“Оценка качества бронирования” – новое видео на нашем YouTube-канале:
https://youtu.be/o-yH3ypA42Y
Клиенты не перестают сомневаться в сделанном выборе даже после бронирования квартиры и назначения даты сделки. Сомнение в правильности сделанного выбора является причиной расторжения и отказа от сделки в более, чем трети случаев. В этом видео мы расскажем, как можно вовремя определить, что бронь может отвалиться, а сделка не состояться, и как можно сделать клиенту такое предложение, от которого он уже не откажется.
https://youtu.be/o-yH3ypA42Y
Клиенты не перестают сомневаться в сделанном выборе даже после бронирования квартиры и назначения даты сделки. Сомнение в правильности сделанного выбора является причиной расторжения и отказа от сделки в более, чем трети случаев. В этом видео мы расскажем, как можно вовремя определить, что бронь может отвалиться, а сделка не состояться, и как можно сделать клиенту такое предложение, от которого он уже не откажется.
“Задачи отделу продаж” – новое видео на нашем Youtube-канале:
https://youtu.be/QPLNc7BGH9Q
Как поставить задачу отделу продаж так, чтобы они продавали то, что нужно? Как сделать так, чтобы менеджеры сами хотели продавать то, что нужно? И как сделать так, чтобы менеджерам было проще выполнять план продаж?
https://youtu.be/QPLNc7BGH9Q
Как поставить задачу отделу продаж так, чтобы они продавали то, что нужно? Как сделать так, чтобы менеджеры сами хотели продавать то, что нужно? И как сделать так, чтобы менеджерам было проще выполнять план продаж?
“Скидки” - новое видео на нашем YouTube-канале:
https://youtu.be/pFWOsNauKa0
Как на самом деле работают скидки? Какие скидки нужно делать, а какие делать нельзя? Разбираем самые большие заблуждения по поводу скидок на квартиры.
https://youtu.be/pFWOsNauKa0
Как на самом деле работают скидки? Какие скидки нужно делать, а какие делать нельзя? Разбираем самые большие заблуждения по поводу скидок на квартиры.
❤1
“Как спасать продажи?” – новое видео на нашем YouTube-канале:
https://youtu.be/n3sEnX9kkNg?si=wPpZThPRAjnf4k-f
В этом видео мы разберем на реальном примере ситуацию резкого изменения спроса, рассмотрим, каковы типовые причины падения и роста объемов продаж, какие ошибки совершают специалисты по ценообразованию, и как правильно управлять спросом.
https://youtu.be/n3sEnX9kkNg?si=wPpZThPRAjnf4k-f
В этом видео мы разберем на реальном примере ситуацию резкого изменения спроса, рассмотрим, каковы типовые причины падения и роста объемов продаж, какие ошибки совершают специалисты по ценообразованию, и как правильно управлять спросом.
🔥1
Forwarded from Всё о стройке
⚡️ 24.10 в 11:00 (мск) новая битва, в этот раз 👇🏻
«Битва дашбордов и BI-систем, предоставляющих ТОП-менеджменту девелоперов самую полную информацию для принятия управленческих решений»
— наш собственный Build Up —
В формате 5-ти минутных презентаций 10 разработчиков за один час получат возможность продемонстрировать свои решения крупнейшим застройщикам страны, а те выберут лучших прямо в эфире.
Решения презентую:
🔸Валерий Кондаков — СТО Uninum (Решение — Система управления коммерческим блоком девелопера Uninum BI)
🔸Алсу Гимаева — Эксперт по внедрению BI-систем BaseLine (Решение – Интерактивный отчёт (Power BI) по статусу проекта «Строительство жилого микрорайона»)
🔸Артём Станишевский — Коммерческий директор ООО «ПСС» (Решение — Платформа строительных сервисов)
🔸Даниил Фролов — Менеджер проектов ОСМОКОД (Решение — ПО «Цифровое управление строительством»)
🔸🔸🔸🔸🔸🔸 — ещё 6 участников приглашаем😉
Оценит it-решения авторитетное жюри из ТОПов: ДОМ.РФ, Фонда «Сколково», ПИК, Холдинга Setl Group, Брусники, ГК «А101», ГК ТОЧНО, ГК Seven Suns Development, AVA Group, Неометрии, ИГ Абсолют, PIONEER, «Железно», «Галс-Девелопмент»
Зарегистрироваться на просмотр
https://всеостройке.рф/meropriyatiya/24-10-bitva-dashbordov-i-bi-sistem-predostavljavshih-top-menedzhmentu-developerov-naibolee-polnuju-informaciju-dlja-prinjatija-reshenij/
Посмотреть предыдущие битвы
По вопросам презентации решений — @svetlanaopryshko
«Битва дашбордов и BI-систем, предоставляющих ТОП-менеджменту девелоперов самую полную информацию для принятия управленческих решений»
— наш собственный Build Up —
В формате 5-ти минутных презентаций 10 разработчиков за один час получат возможность продемонстрировать свои решения крупнейшим застройщикам страны, а те выберут лучших прямо в эфире.
