Авито спрос: Ошибка 404. Страница не найдена — Объявления на сайте Авито

«Авито» сообщило о быстром росте числа желающих поработать в такси :: Бизнес :: РБК

По подсчетам экспертов «Авито», с начала 2021 года спрос на аренду автомобилей под такси вырос в среднем по России на 11%; при этом в Москве он подскочил более чем на треть. В топ-5 лидеров по росту спроса на аренду такси в текущем году также вошли:

• Нижний Новгород — на 27%;
• Екатеринбург — на 22%;
• Воронеж — на 15%;
• Краснодар — на 14%.

Читайте на РБК Pro

Рост спроса на аренду машин под такси в прошлом году сопровождался и увеличением предложения (на 38%), однако в начале этого года число предлагаемых автомобилей сократилось в среднем по России на 3%, а в Москве — сразу на 13%. «В период экстремальных снегопадов варианты с наиболее выгодными условиями аренды разлетались очень быстро», — отмечают аналитики «Авито».

С чем связан рост?

Кризис, вызванный коронавирусом, повлиял на все отрасли жизни, многие перешли на удаленную работу и больше не испытывают острой необходимости в собственном автомобиле, поэтому выставляют его для аренды, чтобы иметь дополнительный пассивный доход, говорит гендиректор Gett в России Анатолий Сморгонский.

Кроме того, многие потеряли работу и такси для них в этой ситуации — возможность заработать. «Купить новый автомобиль им сложно по причине повышения курса и дефицита новых автомобилей из-за закрытых летом заводов, поэтому аренда становится идеальным вариантом», — объясняет топ-менеджер. По словам Сморгонского, в основном водители такси предпочитают арендовать машины у таксопарков, а в премиум-сегменте популярна схема, когда водители арендуют авто на двоих или троих, чтобы оно не простаивало.

«Мы можем подтвердить выводы «Авито»: действительно, сейчас высокий спрос на машины, поскольку арендные машины на рынке разобраны. По нашим данным, количество водителей за последнее время выросло, база водителей растет в результате роста нашего бизнеса и вследствие растущего спроса на аренду в такси», — заявил РБК представитель «Ситимобил». Он также отметил, что аренда автомобилей у таксопарков «в силу особенностей российского законодательства» — один из наиболее распространенных способов начать работу водителем такси. Таким образом водитель получает возможность работать на машине с лицензией на пассажирские перевозки и правильно оформленными документами.

Собеседник РБК в еще одном агрегаторе такси связал рост количества объявлений с изменениями тарифов на их размещение на площадке HeadHunter, из-за чего «многим паркам стало выгоднее работать с «Авито».

Тенденцию фиксирует и сервис такси «Максим» — по словам представителя компании, число водителей в последнее время растет, поскольку «сказалось влияние коронавируса на экономику — людям нужна работа».

В то же время, по словам представителя «Яндекс.Такси», речь идет не о росте числа машин для такси, а о росте аренды машин для автокурьеров. Этот тренд связан с возросшим спросом на доставку в городах-миллионниках. По его словам, число автокурьеров, зарегистрированных в «Яндекс Go», каждый месяц увеличивается более чем на 30%.

Авторы

Владислав Скобелев, Евгений Калюков

в России значительно вырос спрос на автозапчасти

Новости партнеров

27.

08.2020

Согласно данным онлайн-сервиса Авито Авто, в I полугодии 2020 года россияне интересовались покупкой автозапчастей на 21% активнее, чем в аналогичный период прошлого года. Как отмечают эксперты Авито Авто, столь значительный рост спроса на комплектующие отчасти объясняется переориентацией покупателей на вторичный авторынок на фоне пандемии и валютных колебаний. Также влияние на показатель оказал переход покупателей к онлайн-приобретению автозапчастей во время самоизоляции.

Динамика роста предложения пока отстает от темпов роста спроса. По данным Авито Авто, в I полугодии 2020 года предложение в сегменте автозапчастей увеличилось по сравнению с прошлым годом на 18%. 

