Система аналитики рекламы жилой и коммерческой недвижимости: кейс разработки

Проект под NDA. Название заказчика и конфиденциальные детали не раскрываются.

Мы разработали платформу аналитики рекламы и управления рекламным бюджетом для большого портфеля объектов жилой и коммерческой недвижимости. В одном интерфейсе связали объявления, расходы на продвижение, обращения из CRM, звонки и переписки. Задача охватывает экспозицию объектов на MLS и площадках недвижимости — Циан, Авито, Яндекс Недвижимость, Домклик, — а также в собственных каталогах компании. Поверх собранных данных построили прогнозирование спроса и инструменты выбора рекламной стратегии: специалист может изучить ситуацию, проверить предложенный план и применить его к выгрузке.

Проект объединил несколько направлений нашей работы: интеграцию данных, продуктовую аналитику, машинное обучение и разработку сервиса для ежедневных операций. Мы отвечали за постановку задач, интерфейс, модель данных, интеграции, расчётные стратегии, проверку и внедрение решения.

Задача: максимум качественных обращений в пределах целевой стоимости конверсии

Конечная цель — максимизировать количество качественных обращений по объектам жилой и коммерческой недвижимости, не превышая целевые показатели стоимости конверсии. Аналитика рекламы, прогнозирование спроса и распределение бюджета помогают принимать решения для достижения этой цели.

При продвижении сотен и тысяч объектов жилой и коммерческой недвижимости информация распределена между системами и каналами экспозиции. Рекламный кабинет показывает размещения, просмотры и списания. CRM хранит заявки и сведения об их качестве. В звонках и чатах остаются требования покупателей и арендаторов, вопросы об объектах и причины отказов. Один объект может быть представлен на нескольких площадках и в каталоге компании, поэтому его результаты нужно рассматривать и по отдельным каналам, и в контексте общего портфеля.

Отчёта о позиции объявления недостаточно для решения о бюджете. Объект может получать просмотры, но не давать подходящих обращений. У другого интерес меняется после корректировки предложения. Чтобы выбрать действие, специалисту нужны сопоставимые данные по конкретному объекту, история продвижения и понимание содержания коммуникаций.

Мы поставили задачу связать данные о расходах и качестве обращений с выбором продвижения. При оценке вариантов важны одновременно количество квалифицированных обращений и стоимость их привлечения: рост потока заявок должен соответствовать целевой экономике бизнеса. Важным условием стала проверяемость: пользователь должен видеть основания рекомендации и понимать, какие значения уже получены, а какие рассчитаны моделью.

Экспозиция объектов: MLS, площадки недвижимости и собственные каталоги

В контуре задачи — размещение и продвижение объектов продажи и аренды. Каналы экспозиции включают:

• Циан — объявления и инструменты продвижения недвижимости.
• Авито — экспозиция объектов в разделе недвижимости.
• Яндекс Недвижимость — дополнительный канал размещения предложений.
• Домклик — площадка экспозиции объектов недвижимости.
• Собственные каталоги компании — предложения на корпоративных сайтах и в собственных каталогах объектов.

Состав доступных данных и возможностей управления различается по площадкам. В кейсе наиболее глубокая интеграция реализована с Цианом; для каждого другого источника объём обмена определяется доступными API, XML-выгрузками и данными компании. Это важно для интерпретации отчётов: одинаковое присутствие объекта в нескольких каналах не означает одинаковую полноту статистики по ним.

Как мы реализовали платформу аналитики недвижимости

Объединили источники и спроектировали модель данных

Мы связали данные объявлений и рекламной статистики с обращениями, звонками и чатами. Для обмена использовали API и XML-выгрузки; наиболее глубокую интеграцию реализовали с Цианом. Сбор данных и продолжительные расчёты вынесли в фоновые задачи, чтобы они не удерживали пользователя в открытом запросе.

В центре интерфейса находится объект жилой или коммерческой недвижимости и связанные с ним объявления. Это позволяет переходить от общего портфеля к деталям: проверять расходы, интерес аудитории и обращения по одному предложению с учётом канала экспозиции. При этом управление учитывает контекст рекламных кабинетов, выгрузок и доступного бюджета.

Собрали отчёты для рабочих решений

Мы разработали общую картину по портфелю: расходы, остатки рекламных баллов, обращения, ошибки публикации и объявления, требующие внимания. Для выбранного периода доступны воронка интереса, стоимость заявки и квалифицированные обращения. Из итогового показателя можно перейти к исходным данным объекта.

