм, а подготовка сопоставимых данных и правила отбора аналогов. Мы начинаем с этого слоя — приводим адреса к единому виду, помечаем дубли, отсекаем выбросы и выделяем сегменты, где выборки действительно хватает для обучения. Дальше разбираем, как это закрывается на уровне системы и что получает заказчик.
Что меняется после внедрения: скорость оценки и охват сделок
Мы не переводим оценку целиком на модель. После внедрения меняются три измеряемых величины: время расчёта, доля объектов, которые система закрывает без ручного вмешательства, и границы сегментов, где точность прогноза ещё достаточна для сделки.
Скорость оценки объекта
Оценщик тратит основное время не на расчёт, а на сбор и приведение аналогов: площадь, состояние, торг, поправки. Модель на CatBoost строит предварительную стоимость по адресу и параметрам объекта, инженер добавляет правила отсечения выбросов и контрольные точки. Типовой объект проходит путь от заявки до готового расчёта за десятки минут вместо рабочих дней, а очередь у оценщиков остаётся только на нетиповых случаях.
Точность прогноза и охват сегментов
Качество меряем не средним отклонением, а долей объектов, попадающих в целевой коридор, — и отдельно по сегментам: новостройки, вторичка, загород, коммерция. Где данных мало, система помечает прогноз как низкоуверенный и уводит его на ручную проверку вместо тихой ошибки. Ретроспективный прогон на отложенной выборке подтверждённых сделок показывает, какие сегменты уже можно автоматизировать, а какие пока нет.
Снятая ручная работа и конверсия сделок
Доля автоматических расчётов растёт по мере накопления подтверждённых сделок — это метрика приёмки, а не обещание. Оценщики переключаются на сложные и спорные объекты, их пропускная способность растёт без найма. Клиент получает ответ в момент обращения, пока интерес ещё горячий: скорость ответа напрямую влияет на то, доходит ли заявка до сделки.
Способы построения модели оценки: сравнение подходов
Выбор способа оценки определяет, где модель вообще применима, а где начнёт ошибаться. Автоматическая оценка объектов держится на трёх опорах: объём сопоставимых сделок, однородность сегмента и качество исходных данных — площадь, год постройки, состояние, удалённость от инфраструктуры. Если истории мало или она разнородна, ни один подход не даст устойчивого результата на всём портфеле.
| Вариант | Когда подходит | Ограничения |
|---|---|---|
| Модель на своих данных | Накоплена история сделок и объектов, сегмент однородный | Нужна разметка и регулярная перенастройка; на редких сегментах ошибается сильнее |
| Внешняя готовая модель | Своей истории нет, нужен старт по массовым сегментам | Не знает ваших особенностей — ремонта, вида, статуса дома; закрыта для дообучения |
| Гибридный подход | Свои данные есть, но их мало для полного обучения | Сложнее в поддержке: следить за стыковкой источников и согласованностью версий |
На практике исход сравнения решает качество исходных данных, а не сложность выбранного способа. Мы начинаем с профилирования выгрузки: проверяем пропуски, дубли, выбросы в ценах, расхождение кадастровых и фактических характеристик. Модель на своих данных после такой подготовки обходит внешнюю на 2–3 сегментах, где раньше давала разброс, а гибрид закрывает те сегменты, по которым своей истории пока не хватает.
Как мы внедряем модель оценки: этапы работ
Отправная точка — не выбор алгоритма, а ответ на вопрос, что именно должна предсказывать система: цену закрытой сделки, диапазон торга или срок экспозиции. Дальше работа идёт по этапам, и на каждом из них появляется артефакт, который можно проверить до перехода к следующему шагу.
- Аудит данных. Проверяем выгрузки по сделкам и объявлениям: полноту полей, дубли, расхождения в площади и этажности, долю объектов без координат. Оцениваем, хватает ли истории на обучение и какие внешние источники нужны — транспорт, школы, динамика района.
- Проектирование модели. Фиксируем тип задачи, набор признаков и способ проверки. Отдельно решаем, как учитывать неоднородность рынка: по сегменту, типу дома, району — иначе средняя ошибка будет хорошей, а в половине сегментов — нет.
- Сборка обучающего набора. Сводим данные в единую таблицу, чистим аномалии, приводим справочники к общему виду. Правила отбора сделок фиксируем письменно: модель не должна учиться на нетипичных сделках между связанными сторонами.