«В этом году россияне чаще делают выбор в пользу подержанных автомобилей. По данным Автостат, соотношение сделок по покупке подержанных и новых автомобилей впервые в истории российского авторынка достигло 5 к 1. На этом фоне растет спрос на ремонтные работы и автозапчасти. Кроме того, спрос подстегивает то, что водители, отказавшиеся от покупки автомобиля в этом году, инвестируют в ремонт уже имеющегося транспортного средства»,

– рассказывает Александр Куроптев, руководитель категории  Авито «Запчасти». 

Тормозные системы и аккумуляторы: спрос на какие запчасти растет активнее всего

Заметнее всего в I полугодии 2020 года увеличился спрос на комплектующие тормозных систем и аккумуляторы. Этими запчастями стали интересоваться на 41% чаще, чем в аналогичный период прошлого года. Как отмечают эксперты Авито Авто, повышение спроса на аккумуляторы может объясняться тем, что во время самоизоляции многие вынужденно отказались от поездок на автомобиле, а автомобильные аккумуляторы разряжаются во время простоя машины.  

Второе место по темпам роста спроса делят стекла, а также элементы топливной и выхлопной системы автомобиля. Спрос на стекла вырос за год на 35%, а на детали топливной и выхлопной системы – на 34%.

 

Таким образом, в стране в первую очередь заметно вырос спрос на ключевые комплектующие, без которых невозможно безопасное функционирование автомобиля. 

Наибольший спрос в абсолютном выражении при этом, как и в 2019 году, зафиксирован на покупку битых автомобилей на запчасти. 

В каких городах наиболее заметно вырос интерес к автозапчастям

В четырех городах России – Воронеже, Иркутске, Красноярске и Тольятти спрос на автозапчасти в I полугодии 2020 года увеличился по сравнению с прошлым годом более, чем на 40%. Однако, эти города все равно не стали лидерами по спросу в абсолютном выражении. 

Активнее всего, как и в прошлом году, интересуются автозапчастями в Москве и Санкт-Петербурге. На долю столицы в I полугодии 2020 года пришлось более 20% от общефедерального спроса на комплектующие, а на долю Санкт-Петербурга – 7%. 

При этом в Санкт-Петербурге спрос на автозапчасти за год вырос незначительно по сравнению с другими городами России – менее, чем на 10%. Аналогично низкий рост спроса на автозапчасти наблюдается в Перми и Волгограде. 

в России значительно вырос спрос на автозапчасти

Согласно данным онлайн-сервиса Авито Авто, в I полугодии 2020 года россияне интересовались покупкой автозапчастей на 21% активнее, чем в аналогичный период прошлого года. Как отмечают эксперты Авито Авто, столь значительный рост спроса на комплектующие отчасти объясняется переориентацией покупателей на вторичный авторынок на фоне пандемии и валютных колебаний. Также влияние на показатель оказал переход покупателей к онлайн-приобретению автозапчастей во время самоизоляции. 

 

Партнерский материал

Динамика роста предложения пока отстает от темпов роста спроса. По данным Авито Авто, в I полугодии 2020 года предложение в сегменте автозапчастей увеличилось по сравнению с прошлым годом на 18%. 

«В этом году россияне чаще делают выбор в пользу подержанных автомобилей. По данным Автостат, соотношение сделок по покупке подержанных и новых автомобилей впервые в истории российского авторынка достигло 5 к 1. На этом фоне растет спрос на ремонтные работы и автозапчасти. Кроме того, спрос подстегивает то, что водители, отказавшиеся от покупки автомобиля в этом году, инвестируют в ремонт уже имеющегося транспортного средства», – рассказывает Александр Куроптев, руководитель категории Авито «Запчасти». 