Решения презентую:
🔸Валерий Кондаков — СТО Uninum (Решение — Система управления коммерческим блоком девелопера Uninum BI)
🔸Алсу Гимаева — Эксперт по внедрению BI-систем BaseLine (Решение – Интерактивный отчёт (Power BI) по статусу проекта «Строительство жилого микрорайона»)
🔸Артём Станишевский — Коммерческий директор ООО «ПСС» (Решение — Платформа строительных сервисов)
🔸Даниил Фролов — Менеджер проектов ОСМОКОД (Решение — ПО «Цифровое управление строительством»)
🔸🔸🔸🔸🔸🔸 — ещё 6 участников приглашаем😉
Оценит it-решения авторитетное жюри из ТОПов: ДОМ.РФ, Фонда «Сколково», ПИК, Холдинга Setl Group, Брусники, ГК «А101», ГК ТОЧНО, ГК Seven Suns Development, AVA Group, Неометрии, ИГ Абсолют, PIONEER, «Железно», «Галс-Девелопмент»
Зарегистрироваться на просмотр
https://всеостройке.рф/meropriyatiya/24-10-bitva-dashbordov-i-bi-sistem-predostavljavshih-top-menedzhmentu-developerov-naibolee-polnuju-informaciju-dlja-prinjatija-reshenij/
Посмотреть предыдущие битвы
По вопросам презентации решений — @svetlanaopryshko
Forwarded from Digital Developer → всё о proptech🔥
Часто застройщики сталкиваются с проблемой длительного согласования цен на квартиры в одном ЖК. Приходится отдельно выгружать сделки из CRM, создавать сводные таблицы в Excel и накладывать их на нераспроданные лоты шахматки.
Сервисы динамического ценообразования решают эту проблему:
Please open Telegram to view this post
VIEW IN TELEGRAM
В ситуации, когда девелопер созрел для внедрения ДЦО, но при этом не готов отказаться от привычных алгоритмов ценообразования, мы побывали множество раз.
Наша команда испробовала все варианты объяснений и уговоров, чтобы как-то изменить устоявшиеся привычки, но пришлось сдаться.
Оказалось, что можно проще. Нам удалось реконструировать в Excel механики из модели ДЦО. В итоге, получилась рабочая модель прогноза по сегментам с эластичностью по цене, объему продаж и клиентскому потоку, которую аналитик может тюнить сам. Неожиданно легко туда зашли и так любимые отделом ценообразования правила — фиксированный разгон по этажам и допустимые пороги индексаций.
В течении марта мы делаем демонстрацию новой гибридной модели для наших старых клиентов с возможностью запуска пилота.
По всем вопросам обращайтесь к @d_chasovskoy
Наша команда испробовала все варианты объяснений и уговоров, чтобы как-то изменить устоявшиеся привычки, но пришлось сдаться.
Оказалось, что можно проще. Нам удалось реконструировать в Excel механики из модели ДЦО. В итоге, получилась рабочая модель прогноза по сегментам с эластичностью по цене, объему продаж и клиентскому потоку, которую аналитик может тюнить сам. Неожиданно легко туда зашли и так любимые отделом ценообразования правила — фиксированный разгон по этажам и допустимые пороги индексаций.
В течении марта мы делаем демонстрацию новой гибридной модели для наших старых клиентов с возможностью запуска пилота.
По всем вопросам обращайтесь к @d_chasovskoy
Что такое хорошая система ценообразования? Мы часто задаем этот вопрос и себе и клиентам 🤔 . Оказалось, что чем дальше, тем ответ глубже и интереснее. Представьте такой диалог на совещании по ценам:
B: Что такое хорошая система ценообразования для вас?
А: Можно часто менять цены под спрос и на этом заработать😎 .
В: Круто, а как не перейти в другую крайность, как понимать на сколько повышать?
А:🤗 Мы будем реагировать на неравномерное вымывание.
B: Как быть с тем, что вымывание – это составляющая еще и входящего потока клиентов, и иногда решать вопрос плохого вымывания ценами крайне неэффективно?
Как быть с тем, что менеджеры по продажам решают свою тактическую задачу на месяц и могут перевернуть ситуацию скидками и таргетированными предложениями🤨 ?
А: Тогда мы будем пытаться учесть и это, сделаем еще больше правил.
В: Говорят, многие девелоперы, решают развивать свой продукт вдолгую, и мы их отлично в этом понимаем...
Далее уже как повезет, наступает момент, что "У нас слишком много правил, рынок меняется, мы не можем обосновать какие коэффициенты использовать". Может возникнуть кризис доверия к системе и откат в ручное управление. У других вызревают технологии следующего поколения. По нашему мнению их смысл – научиться моделировать взаимодействие клиента и витрины и извлекать из этого понимание какие формулы использовать с какими коэффициентами. Об этом мы расскажем подробнее в следующем посте.
🧐 Поделитесь в комментариях, как Вы понимаете хорошее ДЦО 🤡 ❤️🔥 ?
B: Что такое хорошая система ценообразования для вас?
А: Можно часто менять цены под спрос и на этом заработать
В: Круто, а как не перейти в другую крайность, как понимать на сколько повышать?
А:
B: Как быть с тем, что вымывание – это составляющая еще и входящего потока клиентов, и иногда решать вопрос плохого вымывания ценами крайне неэффективно?
Как быть с тем, что менеджеры по продажам решают свою тактическую задачу на месяц и могут перевернуть ситуацию скидками и таргетированными предложениями
А: Тогда мы будем пытаться учесть и это, сделаем еще больше правил.
В: Говорят, многие девелоперы, решают развивать свой продукт вдолгую, и мы их отлично в этом понимаем...
