PwC 2019 AI Predictions

RePriceПовышение выручки от продаж на основе динамического ценообразования

1. Почему RePrice

RePrice – инструмент для динамического ценообразования

3

2. Индустриальный опыт

3. Интерактивный инструмент1. Машинное обучение

4. Автоматизация

Инструмент разработан объединенной

командой аналитиков данных и

бизнес-консультантов в области жилой

недвижимости

Продвинутые математические модели

позволяют автоматически отбирать

значимые факторы и достичь высокой

точности прогнозирования

Результаты моделирования и аналитика

продаж доступны в визуальном

интерфейсе

Автоматический мониторинг исполнения

плана продаж, плана по выручке,

оповещения об отклонении от плана

RePrice

к выручке от продаж*

+19%

4

сложностипри принятии

решения

Математическая модель с

повышенной точностью

Сбалансированные

продажи

Максимальная цена продажи

при текущем плане

Оперативность за счет

автоматизации

преимущества

RePrice

Субъективное принятие

решений

Вымывание

Занижение цены

продажи

Медленное «ручное»

реагирование

*По результатам А/B теста в аналогичном проекте для

крупного девелопера в СНГ

5

Кейс. Крупный девелопер в СНГ

По результатам А/B теста:

Проект А – 2 000 квартир; Планируемая / Фактическая выручка = 1.35 млрд / 1.47 млрд

Проект B – 1 900 квартир; Планируемая / Фактическая выручка = 1.27 млрд / 1.14 млрд

+19% к выручке = (1.47 – 1.35) / 1.35 * 100% - (1.14 – 1.27) / 1.27 * 100%

73%

На 73% выше точность прогноза

34%

На 34% ниже расхождение с планом

9.7%

На 9.7% выше средняя цена продаж

68%

На 68% снижена задержка при принятии решений

2. Наш подход

Реализацию проекта по оптимизации ценообразования можно разделить на 3 этапа

7

• Формирование единой витрины данных, позволяющей

осуществлять прогнозирование объемов продаж и решение

задачи динамического ценообразования

• Разработка прогнозных моделей

• Тестирование и корректировка моделей

• Финализация модели и продуктивной среды прогнозирования

темпов продаж

• Разработка прототипа интерфейса аналитической системы

Этап 1

Подготовка данных и прогнозирование

объемов продаж квартир

Этап 2

Реализация блока динамического

ценообразования

Этап 3

Интеграция и интерфейс

• Разработка оптимизационной

модели, позволяющей

осуществлять подбор оптимальной

цены с учетом эластичности спроса

и внешних факторов влияния

• Финализация

пользовательских

интерфейсов

- 1 неделя

sprint 1 sprint 2 sprint 3 sprint 4 sprint 5 sprint 6 sprint 7 sprint 8 sprint 9 sprint 10 sprint 11 sprint 12 sprint 13

sprint x

Этап 1. Подготовка данных

8

Использование всего перечня факторов* позволяет построить наиболее точную и устойчивую модель по определению темпов продажи

Транзакции

• Даты продажи квартир

• Цена

• Промо акции

• Рекламные кампании

Характеристики квартиры

• Количество комнат

• Этаж

• Общая площадь квартиры

• Жилая площадь квартиры

• Отделка

• Площадь кухни

Данные девелопера Данные PwC

* Финальный список может быть скорректирован по результатам анализа

Местоположение

• Расстояние до центра города

• Расстояние до станции метро

• Расстояние до остановок

• Расстояние до МКАД

• Расстояние до магистрали

• Расстояние до водоема

• Муниципальный округ

Характеристики ЖК

• Адрес

• Класс объекта

• Количество домов в ЖК

• Общее количество этажей

• Количество дней до завершения строительства

• Номер очереди

Коммерческая

инфраструктура

• Расстояние до ТЦ

• Расстояние до ближайшего складского

комплекса

• Расстояние до бизнес-центра

• Общая площадь ТЦ в окружении (700 м)

• Общая площадь бизнес-центров в окружении

(700 м)

Экономические

характеристики

• Ближайшее крупнейшее предприятие

• Совокупная выручка предприятий в

радиусе 700 м

• Средняя зарплата в муниципальном

округе

• Суммарная выручка топ-5 предприятий в

муниципальном округе

• Количество крупных предприятий в

муниципальном округе

Социальная

инфраструктура

• Расстояние до поликлиники

• Расстояние до детского сада

• Расстояние до школы

Рыночные цены

• Средняя и минимальная

рыночные цены квартир-аналогов

Этап 1. Прогнозирование объемов продажи

9

На данном этапе будут проанализированы наиболее значимые факторы влияния и осуществлен выбор оптимальной модели для

прогнозирования объемов продаж недвижимости

A. Формирование шорт-листа

предикторов

Данные, собранные на этапе

формирования хранилища, формируют

лонг-лист факторов, которые могут

влиять на целевую переменную. С

помощью статистического анализа мы в

автоматическом режиме выделяем

значимые предикторы

B. Построение модели

С помощью отложенной тестовой

выборки тестируются различные модели

на точность прогнозирования.

