Marketing personalization and predictive analytics algorithm

Решение задач девелоперов с использованием алгоритма Uninum

Важной задачей для крупных девелоперов является обеспечение маржинальности продаж квартир путем регулирования цен и, вместе с тем, выполнение условия равномерного сбыта квартир с различными характеристиками.

Проведенные масштабные исследования показали, что для решения этих задач недостаточно знания валовых показателей продаж компании, а сколь-нибудь точное моделирование процесса продаж должно осуществляться на основе анализа спектра предложения и предпочтений покупателей.

Для такого анализа и построения предиктивных систем предлагается использовать алгоритм Uninum.

Алгоритм Uninum позволяет строить модели на основе анализа импульсных временных рядов и кластеризации событий. В терминах бизнеса назначением алгоритма является сегментация покупателей, анализ их поведения и предпочтений.

В реализуемых на данный момент кейсах алгоритм Uninum используется для формирования на основе истории продаж дополнительных признаков (feature engineering), улучшающих существующие программные средства предиктивной аналитики.

Эффективность использования алгоритма подтверждается результатами, полученными при создании и тестировании предиктивного сервиса для нужд девелопмента. Так, с использованием алгоритма Uninum было разработано программное средство, осуществляющее ежедневное прогнозирование с точностью 77,6% на три месяца вперед по заданному сегменту квартир.

Это программное средство позволяет:

Рекомендации, сформированные с помощью такого прогноза, позволяют оперативно производить изменение ценового плана и плана введения квартир в реализацию. Использование рекомендаций потенциально приводит к увеличению объема продаж на 27,12% в месяц (расчётный потолок спроса без учета внешних случайных макрофакторов - максимальное значение при точном соблюдении ценовой политики согласно прогнозу) при сохранении равномерности продаж в каждом сегменте квартир.

Алгоритм Uninum

Алгоритм Uninum позволяет строить модели на основе анализа импульсных временных рядов и кластеризации событий. Назначением алгоритма является формирование дополнительных признаков (feature engineering), улучшающих существующие программные средства предиктивной аналитики.

В основе алгоритма лежат методы анализа временных рядов, то есть, алгоритм анализирует цепь событий, разделяя ее на тренд, сезонные колебания и шум.

Отличительной особенностью алгоритма является возможность выделения из шумовой компоненты дополнительной информации о качестве происходящих событий, которая определяющим образом связана с прогнозируемыми величинами, что подтверждается многочисленными наблюдениями, проведенными при анализе различных бизнес-процессов. В зависимости от области применения эта информация способна оказывать воздействие на последующие события, и возможность выделить ее из шума позволяет строить более точные прогнозы.

Извлеченную информацию алгоритм использует для построения прогнозов наряду с такими данными как: временем и характеристиками событий, временными интервалами между событиями и длительностью событий. Первичная обработка производится с использованием методов Deep Feature Synthesis с целью уменьшения шумовой составляющей, а результаты работы алгоритма проверяются методом ARD (Automatic Relevance Determination).

Задача аудита истории продаж

Описание подхода

Для того, чтобы вывести зависимости для объемов продаж и маржинальности, алгоритм Uninum использует в работе данные о характеристиках квартир, историю ценообразования и историю изменения статусов квартир.

На основе истории и характеристик квартир алгоритм формирует представление о численности и составе групп покупателей, строит матрицы предпочтений и определяет периоды активности, тем самым моделируя спрос на квартиры с разнообразными характеристиками.

В результате обработки данных алгоритм определяет зависимость между вероятностью продажи каждой конкретной квартиры и ее стоимостью в каждый момент времени.

Зависимость многократно проверяется на основе истории изменения статусов квартир путем случайной выборки временных интервалов. Это делается с тем, чтобы оценить достоверность применения зависимости для прогноза событий в будущем и определить не только возможные факторы, влияющие на достоверность, но и степень их влияния в цифрах.

На основе выведенной зависимости алгоритм способен сформировать прогноз продаж на последующие временные интервалы, например, на месяц вперед.

Этот прогноз учитывает предполагаемый ценовой план, план введения квартир в реализацию и план продаж в качестве необходимого условия.

Таким образом, прогноз позволяет оценить то, как будет изменяться количество продаж и прибыль в заданном временном интервале, какие изменения в ценовом плане и плане введения квартир в реализацию могут привести к улучшению этих показателей, какой будет степень изменения и с какой достоверностью.

Способ реализации

Для осуществления аудита необходимо сформировать массив данных, охватывающий значимый временной промежуток (от 5 лет и более), включающий в себя: характеристики квартир (площадь, тип планировки, наличие балкона, удаленность ЖК от метро и т.д.), историю изменения статусов квартир (в реализации, забронирована в офисе, забронирована через сайт, не реализуется, подписан договор, и т.д.), историю изменения цен с момента ввода в реализацию до момента продажи.

Для использования результатов аудита будет разработано средство просмотра отчетов, позволяющее просматривать отчеты для различных сегментов квартир, определяемых фильтрами: количество спален, метраж, принадлежность к ЖК, принадлежность к корпусу, этаж и т.д.