Далее уже как повезет, наступает момент, что "У нас слишком много правил, рынок меняется, мы не можем обосновать какие коэффициенты использовать". Может возникнуть кризис доверия к системе и откат в ручное управление. У других вызревают технологии следующего поколения. По нашему мнению их смысл – научиться моделировать взаимодействие клиента и витрины и извлекать из этого понимание какие формулы использовать с какими коэффициентами. Об этом мы расскажем подробнее в следующем посте.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥2👍1
Продолжаем историю про хорошее ДЦО и его развитие (часть 2)
Идею перенести опыт динамического ценообразования из другой отрасли мы наблюдали на примере компании ПИК в 2018г. Опыт в прайсинге на авиабилеты казался наиболее релевантным и были выходы на тех, кто такие системы создавал. Красивые картинки с ежедневно дорожающими лотами на квартиры (как билеты) частенько мелькали в нашем сознаниии, а вылет самолета был так похож на завершение строительства корпуса .
Увы ... квартиры слишком не похожи на билеты, существующие тогда модели не могли учесть. Мы поняли, что придется что-то изображать самим в роли первопроходцев.
В эти годы набирает обороты мода на машинное обучение. ПИК проводит чемпионат по машинному обучению Pik Digital Day, целью которого нащупать модели которые могли дать прорывную точность в предсказании объемов продаж. За приличный призовой фонд по тем временам (около 1 млн. рублей) боролось более 30 команд. Эта была хорошая попытка, результатом которой стала ясность что с наскока эта задача не решается - нужно несколько моделей, лучшее понимание что внутри них происходит, большая стабильность в данных... Если честно, в этот момент наша команда начала сомневаться в успехе, повелители экселя из отдела ценообразования начали выбирать попкорн по нашу душу.
Хорошо, засучили рукава и начали рассуждать своим мозгом. Возможно, сразу предсказать объем продаж - слишком сложная задача. Давайте научимся хотя бы предсказывать стоимость квартиры. Наконец, открылся простор для творчества наших аналитиков данных. Факторов которые могут повлиять на стоимость квартиры 100+, а собирать их по закоулкам СРМ и открытых источников это занятие достойное отдельной профессии - чем-то похоже на кладоискателя.
Мы ушли в перебор моделей и признаков на 2 месяца, результаты были хорошие, но явно не прорывные. Чутье подсказывала что выход возможен только при полном контакте с бизнесом. Наблюдение за оным принесло один горький инсайт - на цены слишком сильно влияет темпы с которыми девелопер хочет продавать квартиры.
Следом прозвучал еще более неудобный и невинный вопрос от аналитика - как будем считать темпы? Можно посчитать в целом по проекту, по комнатности, по этажу - какие из этих темпов учитывать? К таким поворотам судьбы нас явно не готовили, ведь машинное обучение тогда казалось всемогущим, а рецепт побольше напихать и потрясти оказался абсолютно не уместен.
Примерно в этот момент (2019г) ветка развития продукта раздвоилась. Первый путь был запущен как запасной - путь систематизации опыта команды аналитиков ценообразования и оформление его в виде явных правил индексации. Второй путь должен был ответить на вопрос - если не машинное обучение, то что? Продолжение следует...
Любая обратная связь вдохновляет писать больше, будем рады если поделитесь.
Идею перенести опыт динамического ценообразования из другой отрасли мы наблюдали на примере компании ПИК в 2018г. Опыт в прайсинге на авиабилеты казался наиболее релевантным и были выходы на тех, кто такие системы создавал. Красивые картинки с ежедневно дорожающими лотами на квартиры (как билеты) частенько мелькали в нашем сознаниии, а вылет самолета был так похож на завершение строительства корпуса .
Увы ... квартиры слишком не похожи на билеты, существующие тогда модели не могли учесть. Мы поняли, что придется что-то изображать самим в роли первопроходцев.
В эти годы набирает обороты мода на машинное обучение. ПИК проводит чемпионат по машинному обучению Pik Digital Day, целью которого нащупать модели которые могли дать прорывную точность в предсказании объемов продаж. За приличный призовой фонд по тем временам (около 1 млн. рублей) боролось более 30 команд. Эта была хорошая попытка, результатом которой стала ясность что с наскока эта задача не решается - нужно несколько моделей, лучшее понимание что внутри них происходит, большая стабильность в данных... Если честно, в этот момент наша команда начала сомневаться в успехе, повелители экселя из отдела ценообразования начали выбирать попкорн по нашу душу.
Хорошо, засучили рукава и начали рассуждать своим мозгом. Возможно, сразу предсказать объем продаж - слишком сложная задача. Давайте научимся хотя бы предсказывать стоимость квартиры. Наконец, открылся простор для творчества наших аналитиков данных. Факторов которые могут повлиять на стоимость квартиры 100+, а собирать их по закоулкам СРМ и открытых источников это занятие достойное отдельной профессии - чем-то похоже на кладоискателя.
Мы ушли в перебор моделей и признаков на 2 месяца, результаты были хорошие, но явно не прорывные. Чутье подсказывала что выход возможен только при полном контакте с бизнесом. Наблюдение за оным принесло один горький инсайт - на цены слишком сильно влияет темпы с которыми девелопер хочет продавать квартиры.
Следом прозвучал еще более неудобный и невинный вопрос от аналитика - как будем считать темпы? Можно посчитать в целом по проекту, по комнатности, по этажу - какие из этих темпов учитывать? К таким поворотам судьбы нас явно не готовили, ведь машинное обучение тогда казалось всемогущим, а рецепт побольше напихать и потрясти оказался абсолютно не уместен.
