llmcase.ru
🏠
Как онлайн-сервис аренды жилья поднял конверсию в бронирование на 6% с помощью динамического ценообразования
Крупный российский сервис краткосрочной аренды жилья заменил ручные корректировки цен на ML-модель динамического ценообразования и снизил простой объектов на 8%.
+6%
конверсия из просмотра в бронирование
-8%
простой объектов
+3%
LTV арендодателя
Коротко о кейсе
Ведущий российский сервис краткосрочной аренды жилья (7+ млн пользователей в месяц, 200 000+ объектов) внедрил ML-модель динамического ценообразования на Python и CatBoost вместо ручных корректировок цен. Конверсия из просмотра в бронирование выросла на 6%, простой объектов сократился на 8%, а LTV арендодателя увеличился на 3%.
Проблема
Ручные корректировки цен арендодателями приводили к просадкам конверсии и упущенной выручке
Высокий простой объектов из-за неоптимальной цены на разных этапах сезона
Отсутствие прозрачного, основанного на данных подхода к формированию цены
Цена не учитывала спрос, сезонность, географию и цены конкурентов в реальном времени
Решение
ML-модель динамического ценообразования на Python и CatBoost, обучаемая на данных о спросе, сезонности, географии, ценах конкурентов и поведении пользователей
Оркестрация расчётов и обновления цен через Airflow, хранение данных в PostgreSQL
Модуль предиктивной аналитики спроса с отслеживанием конверсии из просмотра в бронирование
Интеграция рекомендаций по цене в личный кабинет арендодателя и внутренние системы сервиса
Поэтапное внедрение в 8 стадий: бизнес-анализ → аудит данных → генерация признаков → обучение модели → proof-of-concept → MVP-инструмент рекомендаций → пилот → полная интеграция с бизнес-правилами
Результаты
+6%
конверсия из просмотра в бронирование
-8%
простой объектов (высвобождение под новые брони)
+3%
рост LTV арендодателя
Хотите так же?
Автоматизируйте недвижимость с помощью AI
Оставьте заявку — проведём аудит ваших продаж и покажем, где вы теряете деньги