Прогноз продаж недвижимости — это не «угадайка», а управляемый процесс: вы собираете данные о спросе, предложении и своей воронке, превращаете их в измеримые факторы, строите модель, проверяете точность и регулярно обновляете прогноз. В сфере недвижимости важны сезонность, изменения ипотечных условий, поведение покупателей на площадках, динамика цен, маркетинговые кампании и темпы строительства/вывода лотов. Ниже — практическая схема, как выстроить прогнозирование продаж (квартиры, апартаменты, загородные дома, коммерция) на уровне агентства, девелопера или отдела продаж.
Начните с постановки задачи. Ошибка многих команд — пытаться «прогнозировать всё». Гораздо эффективнее выделить 1–3 ключевых показателя, а затем расширять модель.
Продажи (кол-во сделок) по неделям/месяцам — базовая метрика, удобная для планирования ресурсов и KPI.
Выручка — важна, если есть широкий разброс в средних чеках (классы жилья, разные проекты, коммерческие объекты).
Бронирования и переходы по этапам воронки — полезно, когда сделка длинная и прогноз по финальным продажам запаздывает. Часто точнее прогнозировать «резерв/бронь», а затем конвертировать в сделки.
План продаж по проектам/корпусам/очередям — нужен девелоперам для темпов реализации и управления остатками.
Короткий (1–4 недели) — помогает управлять сменами, колл-центром, рекламой, скоростью обработки лидов.
Средний (1–6 месяцев) — бюджетирование маркетинга, корректировка цен, акции, работа с ипотечными партнёрами.
Длинный (6–18 месяцев) — стратегия по выводу лотов, очередность строительства, финансовое планирование. Тут выше неопределенность, поэтому важны сценарии.
Качество прогноза почти всегда ограничено качеством данных. В недвижимости источники разнообразны: CRM, телефония, сайты, классифайды, банковские программы, внутренние реестры лотов, а также макроэкономика.
CRM и воронка продаж: дата лида, источник, проект/район, бюджет, статус, этап, ответственный, дата первого контакта, количество касаний, причина отказа.
Склад/витрина объектов: количество доступных лотов, площадь, цена, этаж, стадия готовности, планировки, отделка, видовые характеристики, паркинг, условия рассрочки.
Маркетинг: расходы по каналам (контекст, таргет, агрегаторы), показы/клики/заявки, CPL/CPA, офлайн-активности (выставки, наружка), промокоды.
Операционные факторы: график работы офиса продаж, нагрузка менеджеров, SLA обработки лидов, изменения скриптов, внедрение новых инструментов.
Ипотечные ставки и условия банков: уровень ставок, субсидированные программы, требования к первоначальному взносу, срок одобрения. Для многих сегментов это главный драйвер спроса.
Динамика цен и предложения: средняя цена за м² по локациям/сегментам, число активных объявлений, скорость экспозиции.
Сезонность и календарь: праздники, длинные выходные, школьные каникулы, «высокие» и «низкие» месяцы в регионе.
Инфоповоды и регуляторика: изменения условий льготной ипотеки, корректировки правил для сделок, новости о крупных инфраструктурных проектах.
Перед построением модели важно привести данные к единому виду, иначе прогноз будет «красивым» на графике и бесполезным в реальности.
Удалите дубликаты лидов и сделок, проверьте корректность дат (например, бронь не может быть позже сделки), унифицируйте справочники (названия ЖК, корпусов, источников трафика). Часто встречается ситуация, когда один и тот же канал в CRM записан как «Циан», «cian», «Cian» — это ломает агрегации.
Определите шаг времени: неделя или месяц. Для отделов продаж обычно удобно считать по неделям, для финансов — по месяцам. Важно, чтобы все факторы (расходы, лиды, ставки) были приведены к одной частоте.
Сделки можно датировать по:
дате договора (юридический факт),
дате брони (ранний сигнал спроса),
дате оплаты/первого взноса (для финансового планирования).
Выберите то, что соответствует задаче. Для операционного управления чаще полезнее бронь, для финансов — оплата.
Чтобы прогноз был объяснимым, заранее составьте список факторов (features). В недвижимости чаще всего «стреляют» следующие группы.
Отдельно учитывайте праздники и сокращенные недели: количество рабочих дней напрямую влияет на число показов, встреч и сделок. Хорошая практика — добавлять признак «рабочие дни в периоде» и «праздничные дни».
Добавьте в модель факторы: средняя ставка, доля сделок с ипотекой, среднее время одобрения, число отказов. При резких изменениях ставок исторические закономерности могут «ломаться», поэтому полезны сценарные прогнозы (оптимистичный/базовый/стресс).
Важны не только абсолютные цены, но и относительные: цена за м² относительно конкурентов, наличие скидок, размер субсидии по ставке, наличие рассрочки. Отдельно фиксируйте период действия акции и её механику — «скидка 5%» и «ипотека 0,1% на год» дают разный эффект по воронке.
Расходы на рекламу работают с лагом: сегодня потратили — лиды пришли сегодня/завтра, а сделки могут быть через 2–8 недель. Поэтому в модели нужны лаги (например, расходы за 1–2 недели до периода продаж) и накопительные метрики (rolling sums).
Когда ликвидные планировки распроданы, даже сильный спрос не даст роста сделок. Добавляйте признаки: число доступных лотов, доля «хитов» (например, 1–2-комнатные), распределение по этажам/площадям, доля квартир с отделкой, готовность дома.
Выбор метода зависит от объёма истории, стабильности рынка и требований к интерпретации. В реальных отделах продаж лучше начинать с базовых моделей и только потом усложнять.