Примерно в этот момент (2019г) ветка развития продукта раздвоилась. Первый путь был запущен как запасной - путь систематизации опыта команды аналитиков ценообразования и оформление его в виде явных правил индексации. Второй путь должен был ответить на вопрос - если не машинное обучение, то что? Продолжение следует...
Любая обратная связь вдохновляет писать больше, будем рады если поделитесь.
❤2🔥1
Пора разобраться какие процессы девелопера охватывает "Динамическое ценообразование" (часть 3). Вы удивитесь, насколько разнообразные и сложные процессы стоят за этим понятием. Самое интересное, что под каждый процесс может существовать отдельное решение, со своей методологией и подходом. Поехали, стартовое ценообразование и конкурентный анализ не беру:
- Индексация по проекту в целом. Задача, как правило, попасть в диапазон 95-105% от плана, либо максимизировать маржу. Решение принимается совместно с планом по усилению маркетинга, включение доп. скидок, мобилизации команды продаж.
- Балансировка по корпусам. Решение по индексации корпусов, с целью попадания окончания продаж корпуса в целевой период.
- Балансировка по комнатности/типоразмерам. Решение по индексации сегментов для обеспечения равномерного или заданного вымывания.
- Балансировка по стоякам. Решение по индексации стояков с целью равномерного вымывания стояков.
- Балансировка квартир с выбитыми ценами. Точечный поиск квартир с выбитыми ценами относительно соседних.
- Переоценка квартир перед выводом в реализацию.
- Вывод квартир в реализацию из управленческого резерва. В основном для поддержания разнообразия.
- Назначение и управление скидками на квартиры.
- Согласование продаж с доп. скидками, согласование вывода квартир из упр. резерва под запрос.
- Мониторинг внештатных ситуаций - например снижение на квартиру в резерве.
Каждый из процессов разветвляется на этапы: первый месяц после старта продаж, основной этап продаж, окончании продаж. Умножьте это на количество проектов которые ведет аналитик в вашей компании и почувствуйте масштаб. Если аналитик систематически что-то не успевает сделать по мелочи, об этом редко кто узнает ... если эффект посчитать в деньгах, думаю для многих эта тема станет горячее🔥
Продолжение следует.
- Индексация по проекту в целом. Задача, как правило, попасть в диапазон 95-105% от плана, либо максимизировать маржу. Решение принимается совместно с планом по усилению маркетинга, включение доп. скидок, мобилизации команды продаж.
- Балансировка по корпусам. Решение по индексации корпусов, с целью попадания окончания продаж корпуса в целевой период.
- Балансировка по комнатности/типоразмерам. Решение по индексации сегментов для обеспечения равномерного или заданного вымывания.
- Балансировка по стоякам. Решение по индексации стояков с целью равномерного вымывания стояков.
- Балансировка квартир с выбитыми ценами. Точечный поиск квартир с выбитыми ценами относительно соседних.
- Переоценка квартир перед выводом в реализацию.
- Вывод квартир в реализацию из управленческого резерва. В основном для поддержания разнообразия.
- Назначение и управление скидками на квартиры.
- Согласование продаж с доп. скидками, согласование вывода квартир из упр. резерва под запрос.
- Мониторинг внештатных ситуаций - например снижение на квартиру в резерве.
Каждый из процессов разветвляется на этапы: первый месяц после старта продаж, основной этап продаж, окончании продаж. Умножьте это на количество проектов которые ведет аналитик в вашей компании и почувствуйте масштаб. Если аналитик систематически что-то не успевает сделать по мелочи, об этом редко кто узнает ... если эффект посчитать в деньгах, думаю для многих эта тема станет горячее
Продолжение следует.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3👍1
Про хорошее ДЦО и его развитие (часть 4)
В прошлом посте мы оценили объем задач который решает аналитик. Кроме большого объема действий, аналитикам приходится придумывать свой авторский подход к процессу. Стандартов принятия решения нет, каждый в некотором роде ученый в своей компании. Давайте попробуем подсобрать принципы, которые поддерживаются большинством опытных аналитиков:
самое живое и быстро меняющиеся - конечно же стояки. Если правильно сделать шахматку, опытному аналитку достаточно бросить взгляд, чтобы восстановить всю ретроспективу происходивших событий со стояком: что с новыми резервами, насколько вымыт стояк, когда была сделка и по какой цене. Некоторые с опытом перестают прокручивать в голове алгоритмы решений и ответ рождают интуитивно, но от этого не менее правильный.
Мастерство начинается когда аналитик заранее просчитывает где начинается перегрев стояка и повышает ровно на столько чтобы потушить "пожар", но и не завысить цены чтобы стояк не остался без продаж. Для этого он учитывает и конкурирующие стояки и разнообразие остатков.
Мастерство продолжается когда аналитик учиться это делать быстро. Это позволяет ему реагировать чаще, а значит принимать еще более крутые решения.
Результат работы видно на шахматке - насколько равномерно продажи расходятся по стоякам, по этажам. Если хотите точнее посчитать - возьмите разницу распроданности корпуса и каждого стояка в %, затем усредните по модулю.
⚡️⚡️⚡️
На сколько равномерно вымываются стояки в вашей компании? Если есть ответ - это уже очень высокий уровень культуры принятия решений. Если нет - очень рекомендую научиться это считать.
