DATA SCIENCE / CONSTRUCTION
ML-прототип / CRM demoTender AI / CASE STUDY
Прогнозирование стоимости строительных заявок.
Структура обучающей выборки и динамика медианной ставки по историческим данным проекта.
PROJECT OVERVIEW
01 / OVERVIEW
Прогнозирование стоимости строительных заявок
Система оценивает итоговые ставки на строительные проекты по истории торгов и структуре сметы. В обучающей выборке — 10 620 ставок, 3 350 проектов и 228 подрядчиков.
Задача
Стоимость проекта складывается из сотен разнородных позиций. Простая модель на общей сумме теряет структуру сметы, а прямое суммирование ошибок по позициям даёт нестабильный прогноз.
Решение
Собран двухуровневый пайплайн. Первая модель оценивает цену каждой позиции с учётом объёма, категории, подрядчика и времени. Вторая корректирует сумму на уровне проекта ансамблем CatBoost, LightGBM и XGBoost.
02 / KEY FEATURES
Что реализовано.
- Обработка 832 тысяч строк сметных позиций
- Исторические цены и иерархический fallback для новых позиций
- Текстовые признаки описаний через TF-IDF и SVD
- Макроэкономические и сезонные признаки
- Временная валидация на проектах 2024 года
- Ансамбль моделей и калибровка итоговой ставки
- Перенос модели в модуль тендеров CRM
Как используется AI
Модель предсказывает логарифм цены позиции, агрегирует прогноз по проекту и затем корректирует его ансамблем на уровне заявки. Такой подход устойчивее прямого предсказания суммы каждой строки.
03 / HOW IT WORKS
Логика системы.
- 01Сметные позиции
- 02Признаки цены и текста
- 03Line-item model
- 04Job-level ensemble
- 05Прогноз ставки
Технологии
Инженерные решения
- GroupKFold разделяет строки одной заявки между обучением и проверкой без утечки.
- Fallback по категории и единице измерения обрабатывает позиции, которых не было в истории.
- Временной holdout проверяет перенос модели с исторических торгов на следующий период.
- Облегчённая модель работает внутри CRM-демо без внешнего ML-сервиса.
04 / RESULT
Технический результат.
Созданы воспроизводимый ML-пайплайн и прикладной модуль оценки тендера в CRM. На публичной странице результат показан через структуру датасета и архитектуру решения.
Границы реализации
Это исследовательский ML-кейс и демонстрационный CRM-контур. Он не является гарантией цены или победы в реальном тендере. Перед рабочим применением модель требуется обучить на данных конкретной компании и проверить на временной выборке.
NEXT PROJECT