Всем привет! Меня зовут Саша и я занимаюсь продуктовой аналитикой в Циан. В этой статье я расскажу, как аналитик без привлечения ML может создать ключевую ценность для информационного SaaS-продукта.
Небольшая предыстория
В Циан я пришел в конце 2020 в направление коммерческой недвижимости. За несколько месяцев до этого команда начала работу над амбициозной задачей – разработкой нового продукта CRE.Space (commercial real estate space) для профессионалов рынка коммерческой недвижимости, который позволил бы пользователям получать самую полную и достоверную информацию об объектах: технические характеристики, прямые контакты собственников и управляющих компаний, вакантные площади и др.
Над продуктом уже трудились 2 команды: разработчики и операционная команда. Операционщики уже несколько месяцев собирали данные по офисам и складам в Москве и МО для запуска MVP.
Когда данные были собраны, мы увидели, что из них можно извлечь дополнительную ценность для клиентов. Мы изучили международные бенчмарки, провели UX-исследования и выделили 3 ключевые аналитические задачи:
мониторинг изменений стоимости объекта,
подбор похожих объектов (с возможностью сравнивать динамику цен),
анализ эффективности собственных размещений пользователя на рынке и сравнение с конкурентами.
Кроме данных, нам также были необходимы простые и понятные инструменты, которые позволили бы нашим клиентам получать аналитические выводы в пару кликов.
Роль аналитики в продукте
Уже в первом приближении стало понятно, что нам понадобятся ресурсы аналитиков и ML, чтобы прописать логику и алгоритмы для решения этих задач. Но выделить дополнительные ресурсы под задачи стартапа, который находится на этапе MVP, внутри крупной компании (Циан) – это долго и дорого.
Тогда я решил взять эти задачи на себя, хоть они и сильно отличались от моего основного фокуса в компании (я же все-таки продуктовый аналитик =) ). Мне давно хотелось сделать что-то, что могло бы принести ценность напрямую конечным пользователям. Мою инициативу поддержали. Для меня эти задачи стали новым вызовом, а CRE.Space мой вклад помог быстрее зарелизить новый крутой функционал.
Не буду детально останавливаться на технической реализации, чтобы не превращать статью в лонгрид. В каждой задаче были свои тонкости, но в целом никакого rocket science не было. Давайте просто пробежимся по задачам на уровне идей.
1. Информация об изменении стоимости объекта.
Для решения этой задачи нужно было по координатам смапить объявления, опубликованные на Циан, с объектами СRE.Space. Кроме того, следовало взять медианную цену из всех активных объявлений, которые получилось привязать к объекту, и предварительно очистить от выбросов относительно рыночных цен (т.е. цен из всех активных объявлений на период в определенной категории).
Категория объявлений представляет собой набор из четырех параметров: тип сделки (аренда / продажа), тип объекта (офис / склад), класс объекта (A / B / C / без класса) и регион. Например, аренда офисов класса А в Москве.
Каждой категории соответствует диапазон цен, которые изменяются в динамике вместе с рынком. Соответственно, для каждой категории требовалось разработать свой алгоритм очистки от выбросов. Что и было сделано