Для одного из ведущих российских онлайн-сервисов краткосрочной аренды мы внедрили динамическое ценообразование: AI-модель в реальном времени анализирует спрос, сезонность, географию, конкурентов и поведение пользователей и подсказывает оптимальную цену для каждого объекта. В результате конверсия из просмотра в бронирование выросла, простой объектов сократился, а доходность и LTV арендодателей увеличились за счёт более точного и прозрачного ценообразования.
Клиент — один из ведущих российских онлайн-сервисов краткосрочной аренды жилья: по данным 2023 года им ежемесячно пользуются 7+ млн человек, на площадке размещено 200 000+ вариантов.
Из-за ручных правок цен, просадок конверсии и простоя объектов пользователи сервиса теряли выручку. Мы внедрили динамическое ценообразование: AI-модель в реальном времени анализирует рынок и поведение пользователей и подсказывает оптимальную цену для каждого объекта. В результате конверсия из просмотра в бронирование выросла, а время простоя снизилось.
Цель
Повысить эффективность монетизации объектов размещения за счёт автоматического подбора цены, напрямую влияющей на спрос.
Задачи
— увеличить конверсию из просмотра в бронирование;
— сократить простой объектов;
— повысить LTV арендодателей.
Что сделали
Мы развернули решение динамического ценообразования, применимое в любых сегментах, где цена напрямую влияет на спрос.
AI-модель анализирует:
— цены конкурентов;
— поведение клиентов и пользователей;
— продажи/бронь, остатки/наличие, сезонность;
— динамику спроса и географию;
— конверсии и простой — и на их основе рекомендует оптимальную цену в реальном времени.
На основе этих параметров модель вычисляет и рекомендует оптимальную цену для каждого объекта.
Для недвижимости:
— учитываются локация и параметры объекта, поведение пользователей и цены конкурентов;
— при простое система подсказывает, на сколько снизить цену, чтобы восстановить спрос.
Примеры подсказок системы
«Снизьте цену на 5% — это даст +30% откликов».«Выше рынка на 7%, похожие объекты сдаются за 6 дней».
Этапы проекта
Проект строился как последовательный переход от понимания бизнес-контекста и данных к проверке экономических гипотез и последующему внедрению модели в продукт. Мы сознательно шли от аналитики и совместной постановки целей с клиентом к PoC и пилоту, а не сразу к автоматическому ценообразованию, чтобы на каждом этапе проверять гипотезы на данных и реальных метриках.
1. Исследовательский бизнес-анализ и постановка задач вместе с клиентом
На первом этапе мы подробно разобрали текущую модель ценообразования и боли ключевых стейкхолдеров: продакта, маркетинга, аккаунт-менеджмента и хостов. Вместе сформулировали цели проекта: что именно будем считать успехом (рост выручки, загрузки, качества инвентаря, повышение прозрачности ценообразования) и какие решения на основе новой модели должны принимать хосты и платформа. На этом же шаге сформировали первые бизнес-гипотезы — например, что часть объявлений сильно недооценена или, наоборот, переоценена, а учёт локации, набора удобств и рейтинга даёт более точную «рыночную» цену по сравнению с текущими подходами. В завершение фиксировали ключевые сценарии использования модели: внутренняя аналитика, рекомендации хостам, автоматический подбор цены и другие варианты применения.
2. Аудит и консолидация данных по объектам
На следующем этапе собрали в единую модель все типы объектов бронирования: целые квартиры, дома, коттеджи, апартаменты, шале и другие варианты размещения, а также отдельные комнаты, студии, койко-места и гостиничные номера — отелей, хостелов, апарт-отелей, баз отдыха и т.д.
Для каждого объявления проверили полноту и качество данных по 6 ключевым группам признаков:
— тип и структура объекта,
— локация,
— набор удобств,
— правила проживания,
— параметры цены и бронирования,
— признаки качества и спроса — рейтинг, отзывы, популярность и сезонность.
3. Нормализация, кодирование признаков и проектирование фичей
На этом этапе нормализовали и кодировали признаки:
— привели типы жилья, удобства и правила проживания к единым справочникам,
Параллельно сформировали временные признаки: день недели, сезон, праздники и длинные выходные, окно бронирования — за сколько дней до заезда пользователь делает бронь. Затем добавили агрегаты и «рыночные» признаки: среднюю цену, загрузку и популярность объявления, медианную цену и диапазон цен по похожим объектам в том же районе и на те же даты, а также индикаторы качества — структуру отзывов, статус «Суперхозяина» и другие важные сигналы.
4. Формирование обучающего датасета и первичная модель
На этом этапе мы собрали исторические данные: «объект + конкретные даты заезда + все признаки» зафиксировали фактическую цену с учётом скидок, «горящих» предложений, условий отмены и типа брони. Затем очистили выборку от аномалий и тестовых данных, сбалансировали её по типам объектов и регионам, чтобы модель не «перекосило» в сторону самых массовых сегментов. На этой основе обучили первую версию модели, которая предсказывала справедливую рыночную цену для объекта на заданные даты, и оценили её точность по разным сегментам — типам жилья, регионам и ценовым категориям.
5. Proof of Concept (аналитический MVP)
На следующем этапе мы использовали модель в офлайне для проверки ключевых бизнес-гипотез: построили карты недооценённых и переоценённых объявлений и посмотрели, в каких сегментах текущие цены хостов сильно расходились с модельной «рыночной» оценкой. На этой основе посчитали потенциальный эффект — как могла бы измениться выручка и загрузка при переходе к модельной цене для разных сегментов. По результатам PoC уточнили целевой функционал первого продуктового релиза и приоритеты по типам объектов и регионам.
6. Продуктовый MVP сервиса расчёта цены
На этом этапе модель ещё не изменяла цены автоматически, а использовалась как рекомендательный инструмент для принятия решений.
7. Пилотное внедрение и проверка гипотез на реальных данных
На следующем этапе мы запустили MVP на ограниченном пуле — в отдельных городах, для выбранных типов объектов или сегментов хостов. В ходе пилота замеряли реальные бизнес-метрики: как изменились выручка, загрузка и средний чек, как реагировали и насколько были удовлетворены хосты, а также оценивали устойчивость модели к сезонным и локальным колебаниям спроса.
8. Полное внедрение и интеграция в продукт
На финальном этапе мы расширили покрытие по регионам и типам объектов и добавили новые сценарии использования модели:
— отображение рекомендаций в личном кабинете хоста;
— API/сервисы для внутренних систем ценообразования;
— опциональный режим “автоподстройки” цены в рамках заданных границ.
Параллельно настроили бизнес-правила поверх модели: задали минимальные и максимальные цены, ограничения на скорость изменения тарифа, а также специальные правила для долгих броней, «горящих» предложений и других особых сценариев.
Кейсы
Неделя рекламы 
Новости 
How to 
Интервью и дискуссии 
Маркетинговые исследования 
Просто о сложном 
Энциклопедия обмана 
Проверено ADPASS 
Рекламные кампании