В прошлом посте мы оценили объем задач который решает аналитик. Кроме большого объема действий, аналитикам приходится придумывать свой авторский подход к процессу. Стандартов принятия решения нет, каждый в некотором роде ученый в своей компании. Давайте попробуем подсобрать принципы, которые поддерживаются большинством опытных аналитиков:
самое живое и быстро меняющиеся - конечно же стояки. Если правильно сделать шахматку, опытному аналитку достаточно бросить взгляд, чтобы восстановить всю ретроспективу происходивших событий со стояком: что с новыми резервами, насколько вымыт стояк, когда была сделка и по какой цене. Некоторые с опытом перестают прокручивать в голове алгоритмы решений и ответ рождают интуитивно, но от этого не менее правильный.
Мастерство начинается когда аналитик заранее просчитывает где начинается перегрев стояка и повышает ровно на столько чтобы потушить "пожар", но и не завысить цены чтобы стояк не остался без продаж. Для этого он учитывает и конкурирующие стояки и разнообразие остатков.
Мастерство продолжается когда аналитик учиться это делать быстро. Это позволяет ему реагировать чаще, а значит принимать еще более крутые решения.
Результат работы видно на шахматке - насколько равномерно продажи расходятся по стоякам, по этажам. Если хотите точнее посчитать - возьмите разницу распроданности корпуса и каждого стояка в %, затем усредните по модулю.
⚡️⚡️⚡️
На сколько равномерно вымываются стояки в вашей компании? Если есть ответ - это уже очень высокий уровень культуры принятия решений. Если нет - очень рекомендую научиться это считать.
Хорошее ценообразование и его развитие (часть 5). Куда идет развитие ДЦО? Во второй части мы рассказали об истории зарождения ДЦО в отрасли, которая вылилась в 3 основных ветки:
1 систематизация опыта в виде правил и алгоритмов
2 моделирование взаимодействия клиента и витрины (не ML)
3 модели на машинном обучении
Сегодня смотрим в лупу пункт 2. Что это за моделирование такое? Представьте что есть поток клиентов и поток витрины. Поток клиентов - это все те конкретные люди, с конкретными бюджетами, которые взаимодействовали с витриной в определенные моменты. Поток витрины - это динамика структуры остатков и цен во времени. Будет сделка или нет?🎲 - зависит от того насколько качественно эти два потока в нужный момент времени сойдутся. То есть кто, с каким бюджетом, из каких вариантов выбирает и на сколько они выгодны для выбирающего...
Что значит выгодны? У рынка покупателей всегда есть своя внутренняя оценка - сколько должна стоить квартира. Разница между "рыночной стоимостью" и "фактической ценой" и есть выгода для клиента. Чем больше выгода клиента, тем больше вероятность продажи квартиры. Как это посчитать расскажем в отдельном посте, а еще про это есть лекция.
Как узнать из каких вариантов клиент выбирает? У нас есть информация о бюджете клиента и рейтинге квартир по их привлекательности (выгодности) в глазах клиента. Выбирает он сначала из самых привлекательных. Если привлекательных квартир нет, то сегмент простаивает.
Как это можно предсказать? Вы предсказываете на месяц вперед поток клиентов с их бюджетами. Вы предсказываете рейтинг квартир по привлекательности на вашей витрине. "Перемножаете" это для каждого бюджета - получаете расклад что будет происходить в ближайший месяц.
⚡️⚡️⚡️
Какие из этого выгоды?
- ежедневно пересчитываемый прогноз продаж по выбранным сегментам с объяснением почему так, а значит управление планом продаж и равномерностью вымывания
- эластичность прогноза по цене для принятия решения - маржа/выручка
- фундамент для выстраивания системы скидок - что, когда, на сколько включать
- понимание где проблему надо решать увеличением клиентского потока, а не ценой
Такую систему быстро не настроишь ресурсами одного отдела ценообразования, а пощупать хочется...
Хорошо, что есть демостенд для девелоперов, можете обращаться @d_chasovskoy🖕. В следующей части подробнее расскажем как посчитать привлекательность квартиры.
1 систематизация опыта в виде правил и алгоритмов
2 моделирование взаимодействия клиента и витрины (не ML)
3 модели на машинном обучении
Сегодня смотрим в лупу пункт 2. Что это за моделирование такое? Представьте что есть поток клиентов и поток витрины. Поток клиентов - это все те конкретные люди, с конкретными бюджетами, которые взаимодействовали с витриной в определенные моменты. Поток витрины - это динамика структуры остатков и цен во времени. Будет сделка или нет?
Что значит выгодны? У рынка покупателей всегда есть своя внутренняя оценка - сколько должна стоить квартира. Разница между "рыночной стоимостью" и "фактической ценой" и есть выгода для клиента. Чем больше выгода клиента, тем больше вероятность продажи квартиры. Как это посчитать расскажем в отдельном посте, а еще про это есть лекция.
Как узнать из каких вариантов клиент выбирает? У нас есть информация о бюджете клиента и рейтинге квартир по их привлекательности (выгодности) в глазах клиента. Выбирает он сначала из самых привлекательных. Если привлекательных квартир нет, то сегмент простаивает.
Как это можно предсказать? Вы предсказываете на месяц вперед поток клиентов с их бюджетами. Вы предсказываете рейтинг квартир по привлекательности на вашей витрине. "Перемножаете" это для каждого бюджета - получаете расклад что будет происходить в ближайший месяц.