Отдельно подключили анализ спроса и коммуникаций. Система помогает группировать объекты по интересу рынка, сравнивать характеристики и изучать, что потенциальные клиенты обсуждают в звонках и чатах. Так количественная аналитика дополняется содержанием разговоров: запросами, ограничениями и возражениями.

Добавили прогнозирование и распределение рекламного бюджета

Ориентир для оптимизации — получить как можно больше качественных обращений при соблюдении целевых показателей стоимости конверсии и доступного бюджета. Поэтому варианты продвижения важно сравнивать по ожидаемым обращениям и расходам на их привлечение.

Расчётную стратегию мы построили на сочетании машинного обучения и математической оптимизации. Она учитывает историю объекта, показы, просмотры, добавления в избранное, обращения, характеристики похожих объявлений и свежие события. На этой основе система прогнозирует спрос и сравнивает варианты продвижения.

При распределении рекламного бюджета учитывается полная стоимость: платное размещение вместе с аукционной ставкой. Помимо автоматизированной стратегии мы предусмотрели ручные правила. Пользователь может изучить план, выбрать подходящие условия и после проверки записать ставки и типы продвижения в рекламную выгрузку.

Разделили расчёты, объяснения и проверку ограничений

Для оценки подготовленных планов и объяснения рекомендаций мы подключили локальную языковую модель Qwen. Прогнозные значения рассчитывает статистическая модель, а допустимость расходов проверяет сервер. Это разделение делает назначение каждого компонента понятным: расчёт отвечает за прогноз, оптимизация — за выбор вариантов, языковая модель — за оценку и объяснение.

Проверку реализации дополнили автоматическими тестами расчётов и браузерными сценариями на Playwright. Для такого продукта важно проверить и саму математику, и путь пользователя от просмотра показателей до применения выбранного продвижения.

Какие сложности мы решали

Разрозненные данные и несколько каналов экспозиции. Расходы, заявки и коммуникации описывают разные стороны одного процесса, а один объект может иметь объявления на разных площадках. Мы объединили данные вокруг объекта недвижимости и сделали переход от сводного отчёта к деталям, чтобы итоговые показатели можно было проверить.

Отсутствие данных и нулевой результат. Эти ситуации требуют разных решений. Мы разделили их в представлении показателей: отсутствие информации не должно выглядеть как подтверждённое отсутствие спроса.

Согласование объёма обращений, стоимости конверсии и бюджета. Потенциальный интерес к объекту сам по себе не определяет допустимые расходы: важно соотносить ожидаемое количество качественных обращений с целевой стоимостью их привлечения. Мы учитывали стоимость размещения и ставки вместе, а бюджетные ограничения вынесли в серверную проверку.

Доверие к автоматизированным рекомендациям. Мы показываем в карточке объекта фактические результаты, прогноз и причину выбора суммы. Специалист сохраняет возможность проверить предложение перед действием.

Технологии и архитектура

Серверную часть мы реализовали на Python и Flask, данные храним в PostgreSQL. Интерфейс построен на JavaScript, Jinja2 и Bootstrap. Для математической оптимизации используем SciPy, для ИИ-стратегии — Qwen в корпоративной инфраструктуре. API и XML связывают платформу с внешними системами, а фоновые обработчики выполняют сбор данных и длительные вычисления.

Результат: управление продвижением жилой и коммерческой недвижимости

Мы создали работающий инструмент для портфеля жилой и коммерческой недвижимости, в котором данные об объектах, их экспозиции и рекламных расходах связаны с оценкой спроса и конкретным действием. В одном процессе доступны контроль портфеля, анализ качества обращений, сравнение вариантов продвижения и применение выбранного плана. Специалист получает контекст для решений о продвижении объектов продажи и аренды.

Этот подход применим к задачам, где бизнесу нужно объединить источники данных и выбирать действия в рамках ограниченного бюджета. Состав показателей, модель прогнозирования и правила оптимизации зависят от процесса и качества доступной информации.

Когда такой подход полезен вашему бизнесу

Если команда вручную сопоставляет рекламные отчёты и CRM, можем начать с консалтинга по аналитике данных: разобрать источники, определить показатели и спроектировать путь от отчёта к решению. Для оценки ИИ-сценариев подойдёт консалтинг по внедрению ИИ. Отдельно мы описали разработку сервиса анализа звонков и встреч, который дополняет числовую аналитику содержанием коммуникаций.

Обсудить аналитику и управление бюджетом вашей компании