- Обучение на сделках. Учим на исторических закрытых сделках, а не на цене в объявлении, — иначе система воспроизводит ожидания продавцов, а не рынок. Проверку делаем на отложенном периоде времени, а не на случайной выборке.
- Проверка качества прогноза. Считаем медианную ошибку в процентах отдельно по сегментам и смотрим, где модель ошибается систематически: новостройки, объекты без аналогов, редкие планировки. Ошибку переводим в понятную величину — как часто прогноз попадает в целевой коридор.
- Передача модели заказчику. Отдаём конфигурацию, документацию, скрипт переобучения и регламент контроля качества. Договариваемся, как отслеживаем устаревание данных: при смене рынка метрики падают, и модель нужно обновлять, а не «лечить» вручную.
Точка приёмки — не общая метрика на демонстрации, а прогноз на ваших объектах, воспроизводимый на стороне заказчика. Поэтому передача и регламент обновления стоят в плане наравне с обучением.
Что остаётся у вас: модель, данные и регламенты
Модель без документации живёт ровно до первой смены инженера или первого расхождения прогноза с рынком. Поэтому отдаём не только код и веса, но и правила работы системы: что считается входом, на каких данных модель училась, кто вправе её менять и как откатиться на предыдущую версию. Ниже — комплект артефактов, который вы можете передать любому подрядчику без пересборки проекта с нуля.
- Паспорт модели — версия, дата обучения, состав и период выборки, метрика качества на отложенных данных, известные ограничения: где прогноз устойчив, а где требует проверки человеком.
- Схема данных — источники, поля, типы, единицы, обязательность, правила обработки пропусков и выбросов, карта связей между таблицами.
- Документация по модели — какие признаки влияют на прогноз и с каким знаком, как считается итоговая оценка, что модель намеренно не учитывает.
- Регламент обновления модели — периодичность переобучения, триггеры внепланового запуска (сдвиг цен, рост ошибки, смена набора полей), обязательная проверка на отложенном периоде до выпуска.
- Разграничение доступа — роли: кто видит прогнозы, кто работает только с обезличенными данными, кто меняет веса и настройки, кто согласует выпуск; отдельно журнал действий.
- Регламент отката — как вернуть предыдущую версию модели и данных, за какое время, по каким признакам понять, что откат сработал.
- Инструкции для команды — развёртывание окружения, проверки перед выпуском, типовые сбои и порядок эскалации.
Кейс агентства: время оценки сократилось, точность выросла
Поток заявок на оценку жилья агентство закрывало вручную: оценщик собирал аналоги, сверял цены по кадастру и объявлениям, переносил цифры в отчёт. На типовую квартиру уходило от трёх до пяти рабочих дней, в сезон очередь доходила до двух недель — и часть заявок за это время уходила конкурирующим площадкам.
До внедрения
Расхождение прогноза с фактической ценой сделки системно не измерялось; на разборе части закрытых сделок оно держалось на уровне 12–15%. До 70% времени оценщика занимали ручные операции: поиск аналогов, отбраковка выбросов, сведение правок и оформление отчёта. Спорный аналог находили на этапе подписания, и заявку приходилось пересобирать.
После внедрения
Мы собрали AVM — модель автоматической оценки на истории сделок, кадастровых данных и параметрах объекта, с обязательной сверкой прогноза по закрытым сделкам. Модель отдаёт оценку интервалом и списком аналогов, которые её обосновывают, поэтому оценщик видит разбор, а не «чёрный ящик». Нестандартные случаи — перепланировка, апартаменты, сделки с торгом — по правилу уходят в ручной разбор целиком.
Срок оценки типового объекта сократился до минут: оценщик утверждает результат и дополняет отчёт. Отклонение прогноза от цены сделки снизилось вдвое — до 6–8% на контрольной выборке, доля отчётов, возвращённых на пересборку, упала кратно. Нагрузка на оценщиков перестала расти вместе с потоком заявок: пропускная способность выросла за счёт автоматизации типовых объектов, а специалисты переключились на сложные и на переговоры с собственниками.