⚡️⚡️⚡️
Какие из этого выгоды?
- ежедневно пересчитываемый прогноз продаж по выбранным сегментам с объяснением почему так, а значит управление планом продаж и равномерностью вымывания
- эластичность прогноза по цене для принятия решения - маржа/выручка
- фундамент для выстраивания системы скидок - что, когда, на сколько включать
- понимание где проблему надо решать увеличением клиентского потока, а не ценой
Такую систему быстро не настроишь ресурсами одного отдела ценообразования, а пощупать хочется...
Хорошо, что есть демостенд для девелоперов, можете обращаться @d_chasovskoy🖕. В следующей части подробнее расскажем как посчитать привлекательность квартиры.
Please open Telegram to view this post
VIEW IN TELEGRAM
Telegram
UNINUM — Live
Продолжаем историю про хорошее ДЦО и его развитие (часть 2)
Идею перенести опыт динамического ценообразования из другой отрасли мы наблюдали на примере компании ПИК в 2018г. Опыт в прайсинге на авиабилеты казался наиболее релевантным и были выходы на тех…
Идею перенести опыт динамического ценообразования из другой отрасли мы наблюдали на примере компании ПИК в 2018г. Опыт в прайсинге на авиабилеты казался наиболее релевантным и были выходы на тех…
❤1
Благодарю новых подписчиков и старожилов. Нас уже сто 🔥 . Делаю посты максимально полезными, хотя не всегда получается написать коротко.
Хорошее ценообразование и его развитие (часть 6).
Сегодня поделюсь упрощенным вариантом расчета рыночной цены квартиры. Авторство полноценного расчета принадлежит создателю ядра продукта Uninum - Валерию Кондакову.
Посмотрим на процесс покупки квартиры глазами клиента. Человек делает десятки сравнений квартир. Предположим, что при выборе он формирует понимание, сколько он готов доплачивать в рублях за дополнительный метр, этаж, вид.
Поскольку природа этого выбора основана на сравнении, в модели мы идем по такому же пути. Т.е. не пытаемся вычислить стоимость квартиры сразу, а учимся считать сколько люди доплачивают за разницу.
______________ 1 этап _________________
Допустим, было продано 4 квартиры А, Б, В, Г. Значит мы сделаем 6 возможных пар АБ, АВ, АГ, БВ, БГ, ВГ и для каждой из них посчитаем разницу в характеристиках и разницу в цене. На языке математики это система линейных уравнений с N неизвестных, которая успешно решается. Ее результат будет к примеру такой для 1кк:
Секретный ингредиент состоит в том, чтобы сравнивать квартиры, среди которых мог выбирать клиент.
В отличии от похожих поправок, рассчитываемых на старте продаж, реальные поправки, за которые голосует покупатель в каждом корпусе, отличаются и со временем меняются.
______________ 2 этап __________________
Зная поправки в рублях и реальные сделки, делается пересчет в рыночные цены. То есть те цены, за которые люди голосовали прошлыми сделками.
Далее чистим расчет от специфических сделок, когда клиенту удалось найти и купить квартиру ниже рыночной. Такие кейсы ясно видны, если сопоставить рыночную и прайсовую стоимость на одном графике.
______________ 3 этап _________________
Осталось упаковать в удобный график, таблицу. Например, как на графике ниже: прямая наклонная линия - линия равенства рыночной цены (рекомендованной) и цены прайса. То, что выше неё - продано по цене ниже рыночной. То что ниже неё -продано пытается продаться по цене выше рыночной.
______________ Выводы _________________
Расчет поправок на основе истории продаж - объективная обратная связь, за что голосует покупатель.
Эти поправки по каждому проекту свои и меняются со временем - успевайте это посчитать и среагировать.
Знание рыночной цены - фундамент для принятия решения, какой прайс выставить под текущий план продаж.
Если есть вопросы, пишите в комментариях. Хорошего дня!
Хорошее ценообразование и его развитие (часть 6).
Сегодня поделюсь упрощенным вариантом расчета рыночной цены квартиры. Авторство полноценного расчета принадлежит создателю ядра продукта Uninum - Валерию Кондакову.
Посмотрим на процесс покупки квартиры глазами клиента. Человек делает десятки сравнений квартир. Предположим, что при выборе он формирует понимание, сколько он готов доплачивать в рублях за дополнительный метр, этаж, вид.
Поскольку природа этого выбора основана на сравнении, в модели мы идем по такому же пути. Т.е. не пытаемся вычислить стоимость квартиры сразу, а учимся считать сколько люди доплачивают за разницу.
______________ 1 этап _________________
Допустим, было продано 4 квартиры А, Б, В, Г. Значит мы сделаем 6 возможных пар АБ, АВ, АГ, БВ, БГ, ВГ и для каждой из них посчитаем разницу в характеристиках и разницу в цене. На языке математики это система линейных уравнений с N неизвестных, которая успешно решается. Ее результат будет к примеру такой для 1кк:
- за 1м2 клиент доплачивает 1%;
- за вид во двор против вида на улицу - 1.5%;
- за этаж - 0.4%;
- за месяц разницы по дате заселения - 0.8%.
Секретный ингредиент состоит в том, чтобы сравнивать квартиры, среди которых мог выбирать клиент.
