Что такое AVM: автоматизированная оценка недвижимости
Полное руководство: как устроена модель, какие данные ей нужны, как честно измеряется её точность и в каких случаях она не заменяет оценщика.
Определение
AVM (от английского automated valuation model, «автоматизированная модель оценки») — это статистическая модель, которая определяет рыночную стоимость объекта недвижимости по его характеристикам и данным о рынке, без выезда оценщика на объект. На вход подаются адрес или координаты и параметры объекта; на выходе — оценка стоимости, интервал неопределённости и уровень уверенности.
Ключевое слово в определении — «модель». AVM не ищет в базе такой же проданный объект: такого объекта, как правило, не существует. Она оценивает, сколько стоит каждая характеристика по отдельности, и складывает стоимость из них.
Что входит в честный ответ AVM
- Точечная оценка — одно число, медианная оценка стоимости
- Доверительный интервал — диапазон, в который стоимость попадает с заданной вероятностью
- Уровень уверенности — насколько плотны данные вокруг этого объекта
- Объяснение — какие характеристики сильнее всего повлияли на результат
Оценка без интервала и без объяснения бесполезна для банка: её нельзя защитить перед кредитным комитетом и нельзя оспорить.
Как работает AVM
Четыре шага, одинаковые для любой добросовестной реализации.
Сбор и очистка данных
Наблюдения о рынке — сделки там, где их публикуют, или объявления там, где нет. Дедупликация, отсев выбросов, скоринг качества наблюдения.
Обогащение локацией
К каждому объекту присоединяются характеристики места: доступность, инфраструктура, среда, риски. Без этого модель не различает два одинаковых дома в разных районах.
Обучение модели
Гедонистическая регрессия, градиентный бустинг или их сочетание. Модель учится, сколько стоит квадратный метр, этаж, ремонт, район — по отдельности.
Калибровка и переобучение
Регулярная проверка на отложенной выборке и переобучение по мере накопления данных. Модель, которую не переобучают, устаревает вместе с рынком.
Какие данные нужны AVM
Главный вопрос любой AVM — не какой алгоритм, а на чём он учится.
В странах с открытым реестром сделок AVM учится на сделках. В Узбекистане цены сделок по закону не публикуются: нет ни MLS, ни публичного индекса на основе реальных сделок. Поэтому здесь модель строится на панели объявлений — и вся сложность переносится в очистку данных, где нужно отделить запрашиваемую цену от достижимой, убрать дубли и учесть, что состав выставленного меняется быстрее, чем цены.
Гедонистическая регрессия и машинное обучение
Это не альтернативы, а два инструмента с разными сильными сторонами. Серьёзные реализации используют оба.
Гедонистическая регрессия
В чём силён
Даёт интерпретируемый коэффициент на каждую характеристику: «первый этаж стоит на столько-то процентов дешевле при прочих равных». Это то, что можно показать регулятору.
Чего не умеет
Плохо ловит нелинейности и взаимодействия между признаками
Градиентный бустинг
В чём силён
Заметно точнее на тех же данных, сам находит взаимодействия признаков
Чего не умеет
Не даёт готового коэффициента «сколько стоит этаж»; объяснимость приходится строить отдельно
Гедонистический подход — не экзотика: Центральный банк Узбекистана использует гедонистическую регрессию в собственных квартальных отчётах. Это означает, что у модели, построенной так же, есть внешняя точка сверки — и расхождения с ней можно и нужно объяснять публично.
Как измеряется точность AVM
Фраза «точность 95%» сама по себе не значит ничего, пока не сказано, что именно измерено и на какой выборке. Вот метрики, которыми пользуются профессионально.
