ШІ-система для нерухомості: де падає точність оцінки
Ручна оцінка об'єктів майже завжди впирається в одну й ту саму ділянку: аналітик збирає аналоги руками. Розрізнені дані про угоди лежать у реєстрах, вивантаженнях агенцій, оголошеннях і внутрішніх таблицях — з різними форматами адрес, глибиною історії та періодичністю оновлення.
На один об'єкт іде кілька годин, а за портфеля в сотні лотів вишиковується черга, де свіжа оцінка надходить пізніше, ніж об'єкт іде з ринку.
Точність оцінки падає там, де дані не зводяться до спільного ключа. Номер будинку пишеться у чотирьох варіантах, частина угод потрапляє у вибірку двічі, частина — з датою реєстрації замість дати угоди, а ремонт і поверх описані вільним текстом.
Модель на такому наборі відтворює шум: два однакових об'єкти в одному будинку отримують розбіжність у межах десятків відсотків, і помилки в прогнозі ціни на рідкісних сегментах сягають двозначних значень.
Галузеві огляди з оцінки нерухомості сходяться в одному: вузьке місце — не алгоритм, а підготовка порівнюваних даних і правила відбору аналогів.
Ми починаємо з цього шару — зводимо адреси до єдиного вигляду, позначаємо дублі, відсікаємо викиди та виділяємо сегменти, де вибірки справді вистачає для навчання. Далі розбираємо, як це закривається на рівні системи і що отримує замовник.
Що змінюється після впровадження: швидкість оцінки та охоплення угод
Ми не переводимо оцінку повністю на модель. Після впровадження змінюються три вимірювані величини: час розрахунку, частка об'єктів, які система закриває без ручного втручання, і межі сегментів, де точність прогнозу ще достатня для угоди.
Швидкість оцінки об'єкта
Оцінювач витрачає основний час не на розрахунок, а на збір і приведення аналогів: площа, стан, торг, поправки. Модель на CatBoost будує попередню вартість за адресою та параметрами об'єкта, інженер додає правила відсікання викидів і контрольні точки.
Типовий об'єкт проходить шлях від заявки до готового розрахунку за десятки хвилин замість робочих днів, а черга в оцінювачів залишається лише на нетипові випадки.
Точність прогнозу та охоплення сегментів
Якість міряємо не середнім відхиленням, а часткою об'єктів, що потрапляють у цільовий коридор, — і окремо за сегментами: новобудови, вторинка, заміська нерухомість, комерція.
Де даних мало, система позначає прогноз як низьковпевнений і відводить його на ручну перевірку замість тихої помилки. Ретроспективний прогін на відкладеній вибірці підтверджених угод показує, які сегменти вже можна автоматизувати, а які поки ні.
Знята ручна робота та конверсія угод
Частка автоматичних розрахунків зростає в міру накопичення підтверджених угод — це метрика приймання, а не обіцянка. Оцінювачі переключаються на складні та спірні об'єкти, їхня пропускна здатність зростає без найму.
Клієнт отримує відповідь у момент звернення, поки інтерес ще гарячий: швидкість відповіді безпосередньо впливає на те, чи доходить заявка до угоди.
Способи побудови моделі оцінки: порівняння підходів
Вибір способу оцінки визначає, де модель узагалі застосовна, а де почне помилятися. Автоматична оцінка об'єктів тримається на трьох опорах: обсяг порівнюваних угод, однорідність сегмента та якість вихідних даних — площа, рік побудови, стан, віддаленість від інфраструктури.
Якщо історії мало або вона різнорідна, жоден підхід не дасть стійкого результату на всьому портфелі.
| Варіант | Коли підходить | Обмеження |
|---|---|---|
| Модель на власних даних | Накопичена історія угод та об'єктів, сегмент однорідний | Потрібна розмітка та регулярне переналаштування; на рідкісних сегментах помиляється сильніше |
| Зовнішня готова модель | Власної історії немає, потрібен старт за масовими сегментами | Не знає ваших особливостей — ремонту, виду, статусу будинку; закрита для донавчання |
| Гібридний підхід | Власні дані є, але їх мало для повного навчання | Складніший у підтримці: стежити за стикуванням джерел і узгодженістю версій |
На практиці результат порівняння вирішує якість вихідних даних, а не складність обраного способу. Ми починаємо з профілювання вивантаження: перевіряємо пропуски, дублі, викиди в цінах, розбіжність кадастрових і фактичних характеристик.
Модель на власних даних після такої підготовки обходить зовнішню на 2–3 сегментах, де раніше давала розкид, а гібрид закриває ті сегменти, за якими власної історії поки не вистачає.