В отличии от похожих поправок, рассчитываемых на старте продаж, реальные поправки, за которые голосует покупатель в каждом корпусе, отличаются и со временем меняются.
______________ 2 этап __________________
Зная поправки в рублях и реальные сделки, делается пересчет в рыночные цены. То есть те цены, за которые люди голосовали прошлыми сделками.
Далее чистим расчет от специфических сделок, когда клиенту удалось найти и купить квартиру ниже рыночной. Такие кейсы ясно видны, если сопоставить рыночную и прайсовую стоимость на одном графике.
______________ 3 этап _________________
Осталось упаковать в удобный график, таблицу. Например, как на графике ниже: прямая наклонная линия - линия равенства рыночной цены (рекомендованной) и цены прайса. То, что выше неё - продано по цене ниже рыночной. То что ниже неё -
______________ Выводы _________________
Расчет поправок на основе истории продаж - объективная обратная связь, за что голосует покупатель.
Эти поправки по каждому проекту свои и меняются со временем - успевайте это посчитать и среагировать.
Знание рыночной цены - фундамент для принятия решения, какой прайс выставить под текущий план продаж.
Если есть вопросы, пишите в комментариях. Хорошего дня!
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥3
Рубрика #мастерская_моделей. Индексация стояков.
Вот так иногда хочется поделиться и обменяться пройденным опытом. Столько талантливых аналитиков встречают, считай в одиночку, новые вызовы от рынка. Представьте что будет, если появится сообщество профессионалов, где созданы условия для обмена таким опытом? Искренне считаю, что выигрыш от такого взаимодействия намного превысит потенциальные риски утечки "ценных знаний" к конкурентам. Если такое сообщество уже существует, напишите пожалуйста @d_chasovskoy 👀
👣👣👣👣🦶🏻
А пока, делаем первые шаги в этом направлении. Сегодня разберем сборку модели индексации стояков. Цель модели - рекомендовать момент и размер индексации, в зависимости от распроданности и резерва стояка. Наши герои:
- в меру ленивый аналитик Владимир, который хочет научить модель индексировать стояки за него;
- опытный аналитик Кристина, которая готова помочь Владимиру в его авантюре.
Часть 1. Идея и реальность.
Владимир: У меня классная и простая идея. Давайте реагировать небольшой индексацией на каждый новый резерв в стояке. За счет скорости реакции мы уже неплохо выиграем.
Кристина: Начнем с того, что у тебя бывают стояки по 30 этажей, которые отстают от темпа продаж корпуса. Далеко не всегда нужна индексация в таких случаях. Если ты сделаешь слишком маленькую индексацию для уже распроданных стояков, здесь мы рискуем потерять прибыль.
Часть 2. Учет остатков.
Владимир: Насколько я понял, первая проблема в том, чтобы учесть разные остатки в стояке. Например, 1 резерв в стояке где осталось 5 квартир и 1 резерв в стояке где осталось 25 квартир - большая разница. Кристина, в каких ситуациях бы ты среагировала?
Кристина: Если 1 резерв при 5 остатках, то я точно реагирую, если 1 резерв при 10 остатках я смотрю на распроданность стояка, если один резерв при 15 остатках - я смотрю выполняем ли мы план продаж.
Владимир: Хорошо, по твоим данным, я подберу функцию, которая будет считать сколько нужно резервов для индексации, в зависимости от этажа.
Часть 3. Учет разницы распроданности корпуса и стояка.
Владимир: Следующий вопрос по разнице распроданности корпуса и стояка. Если стояк опережает корпус на 10%/30%, как ты это учтешь?
Кристина: Если на 10%, я буду чуть агрессивнее индексировать. Если на 30% я буду всегда индексировать на 3-5%.
Владимир: Хорошо, я слышу что реакция на разницу распроданности носит нелинейный характер, при большой распроданности нужно действовать с запасом. Для этого подойдет функция типа X^2.
Часть 4. Учет резервов поставленных после последней индексации.
Кристина: Еще для меня значимы резервы, поставленные после последней индексации. Они показывают актуальный интерес к стояку.
Владимир: Принял, учтем и это в цветовой индикации шахматки.
🔥🔥🔥
Итого, Владимиру удалось собрать модель и учесть все ключевые ситуации от Кристины. Следующий этап - отработка на практике, тонкая настройка коэффициентов. Но, уже как минимум, мощная подсказка для аналитика под рукой. Если ее разместить где-то на шахматке, будет удобно!
Кто хочет пощупать прототип такой модели на пальцах, пишите @d_chasovskoy
Вот так иногда хочется поделиться и обменяться пройденным опытом. Столько талантливых аналитиков встречают, считай в одиночку, новые вызовы от рынка. Представьте что будет, если появится сообщество профессионалов, где созданы условия для обмена таким опытом? Искренне считаю, что выигрыш от такого взаимодействия намного превысит потенциальные риски утечки "ценных знаний" к конкурентам. Если такое сообщество уже существует, напишите пожалуйста @d_chasovskoy 👀
👣👣👣👣🦶🏻
А пока, делаем первые шаги в этом направлении. Сегодня разберем сборку модели индексации стояков. Цель модели - рекомендовать момент и размер индексации, в зависимости от распроданности и резерва стояка. Наши герои:
- в меру ленивый аналитик Владимир, который хочет научить модель индексировать стояки за него;
- опытный аналитик Кристина, которая готова помочь Владимиру в его авантюре.
Часть 1. Идея и реальность.