MAPEСредняя абсолютная процентная ошибка. Самая распространённая сводная метрика.MdAPEМедианная абсолютная процентная ошибка. Устойчивее к единичным выбросам, чем среднее.PPE10 / PPE20Доля оценок, попавших в пределы 10% и 20% от факта. Отвечает на вопрос «как часто модель ошибается терпимо».CODКоэффициент дисперсии — стандартная метрика массовой оценки: насколько разбросаны отношения оценки к цене.PRDКоэффициент прогрессивности — нет ли систематического смещения между дорогими и дешёвыми объектами.Покрытие интервалаКак часто факт действительно попадает в заявленный доверительный интервал. Если заявлено 90%, а попадает 70% — интервал нарисован, а не посчитан.Одной цифры недостаточно ещё по одной причине: точность неоднородна. Она выше там, где данных много — в центре крупного города с однотипной застройкой — и ниже на редких объектах и в районах с тонкими данными. Честная модель публикует ошибку в разрезе, а не одним числом. У наших моделей MAPE составляет 7–14% в зависимости от района, на данных 2025 года.
Ловушка, в которую попадают почти все
Самая частая ошибка в рыночной аналитике — не в модели, а в том, как считают динамику. Сырая медиана цены и индекс с поправкой на состав предложения могут расходиться вплоть до знака.
Причина в том, что состав выставленного меняется быстрее, чем стоимость самих объектов. Если в этом месяце на рынок вышло больше новых больших квартир, медиана вырастет, даже если ни один объект не подорожал. И наоборот. На наших данных по Ташкенту в марте 2026 года сырая медиана показала снижение, а индекс с фиксированными весами — рост; на рынке автомобилей сырое сравнение год к году показывало рост, а сопоставимое — снижение.
Практический вывод: если вам показывают динамику цен без указания метода, спросите, зафиксирован ли состав. Это единственный способ отличить изменение цен от изменения ассортимента.
AVM и оценщик — где граница
AVM не заменяет оценщика во всех случаях, и добросовестный поставщик говорит об этом прямо.
Особенности рынка Узбекистана
Три обстоятельства, из-за которых AVM здесь строится иначе, чем в США или Европе.
Закрытые цены сделок
Цены сделок по закону не публикуются, MLS нет. Модель строится на панели объявлений, а не на реестре сделок — и стоит или падает на качестве очистки данных.
Регуляторные события, а не плавный тренд
Введение обязательного эскроу в апреле 2026 года — пример структурного сдвига, который нельзя усреднять вместе с обычной динамикой. Такие даты нужно отмечать в модели явно.
Есть внешняя точка сверки
Центральный банк публикует собственные гедонистические коэффициенты. Это редкая возможность: свою модель можно и нужно сверять с регуляторной и объяснять расхождения.
Частые вопросы
Чем AVM отличается от калькулятора на сайте объявлений?
Калькулятор обычно берёт среднюю цену за квадратный метр по району и умножает на площадь. AVM оценивает вклад каждой характеристики отдельно, учитывает локацию и возвращает интервал неопределённости. Разница видна там, где объект отличается от среднего — а таких большинство.
Насколько точна AVM?
Зависит от плотности данных вокруг объекта, и честный ответ всегда в разрезе, а не одним числом. Наши модели дают MAPE 7–14% по районам на данных 2025 года. Вопрос, который стоит задавать поставщику, звучит иначе: какова доля оценок в пределах 10% и попадает ли факт в заявленный интервал так часто, как заявлено.
Можно ли использовать AVM для залога в банке?
Для предварительного отбора заявок и для мониторинга уже выданного портфеля — да, и именно так это обычно и внедряется. Для итоговой юридически значимой оценки требования устанавливает регулятор и внутренняя политика банка. Практический режим — AVM отсеивает и подтверждает очевидные случаи, а оценщик работает с остальными.
Что такое доверительный интервал и зачем он нужен?
Это диапазон, в который истинная стоимость попадает с заданной вероятностью. Он нужен, чтобы отличать уверенную оценку от неуверенной: две одинаковые точечные оценки с интервалами ±5% и ±25% означают совершенно разное качество решения. Оценку без интервала нельзя использовать в риск-процессе.
Как AVM учитывает район и локацию?
Через локационный индекс, который превращает координату в набор измеримых характеристик места — доступность, инфраструктура, среда, риски. У нас это GeoScore, и он подаётся в модель оценки как признак. Важное ограничение: внутри такого индекса не должно быть цены, иначе модель начинает объяснять цену ценой.
Хотите проверить модель на своих данных?
Пришлём методику, метрики точности в разрезе районов и тестовый доступ к API