Чем AI-оценка отличается от отчёта оценщика и кадастра
Это три разных инструмента под разные задачи, а не взаимозаменяемые форматы. Кадастровая стоимость считается массово и служит базой для налога; отчёт оценщика — документ с осмотром, подписью и юридической ответственностью; AI-оценка — расчёт по рыночным данным за минуты.
| Вариант | Когда подходит | Ограничения |
|---|---|---|
| AI-оценка | Скрининг потока объектов, ипотека и лизинг, проверка цены объявления | Зависит от полноты данных о сделках, не заменяет документ для суда и залога |
| Отчёт оценщика | Залоговые сделки, оспаривание, отчётность, нестандартные объекты | Срок — дни, оценка фиксирует срез на дату осмотра |
| Кадастровая стоимость | Налог, аренда и выкуп государственного имущества | Обновляется редко и по массовой модели, индивидуальные признаки учтены слабо |
На практике их сочетают в одном процессе. AI-оценка отсеивает поток и подсвечивает объекты, где цена объявления расходится с аналогами, — дальше оценщик работает только с ними и подписывает отчёт там, где нужна юридическая сила. Кадастровая цифра идёт отдельной веткой: если она выше рыночной, это основание для пересмотра.
Значимость оценки задаёт не метод, а решение, которое на ней строится: выдача кредита, судебный спор или налоговая база. Поэтому для каждого объекта храним и рыночный диапазон, и источник — видно, откуда взялась цифра и где расчёт расходится с оценщиком.
Сомнения по данным, качеству прогноза и срокам
Сомнения по данным, прогнозу и срокам — рабочие: отвечаем на них до старта, а не после. Ниже — то, что чаще всего спрашивают перед запуском AI-системы для недвижимости, с конкретикой по каждому пункту.
Что делать с неполными и устаревшими данными?
Сначала считаем профиль массива: доля пропусков по ключевым полям, разброс площадей и дат, сколько объектов без координат. Пропуски не закрываем средним — часть дотягиваем моделью по связанным признакам, остальное помечаем флагом. Устаревшие записи не удаляем, а понижаем в весе: они держат структуру рынка, но не искажают текущий уровень.
Как проверяется качество прогноза?
Контрольную выборку отделяем по времени: обучаем на прошлых периодах, проверяем на последующих. Смотрим медианную ошибку и долю объектов, где отклонение выше порога. Для коммерческой недвижимости метрику считаем по сегментам — офис, склад, торговое помещение, — иначе общая цифра по портфелю скрывает провал в одном из них.
Прогноз — это «чёрный ящик»?
Нет: к каждой оценке прикладываем вклад признаков и ближайшие аналоги из обучающего массива. Оценщик видит, что дало вес — локация, состояние, ставка аренды, — и может поправить вводные. Этот же разбор делает прогноз защитимым при согласовании с банком или внутренним комитетом.
От чего зависят сроки внедрения?
Не от модели, а от готовности данных: наличие истории сделок, выгрузок из учётной системы, справочников. Первая рабочая версия на подготовленном массиве собирается быстро, а основное время уходит на сверку источников и разметку сегментов — поэтому в план закладываем отдельный этап до обучения.
Как обновляется модель?
По расписанию и по триггеру: если ошибка на свежих сделках выходит за порог, переобучение запускаем без ожидания плановой даты. Версии храним, чтобы сравнить результаты и откатиться, если новая просела на контрольной выборке.
Обсудим вашу задачу: данные, модель, план работ
Точная оценка объёма работ получается из данных, а не из общих слов. Если у вас есть выгрузки и доступы, мы считаем сроки и трудоёмкость по факту, а не по аналогиям; если чего-то нет — сразу скажем, чем это заменить и как собрать.
- выгрузка объявлений и истории сделок за доступный период — по ней видно, хватает ли данных для обучения модели;
- характеристики объектов: площадь, этаж, год постройки, состояние, инфраструктура рядом;
- геоданные — координаты, район, границы участков, если они у вас ведутся;
- фотографии и текстовые описания объектов, если планируете оценку по снимкам;
- логи обращений клиентов и работу риэлторов: что чаще спрашивают и на каком шаге теряются сделки;
- действующие правила ценообразования и корректировки, которые применяют ваши оценщики;
- доступы к CRM или учётной системе — только на чтение, без права изменения.
Этого достаточно, чтобы вернуться с оценкой объёма работ и планом внедрения: что делаем на первом этапе, какой результат он даёт и по каким метрикам мы его примем. Первый этап обычно узкий — прогноз стоимости на ваших исторических данных и проверка на отложенной выборке, чтобы вы увидели долю ошибок, а не обещания.
Опишите задачу в свободной форме — вернёмся с оценкой и планом.
