SituationВ 2020 году на российском рынке ценных бумаг появилось + 250% новых клиентов. Люди поняли, что хранить деньги под подушкой не комильфо, и кинулись в инвестиции. При этом в России один из самых надежных способов инвестиции была покупка недвижимости.
Target Зная эти факты, мы решили совместить эти две штуки, так и получился Aktier. Нужно было сохранить удобную механику покупки акций (Тинькофф Инвестиции, Бинанс) через мобильные приложения, привязав её к выбору квартир.
Action Протестировали 3 гипотезы, разработали MVP проекта (Flutter) за 1 месяц, собрали обратную связь от 5 крупных потенциальных клиентов проекта. В итоге разработали экосистему, состоящую из аналитического ядра, главной фишкой которой стало прогнозирование изменения стоимости квартиры на период до 12 месяцев. Для работы с экосистемой были созданы CRM система для менеджеров (Python, Flask), мобильные приложения (native Android и iOS), написаны внутренний и внешний API, API приложений, разработана wiki для сотрудников.
Result Заключили контракт с один из крупнейших московских застройщиков элитной недвижимости. Успешно подключили к экосистеме. Прирост клиентов оказался чуть ниже ожидаемого, на 12%. Количество возвратов выросло на 4%
SituationВ 2021 году о флиппинге в России знали единицы. Постепенно рынок стал активно развиваться, но ниша была занята лишь нескольки мелкими игроками. Одними из первых мы запустили Флиппет-бот - инструмент, который моментально находил свежие квартиры для флиппинга, делал расчеты и присылал сигнал в Телеграм.
Target Нужно было разработать релевантную модель оценки, которая с первого взгляда давала флипперу информацию для принятия решения: подходит потенциально квартира, или нет. Скорость реакции была критична, поэтому флиппер должен был получить сигнал не позднее 2 минут с момента публикации объявления. По этой причине инструентом для доставки сигналов и был выбран Телеграм.
Action Мы разработали масшатабный сервис, состоящий из комплекса скрапперов, аналитического ядра, внутреннюю CRM + API к ней (для удобного управления клиентами и параметрами моделей, используемых для оценки), клиентских веб-страниц (карточки с расширенной аналитикой) и Телеграм-бот, для быстрой доставки сигнала флипперам. На разработку, в том числе модели оценки, у нас ушло около 3 месяцев.
Result За год работы Флиппет-бот привлек 500+ постоянных пользователей, 30% которых - корпоративные клиенты, а так же расширил свою географию до 6 крупнейших регионов России.
Situation Среди крупных маркетплейсов и агентств недвижимости существовала проблема - сбор требований от клиента к предполагаемой квартире, и первичный подбор вариантов занимал от 1 часа и более. Клиенту же хотелось получить результат "не отходя от кассы", к тому же упакованный и понятный. За время сбора он часто успевал самостоятельно обратиться к застройщику (~40% случаев) или параллельно уйти в другое агентство (~25% случаев).
Target Необходимо было создать сервис для сотрудников компаний-подборщиков, который бы позволял формализовать требования клиентов к подбору, ранжировать их, определить наиболее подходящие по этим требованиям квартиры, и упаковать в красивый отчет.
Action За 1 месяц был создан MVP в виде десктопного приложения (Python Tkinter) с использованием системы поддержки принятия решений по множеству критериев (MACBETH). Получив позитивную обратную связь за последующие 4 месяца была набрана команда, и разработана скоринговая система FlatScore, состоящая из ядра и CRM для сотрудников. FlatScore было доступно 1.5+ млн. предложений первичной недвижимости из 30+ регионов России. Последовательно заполняя формы в системе, менеджер переносил требования клиента в систему.
Result Скорость подбора снизилась с 55-60 минут до 5-10, снизилось кол-во отказов на 35% (так как подбор был выполнен моментально), сотрудники смогли вести на 25% клиентов больше. Почти год система использовала для подбора на одном из проектов компании ДомКлик.