Владимир: У меня классная и простая идея. Давайте реагировать небольшой индексацией на каждый новый резерв в стояке. За счет скорости реакции мы уже неплохо выиграем.
Кристина: Начнем с того, что у тебя бывают стояки по 30 этажей, которые отстают от темпа продаж корпуса. Далеко не всегда нужна индексация в таких случаях. Если ты сделаешь слишком маленькую индексацию для уже распроданных стояков, здесь мы рискуем потерять прибыль.
Часть 2. Учет остатков.
Владимир: Насколько я понял, первая проблема в том, чтобы учесть разные остатки в стояке. Например, 1 резерв в стояке где осталось 5 квартир и 1 резерв в стояке где осталось 25 квартир - большая разница. Кристина, в каких ситуациях бы ты среагировала?
Кристина: Если 1 резерв при 5 остатках, то я точно реагирую, если 1 резерв при 10 остатках я смотрю на распроданность стояка, если один резерв при 15 остатках - я смотрю выполняем ли мы план продаж.
Владимир: Хорошо, по твоим данным, я подберу функцию, которая будет считать сколько нужно резервов для индексации, в зависимости от этажа.
Часть 3. Учет разницы распроданности корпуса и стояка.
Владимир: Следующий вопрос по разнице распроданности корпуса и стояка. Если стояк опережает корпус на 10%/30%, как ты это учтешь?
Кристина: Если на 10%, я буду чуть агрессивнее индексировать. Если на 30% я буду всегда индексировать на 3-5%.
Владимир: Хорошо, я слышу что реакция на разницу распроданности носит нелинейный характер, при большой распроданности нужно действовать с запасом. Для этого подойдет функция типа X^2.
Часть 4. Учет резервов поставленных после последней индексации.
Кристина: Еще для меня значимы резервы, поставленные после последней индексации. Они показывают актуальный интерес к стояку.
Владимир: Принял, учтем и это в цветовой индикации шахматки.
🔥🔥🔥
Итого, Владимиру удалось собрать модель и учесть все ключевые ситуации от Кристины. Следующий этап - отработка на практике, тонкая настройка коэффициентов. Но, уже как минимум, мощная подсказка для аналитика под рукой. Если ее разместить где-то на шахматке, будет удобно!
Кто хочет пощупать прототип такой модели на пальцах, пишите @d_chasovskoy
Рубрика #мастерская_моделей. Генератор скидок.
Отмена льготной ипотеки становится триггером для развития системы скидок. Аналитики все больше вкладывают время, чтобы решить где, когда, какие скидки включить. Дальше, этими скидками нужно управлять, а еще смотреть чтобы вымываемость была в порядке и менеджеры не злоупотребляли.
Пришла идея собрать модель, которая подсказывает в каких стояках и на каком этаже включить скидки чтобы:
А) Получить нужный доп. объем продаж
Б) Обеспечить равномерность по стоякам
В) Обеспечить равномерность по этажам
Модель на входе берет список квартир с площадью и статусами. На выходе показывает на шахматке, где правильно включить скидки. Никакой магии, опыт и любовь к таким вещам. Ниже шорт с пояснениями. По вопросам, тесту такой модели, пишите в комментариях.
Отмена льготной ипотеки становится триггером для развития системы скидок. Аналитики все больше вкладывают время, чтобы решить где, когда, какие скидки включить. Дальше, этими скидками нужно управлять, а еще смотреть чтобы вымываемость была в порядке и менеджеры не злоупотребляли.
Пришла идея собрать модель, которая подсказывает в каких стояках и на каком этаже включить скидки чтобы:
А) Получить нужный доп. объем продаж
Б) Обеспечить равномерность по стоякам
В) Обеспечить равномерность по этажам
Модель на входе берет список квартир с площадью и статусами. На выходе показывает на шахматке, где правильно включить скидки. Никакой магии, опыт и любовь к таким вещам. Ниже шорт с пояснениями. По вопросам, тесту такой модели, пишите в комментариях.
Встреча с сильными специалистами на прошлой неделе вернула меня к вопросу. Аналитик ценообразования ... о чем вы думаете, когда слышите эту фразу?
Насмотренные на рынок люди ... не вылазят из своих таблиц ... влияют на громадные денежные потоки ... имеют размытую ответственность - результат сложно посчитать .. умеют предугадывать события на рынке ... часто убеждают за счет харизмы ... в постоянном поиске баланса интересов между продажами и фин. контролерами.
Чтобы собрать в себе столько навыков, надо быть очень талантливым. Но, не всегда понятно, куда аналитику развиваться. Согласитесь, что в картине мира, когда твой лучший результат - "Хорошо, что у тебя нет ошибок", сложно чего-то хотеть.
А что Вас вдохновляет в этой профессии?❤️🔥
Насмотренные на рынок люди ... не вылазят из своих таблиц ... влияют на громадные денежные потоки ... имеют размытую ответственность - результат сложно посчитать .. умеют предугадывать события на рынке ... часто убеждают за счет харизмы ... в постоянном поиске баланса интересов между продажами и фин. контролерами.
Чтобы собрать в себе столько навыков, надо быть очень талантливым. Но, не всегда понятно, куда аналитику развиваться. Согласитесь, что в картине мира, когда твой лучший результат - "Хорошо, что у тебя нет ошибок", сложно чего-то хотеть.
А что Вас вдохновляет в этой профессии?
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2❤🔥1❤1🕊1