Выбирается модель с наибольшей

точностью

Лонг-лист

Шорт-лист

Потенциальные

предикторы ( >200)

Значимые

предикторы (~40)

Объем продаж𝒕=

𝒇(Цена;Остатки;Рыночная цена;Гео факторы;Макро факторы;Прочее)

Этап 2. Оптимизация

10

На основании прогноза темпов продажи и эластичности спроса будет построена и апробирована модель максимизации выручки,

позволяющая определять оптимальную цену на каждый тип квартир

Цены по объектам

Оптимизация ценПлан продаж

и ограничения

Прогноз объема продаж

по типам квартир

A. Стратегия следования плану

продаж

Расхождение с планом → 𝑚𝑖𝑛

B. Стратегия роста выручки

Цена по

объекту 1

Цена по

объекту 2

Цена по

объекту n

𝛽 ∗ цена − рыночная цена,%+ 1 − 𝛽 ∗ темп продаж,% → 𝑚𝑎𝑥

Этап 3. Интеграция и интерфейс

11

Предлагаемая архитектура решения позволит получать результаты

прогнозирования цены через интерактивный инструмент,

интегрированный с текущими системами

PwC Data Analytics объединяет свои данные с

данными о продажах, остатках, параметрах

объектов недвижимости и использует их для

разработки моделей машинного обучения

Интерактивный инструмент и Система

оповещений при расхождении с планом продажМодель и

оптимизатор

Интерактивная

визуализация

Оповещения

для аналитиков

CRM

CRM система

клиента

Математическая

модель с

оптимизатором цен

Интегрированный

инструмент со встроенной

системой оповещений

к выручке от продаж*

+19%

Результат

12

Внедренная математическая модель для прогноза объемов продажи жилой недвижимости и рекомендации оптимальной цены

• Модель на основе машинного обучения

с автоматическим выбором значимых

факторов и оценкой параметров модели

• Возможность добавления в модель

уникальных для каждого девелопера

факторов влияния

• Точность прогноза составляет 82.7%

• Оптимизатор цен рекомендует точные

ценовые корректировки для

следования плану продаж

• Точные ценовые рекомендации и

анализ их эффективности

• Ежедневный контроль за

вымыванием

• Оперативное реагирование на

изменение рыночной конъюнктуры

• Система оповещений при расхождении

факта продаж с планом

*По результатам А/B теста в аналогичном проекте для крупного девелопера в СНГ

Реализация пилотного проекта

13

1. Выбор KPI

На данном этапе согласовываются

KPI и детали пилотного проекта

2. Разделение на группы А и B

Выборка корпусов разделяется на 2 похожие

между собой подвыборки – пилотная группа (А) и

контрольная группа (В) для проведения А/B теста

3. Проведение пилота

Проводится пилотный проект в течение 3

месяцев: в пилотной группе применяется RePrice,

а в контрольной - нет

4. Измерение результатов

Проводится измерение результатов по ранее

согласованным KPI в сравнение с периодом до

использования RePrice

3. Приложение

PwC – идеальный партнер для реализации проекта по

оптимизации ценообразования на основании анализа

больших данных

15

Выделенная команда экспертов по

оптимизации ценообразования

• Выделенная команда экспертов по

оптимизации ценообразования,

базирующаяся в России и Восточной Европе

• Более 10 проектов по динамическому

ценообразованию в год

Центр экспертизы по разработке аналитических инструментов

• В нашу команду входят лучшие российские эксперты и специалисты по

анализу данных, а также авторитетные международные эксперты

• Центр компетенций AI состоит из более чем 100 специалистов по анализу

данных и инженеров в Европе

Специалисты по анализу данных

• Мы разработали уникальный подход,

основывающийся на эффективном

взаимодействии отраслевых экспертов с командой

специалистов по анализу данных. В рамках

оптимизации ценообразования учитывается

эластичность спроса и внешних факторов влияния

Внедрение интегрированного

решения

Возможность использования

экспертизы в области

динамического ценообразования

и стратегического консалтинга из

различных индустрий в рамках

анализа данных

Внедрение гибкого

ценообразования на базе

предлагаемой модели помогает

привлечь новых клиентов и

определить цену,

обеспечивающую

максимальную выручку

Мы успешно внедрили модели

ценообразования с

использованием собственного

оригинального решения для

оптимизации цен на базе

эластичности потребительских

цен в различных сферах

За последние годы командой PwC были успешно

реализованы проекты в области динамического

ценообразования с учетом отраслевой специфики

16

БАНКИ

НЕДВИЖИМОСТЬ

ТРАНСПОРТ

АВИА

РОЗНИЧНЫЕ СЕТИ

АНАЛИЗ

ДАННЫХ

Эффективное взаимодействие команды разработчиков и специалистов по

анализу данных позволит разработать полноценный продукт

17

Мы разработали более 60 приложений и успешно

внедряем их на различных рынках

Данные Аналитика Визуализация

РазработкаБизнес-

консультирование

RePricePromo

RocketInvader Genesis

People

analytics

Smart

Manufact

uring

продукты

индустрии

Разработчики

• Бэкэнд-разработчики - это опытные профессионалы, которые окончили

ведущие университеты, ориентированные на ИТ. Дизайнеры UI / UX

изучают дизайн, компьютерную графику, разработку пользовательских

интерфейсов

• Они используют различные инструменты для разработки и реализуют

как прототипы, так и полноценные пользовательские интерфейсы,

которые впоследствии преобразуются в функциональный интерфейс с

мощным бэкэндом

Специалисты по анализу данных

• Наша команда профессионалов состоит в основном из кандидатов

математических наук с расширенным опытом в различных областях

бизнеса, начиная с маркетинга, производства, логистики и

оперативного моделирования.

• Они имеют сильное аналитическое мышление с глубокими знаниями

в базах данных SQL, NoSQL. Обладают уникальными навыками,

такими как Machine Learning, Graph Databases, Integration, что дает

большое преимущество

.NET, ASP.NET,

MVC, SQL, NoSQL

БД

Design thinking,

Adobe Photoshop,

Illustrator

UX Pin, JS, HTML

Python, SAS, R

Pentaho, Hadoop

Apache Spark,

Scala

SQL, NoSQL БД

Tableau, Qlikview,

PowerBI

[100 +]

[80 +]

pwc.com

Спасибо!

© ООО «ПрайсвотерхаусКуперс Консультирование», 2020. Все права защищены.

pwc.ru