Отчет будет включать в себя: описание сегмента квартир в соответствии с установленными параметрами фильтрации, график, демонстрирующий ожидаемое количество продаж по каждому дню из заданного временного интервала, итоговый объем продаж и прибыль, рекомендации по изменению ценового плана и плана введения квартир в реализацию для улучшения этих показателей, и ожидаемые показатели при соблюдении этих рекомендаций.

Ожидаемый результат

Алгоритм смог предсказывать цену итоговой продажи квартиры, по которой клиент готов ее приобрести, а равно цену, определяющую выбор клиента, с 97% точностью и погрешностью в пределах 72 долларов за квадратный метр.

На базе алгоритма были построены прогнозы продаж, дающие достоверность не ниже 77,5%.

Задача анализа процесса управления

Нулевой этап

На нулевом этапе задача анализа ставится следующим образом: требуется на основе характеристик квартир нового ЖК, известной истории продаж в других ЖК и ряда дополнительных данных (конкурентное окружение, история продаж в локации, планы по строительству) провести анализ и сформировать рекомендации по улучшению показателей продаж в будущем.

Для выполнения задачи требуется сформировать перечень и провести глубокий анализ доступных факторов, которые могут влиять на вероятность продаж квартир с учетом их конкурентоспособности, то есть, важности при наличии возможного конкурента и предполагаемых характеристик его предложений.

Также требуется провести анализ существующих методов ценообразования с тем, чтобы определить допустимые границы применения этих факторов и обеспечить положительный результат их использования.

Итоговым решением может являться прогнозная модель, позволяющая сформировать представление о показателях продаж в будущем для проектируемого ЖК и оценить изменение этих показателей в зависимости от возможных изменений проекта, а также то, как могут измениться показатели продаж при вмешательстве возможных сторонних факторов (внезапный старт строительства ЖК конкурента, изменение рыночных условий и т.п.).

Этап процесса продаж

Отличительной особенностью этапа процесса продаж является необходимость обеспечить равномерность продаж с тем, чтобы оперативно корректировать параметры предложений, обеспечивая равную вероятность продаж квартир с различными характеристиками.

Эта необходимость накладывает дополнительное ограничение на управляющие переменные, и решение задачи на этапе процесса продаж представляется как модификация решения первой задачи с внедрением этих дополнительных ограничений. Оперативность коррекции предложений требует реализации ежедневного мониторинга продаж и внесения изменений в прогноз в соответствии с данными мониторинга.

Таким образом, эта задача может быть реализована на базе решения первой задачи путем создания механизма мониторинга и коррекции, связанного с базой учета компании или CRM, и обеспечивающего расчеты прогнозов и рекомендаций в режиме реального времени с дальнейшим распределением отчетов между аналитиками компании.

Динамическое формирование цены

Использование алгоритма Uninum для формирования ценовых предложений может быть выполнено в виде предиктивного сервиса, который на основании характеристик квартир, плана по выставлению квартир в реализацию, истории статусов квартир может определять «идеальную стоимость» квартиры для заданного временного интервала и прогнозировать объем продаж квартир в заданном временном интервале.

Эти, полученные с помощью алгоритма, данные (цены и прогнозы) могут использоваться аналитическим отделом компании как дополнительные критерии, определяющие ценообразование в задаче оптимального планирования продаж.

Что такое «Идеальная стоимость»

На рынке розничных продаж обычных товаров существует понятие равновесной цены, т.е. цены, находящейся на пересечении кривых спроса и предложения. Товары, выпущенные в реализацию по цене ниже равновесной, будут проданы с вероятностью, близкой к 100%, поскольку попадают в зону дефицита. Объем продаж товаров, выставленных в реализацию по ценам выше равновесной цены, будет обратно зависеть от увеличения их цены по определенной формуле – формуле спроса.

Для рынка девелопмента, когда каждая квартира представляет собой уникальный товар, отличающийся уникальностью характеристик, понятие равновесной цены в изначальной форме малопригодно.

Однако с помощью алгоритма Uninum в ходе анализа данных было выявлено и проверено на случайных выборках, что максимальная цена квартиры, по которой клиент готов ее приобрести с максимальной вероятностью, а равно цена, определяющая выбор клиента, может быть предсказана с 97% точностью и погрешностью в пределах 72 долларов за квадратный метр.

Рис. 150 квартир. Зеленым отмечены предсказанные цены, синим цены продаж по факту

Эта цена определяется из характеристик квартиры, поведения аудиторий покупателей и их индивидуальных предпочтений на каждый день заданного временного интервала.

Наблюдение за объемами продаж, совершаемых выше и ниже выведенной алгоритмом Uninum цены, показало, что эта цена практически соответствует понятию равновесной цены и так же может использоваться для определения формулы спроса.

Эту цену будем называть «идеальная стоимость». Выставляя квартиру по цене, отличной от «идеальной», можно снизить вероятность продажи квартиры, но увеличить маржу, а выставляя квартиру по цене, близкой к «идеальной», повысить эту вероятность.

Определив «идеальную стоимость» и, следовательно, выведя формулу спроса, можно реализовать средство динамического ценообразования, позволяющее в любой момент времени манипулировать спросом, полностью выполняя план продаж и эффективно увеличивая маржинальность.