Наивный прогноз (продажи будут как в прошлом периоде) и скользящее среднее — обязательны как «порог» качества. Если сложная модель не лучше простого бенчмарка, её внедрение не имеет смысла.
Экспоненциальное сглаживание помогает, когда ряд относительно устойчив и есть сезонность, но мало внешних факторов.
Подходы временных рядов подходят для регулярных данных по продажам, где выражены тренды и сезонность. Плюс — понятность, минус — хуже учитывают множество внешних факторов. Частично это решается моделями с экзогенными переменными (например, SARIMAX), куда можно добавить ставку и маркетинг.
Регрессионные модели удобны, когда вы хотите ответить на вопрос «на сколько изменятся продажи, если ставка вырастет на 1 п.п. или мы увеличим бюджет на 20%». При правильной постановке (лаги, контроль сезонности, мультиколлинеарность) регрессия дает интерпретируемость, что важно для руководителей.
ML-модели (например, градиентный бустинг над решающими деревьями) часто дают высокую точность, особенно когда много факторов: акции, цены, структура остатков, каналы, поведение пользователей. Но возрастает риск переобучения и сложнее объяснять результат без дополнительных инструментов интерпретации (важность признаков, SHAP).
Практичный вариант для недвижимости: прогнозируйте не только финальные сделки, но и этапы воронки. Например:
прогноз лидов (зависит от маркетинга и сезонности) → прогноз встреч/показов → прогноз броней → прогноз сделок.
Так вы быстрее видите, где «проседает» процесс: мало лидов или упала конверсия менеджеров/ипотечного одобрения.
Нельзя судить о качестве модели по одному графику. Нужны измеримые метрики и корректная схема тестирования.
MAPE (средняя абсолютная процентная ошибка) — понятна бизнесу, но плохо работает, если продажи иногда близки к нулю.
MAE — показывает среднюю ошибку в «штуках сделок» или в рублях.
RMSE — сильнее штрафует большие промахи, полезно для контроля «провалов».
Для временных рядов используйте backtesting: обучайтесь на прошлом, тестируйтесь на более поздних периодах. Нельзя перемешивать данные случайно, иначе модель «подглядывает в будущее».
Рынок недвижимости может резко измениться из‑за ставок, программ субсидирования или регуляторных новостей. Отслеживайте дрейф: если ошибка растёт несколько периодов подряд, пересматривайте признаки, лаги и частоту переобучения.
Чтобы прогноз стал инструментом управления, его нужно встроить в процессы, а не «положить в папку».
Соберите единый датасет: продажи/брони, лиды, маркетинг, остатки, цены, ипотечные параметры, календарь. Обновление — минимум раз в неделю, в активных проектах лучше ежедневно.
Единые статусы воронки, единые источники, понятные определения «продажи», «брони», «отмены». Это снижает ручные правки и повышает доверие к цифрам.
Запустите простую модель (скользящее среднее/сезонность) и сравните с историей. Это даст стартовую точность и покажет, где данные «дырявые».
Подключайте по одному блоку признаков: ипотека, маркетинг с лагами, акции, остатки. После каждого добавления проверяйте прирост качества на backtesting.
Сделайте дашборд: факт vs прогноз, доверительный интервал, влияние факторов, прогноз по проектам, прогноз по воронке. Добавьте сценарии: ставка выше/ниже, бюджет выше/ниже, акция включена/выключена.
Определите, кто и как использует прогноз: руководитель продаж — для плана и нагрузки, маркетинг — для бюджетов и каналов, финансы — для кэшфлоу. Зафиксируйте день недели, когда прогноз обновляется и обсуждается на планёрке.
Первичка и вторичка, бизнес-класс и комфорт, разные регионы и проекты — у них разная динамика. Разделяйте модели или добавляйте сегментацию.
Маркетинг, ставки и новости влияют не мгновенно. Добавляйте лаги и скользящие окна, иначе модель будет «опаздывать».
Если данных мало (например, проекту 6–9 месяцев), сложные ML-модели часто переобучаются. Начинайте с простых методов и используйте регуляризацию/ограничение сложности.
Даже идеальный спрос не превратится в сделки, если нет подходящих лотов. В прогнозе продаж обязательно должен быть фактор доступности продукта.
Польза прогнозирования проявляется не только в «точности процента», а в управленческих эффектах:
снижение просадки в низкий сезон за счёт раннего запуска акций и перераспределения бюджета;
лучшее планирование нагрузки (менеджеры, ипотечные брокеры, юристы);
рост конверсии благодаря выявлению узких мест (например, долгое одобрение ипотеки или слабая обработка лидов);
контроль выполнения плана на ранних индикаторах (бронь/показы), а не только по факту сделок.
Хороший признак зрелости системы — когда на еженедельной встрече обсуждают не «почему план не сделан», а «какие факторы изменились и какие действия с наибольшей вероятностью вернут траекторию».
Если нужно быстро запустить прогноз без многомесячной аналитики, соберите минимум: продажи/брони по неделям за 12–24 месяца (или сколько есть), лиды по каналам, маркетинговые расходы, ставка/условия ипотечных программ и календарь рабочих дней. Постройте базовый прогноз, затем добавьте лаги маркетинга и сегментацию по проектам. Уже на этом этапе можно получить управляемый инструмент, который будет точнее интуитивного планирования и поможет принимать решения по бюджету, акциям и загрузке отдела продаж.
В блоге Semantiqo вы найдете полезную информацию об инструментах и техниках работы с клиентами по недвижимости. Также читайте советы об обработке лидов Semantiqo для достижения максимальной эффективности в работе с клиентами по новостройкам Москвы