Як ми впроваджуємо модель оцінки: етапи робіт
Відправна точка — не вибір алгоритму, а відповідь на питання, що саме має передбачати система: ціну закритої угоди, діапазон торгу чи строк експозиції. Далі робота йде за етапами, і на кожному з них з'являється артефакт, який можна перевірити до переходу до наступного кроку.
- Аудит даних. Перевіряємо вивантаження за угодами та оголошеннями: повноту полів, дублі, розбіжності в площі та поверховості, частку об'єктів без координат. Оцінюємо, чи вистачає історії на навчання і які зовнішні джерела потрібні — транспорт, школи, динаміка району.
- Проєктування моделі. Фіксуємо тип задачі, набір ознак і спосіб перевірки. Окремо вирішуємо, як враховувати неоднорідність ринку: за сегментом, типом будинку, районом — інакше середня помилка буде хорошою, а в половині сегментів — ні.
- Складання навчального набору. Зводимо дані в єдину таблицю, чистимо аномалії, приводимо довідники до спільного вигляду. Правила відбору угод фіксуємо письмово: модель не повинна навчатися на нетипових угодах між пов'язаними сторонами.
- Навчання на угодах. Навчаємо на історичних закритих угодах, а не на ціні в оголошенні, — інакше система відтворює очікування продавців, а не ринок. Перевірку робимо на відкладеному періоді часу, а не на випадковій вибірці.
- Перевірка якості прогнозу. Рахуємо медіанну помилку у відсотках окремо за сегментами і дивимося, де модель помиляється систематично: новобудови, об'єкти без аналогів, рідкісні планування. Помилку переводимо в зрозумілу величину — як часто прогноз потрапляє в цільовий коридор.
- Передача моделі замовнику. Віддаємо конфігурацію, документацію, скрипт перенавчання та регламент контролю якості. Домовляємося, як відслідковуємо старіння даних: при зміні ринку метрики падають, і модель потрібно оновлювати, а не «лікувати» вручну.
Точка приймання — не загальна метрика на демонстрації, а прогноз на ваших об'єктах, відтворюваний на стороні замовника. Тому передача і регламент оновлення стоять у плані нарівні з навчанням.
Що залишається у вас: модель, дані та регламенти
Модель без документації живе рівно до першої зміни інженера або першої розбіжності прогнозу з ринком.
Тому віддаємо не лише код і ваги, а й правила роботи системи: що вважається входом, на яких даних модель навчалася, хто має право її змінювати і як відкотитися на попередню версію.
Нижче — комплект артефактів, який ви можете передати будь-якому підряднику без перезбирання проєкту з нуля.
- Паспорт моделі — версія, дата навчання, склад і період вибірки, метрика якості на відкладених даних, відомі обмеження: де прогноз стійкий, а де потребує перевірки людиною.
- Схема даних — джерела, поля, типи, одиниці, обов'язковість, правила обробки пропусків і викидів, карта зв'язків між таблицями.
- Документація щодо моделі — які ознаки впливають на прогноз і з яким знаком, як рахується підсумкова оцінка, що модель навмисно не враховує.
- Регламент оновлення моделі — періодичність перенавчання, тригери позапланового запуску (зсув цін, зростання помилки, зміна набору полів), обов'язкова перевірка на відкладеному періоді до випуску.
- Розмежування доступу — ролі: хто бачить прогнози, хто працює лише з знеособленими даними, хто змінює ваги й налаштування, хто погоджує випуск; окремо журнал дій.
- Регламент відкату — як повернути попередню версію моделі та даних, за який час, за якими ознаками зрозуміти, що відкат спрацював.
- Інструкції для команди — розгортання середовища, перевірки перед випуском, типові збої та порядок ескалації.
Кейс агенції: час оцінки скоротився, точність зросла
Потік заявок на оцінку житла агенція закривала вручну: оцінювач збирав аналоги, звіряв ціни за кадастром і оголошеннями, переносив цифри у звіт.
На типову квартиру йшло від трьох до п'яти робочих днів, у сезон черга сягала двох тижнів — і частина заявок за цей час йшла до конкуруючих майданчиків.
До впровадження
Розбіжність прогнозу з фактичною ціною угоди системно не вимірювалася; на розборі частини закритих угод вона трималася на рівні 12–15%. До 70% часу оцінювача займали ручні операції: пошук аналогів, відбраковування викидів, зведення правок і оформлення звіту. Спірний аналог знаходили на етапі підписання, і заявку доводилося перезбирати.
Після впровадження
Ми зібрали AVM — модель автоматичної оцінки на історії угод, кадастрових даних і параметрах об'єкта, з обов'язковою звіркою прогнозу за закритими угодами. Модель видає оцінку інтервалом і списком аналогів, які її обґрунтовують, тому оцінювач бачить розбір, а не «чорний ящик».
Нестандартні випадки — перепланування, апартаменти, угоди з торгом — за правилом ідуть у ручний розбір повністю.
Строк оцінки типового об'єкта скоротився до хвилин: оцінювач затверджує результат і доповнює звіт. Відхилення прогнозу від ціни угоди знизилося вдвічі — до 6–8% на контрольній вибірці, частка звітів, повернених на перезбирання, впала кратно.
Навантаження на оцінювачів перестало зростати разом із потоком заявок: пропускна здатність зросла за рахунок автоматизації типових об'єктів, а фахівці переключилися на складні та на переговори з власниками.
Чим ШІ-оцінка відрізняється від звіту оцінювача та кадастру
Це три різні інструменти під різні задачі, а не взаємозамінні формати. Кадастрова вартість рахується масово і слугує базою для податку; звіт оцінювача — документ з оглядом, підписом і юридичною відповідальністю; ШІ-оцінка — розрахунок за ринковими даними за хвилини.
| Варіант | Коли підходить | Обмеження |
|---|---|---|
| ШІ-оцінка | Скринінг потоку об'єктів, іпотека та лізинг, перевірка ціни оголошення | Залежить від повноти даних про угоди, не замінює документ для суду та застави |
| Звіт оцінювача | Заставні угоди, оспорювання, звітність, нестандартні об'єкти | Строк — дні, оцінка фіксує зріз на дату огляду |
| Кадастрова вартість | Податок, оренда та викуп державного майна | Оновлюється рідко і за масовою моделлю, індивідуальні ознаки враховані слабо |
На практиці їх поєднують в одному процесі. ШІ-оцінка відсіює потік і підсвічує об'єкти, де ціна оголошення розходиться з аналогами, — далі оцінювач працює лише з ними і підписує звіт там, де потрібна юридична сила. Кадастрова цифра йде окремою гілкою: якщо вона вище ринкової, це підстава для перегляду.
Значущість оцінки задає не метод, а рішення, яке на ній будується: видача кредиту, судовий спір або податкова база. Тому для кожного об'єкта зберігаємо і ринковий діапазон, і джерело — видно, звідки взялася цифра і де розрахунок розходиться з оцінювачем.
Сумніви щодо даних, якості прогнозу та строків
Сумніви щодо даних, прогнозу та строків — робочі: відповідаємо на них до старту, а не після. Нижче — те, що найчастіше запитують перед запуском ШІ-системи для нерухомості, з конкретикою за кожним пунктом.
Що робити з неповними та застарілими даними?
Спочатку рахуємо профіль масиву: частка пропусків за ключовими полями, розкид площ і дат, скільки об'єктів без координат. Пропуски не закриваємо середнім — частину дотягуємо моделлю за пов'язаними ознаками, решту позначаємо прапорцем.
Застарілі записи не видаляємо, а знижуємо у вазі: вони тримають структуру ринку, але не спотворюють поточний рівень.
Як перевіряється якість прогнозу?
Контрольну вибірку відокремлюємо за часом: навчаємо на минулих періодах, перевіряємо на наступних. Дивимося медіанну помилку та частку об'єктів, де відхилення вище порогу.
Для комерційної нерухомості метрику рахуємо за сегментами — офіс, склад, торгове приміщення, — інакше загальна цифра по портфелю приховує провал в одному з них.
Прогноз — це «чорний ящик»?
Ні: до кожної оцінки додаємо внесок ознак і найближчі аналоги з навчального масиву. Оцінювач бачить, що дало вагу — локація, стан, ставка оренди, — і може виправити вхідні дані. Цей самий розбір робить прогноз захищеним під час погодження з банком або внутрішнім комітетом.
Від чого залежать строки впровадження?
Не від моделі, а від готовності даних: наявність історії угод, вивантажень з облікової системи, довідників. Перша робоча версія на підготовленому масиві збирається швидко, а основний час іде на звірку джерел і розмітку сегментів — тому в план закладаємо окремий етап до навчання.
Як оновлюється модель?
За розкладом і за тригером: якщо помилка на свіжих угодах виходить за поріг, перенавчання запускаємо без очікування планової дати. Версії зберігаємо, щоб порівняти результати й відкотитися, якщо нова просіла на контрольній вибірці.
Обговоримо вашу задачу: дані, модель, план робіт
Т