Тормозные системы и аккумуляторы: спрос на какие запчасти растет активнее всего

Заметнее всего в I полугодии 2020 года увеличился спрос на комплектующие тормозных систем и аккумуляторы. Этими запчастями стали интересоваться на 41% чаще, чем в аналогичный период прошлого года. Как отмечают эксперты Авито Авто, повышение спроса на аккумуляторы может объясняться тем, что во время самоизоляции многие вынужденно отказались от поездок на автомобиле, а автомобильные аккумуляторы разряжаются во время простоя машины.  

Второе место по темпам роста спроса делят стекла, а также элементы топливной и выхлопной системы автомобиля. Спрос на стекла вырос за год на 35%, а на детали топливной и выхлопной системы – на 34%.

 

Таким образом, в стране в первую очередь заметно вырос спрос на ключевые комплектующие, без которых невозможно безопасное функционирование автомобиля. 

Наибольший спрос в абсолютном выражении при этом, как и в 2019 году, зафиксирован на покупку битых автомобилей на запчасти. 

В каких городах наиболее заметно вырос интерес к автозапчастям

В четырех городах России – Воронеже, Иркутске, Красноярске и Тольятти спрос на автозапчасти в I полугодии 2020 года увеличился по сравнению с прошлым годом более чем на 40%. Однако эти города все равно не стали лидерами по спросу в абсолютном выражении. 

Активнее всего, как и в прошлом году, интересуются автозапчастями в Москве и Санкт-Петербурге. На долю столицы в I полугодии 2020 года пришлось более 20% от общефедерального спроса на комплектующие, а на долю Санкт-Петербурга – 7%. 

При этом в Санкт-Петербурге спрос на автозапчасти за год вырос незначительно по сравнению с другими городами России – менее чем на 10%. Аналогично низкий рост спроса на автозапчасти наблюдается в Перми и Волгограде. 

Источник: kolesa.ru

Авито: по итогам II квартала спрос на готовый бизнес снизился

Аналитики компании исследовали ситуацию на рынке готового бизнеса по итогам II квартала 2020 года. Общие показатели по сравнению с I кварталом снизились, однако в некоторых сферах эксперты отмечают рост. Продажи бизнес в сфере торговли снизились.

Общий спрос на готовый бизнес в России снизился по сравнению с I кварталом 2020 года на 32%, однако в некоторых отраслях эксперты наблюдают рост. В целом по стране на 15% больше интересуются сельхозпредприятиями. В Москве спрос на них вырос на 70%, в Санкт-Петербурге – на 39%.

В регионах также наблюдается скачок интереса к ним. В Тольятти интересуются сельхозкомпаниями в 3 раза больше, чем в предыдущем квартале, в Екатеринбурге и Волгограде в 2 раза чаще, на 70% вырос спрос у жителей Ростова-на-Дону, на 50% – у жителей Барнаула.

Спрос на сельхозпредприятия вырос не только по сравнению с I кварталом, но и по сравнению со II кварталом прошлого года, это объясняется тем, что весна — традиционный сезон активного спроса на такие предприятия. В этом году интерес к бизнесам из области сельского хозяйства в России вырос на 43% по сравнению с II кварталом 2019 года.

В некоторых регионах бизнесмены отдают предпочтение совершенно другим отраслям. В Тольятти на 80% вырос спрос на предприятия в сфере развлечений. Жители сразу нескольких городов во II квартале обратили внимание на строительные компании: в Ижевске, Барнауле и Новосибирске ими стали интересоваться на 39% чаще, на 33% вырос спрос в Омске, на 21 и 17% больше запрашивали строительные предприятия в Иркутске и Красноярске.

В Омске на 30% активнее, чем в предыдущем квартале, заинтересовались приобретением интернет-магазинов. Интерес к электронной торговле также проявляют барнаульцы и волгоградцы, спрос на интернет-магазины в их городах вырос на 14 и 5% соответственно. В Челябинске и Краснодаре предприниматели сместили фокус в сторону производств, и интересуются ими на 23 и 12% чаще.

В наиболее востребованных во II квартале бизнесах в сфере услуг и торговли (суммарно на эти категории приходится около 50% от общероссийского спроса) по сравнению с предыдущим кварталом этот показатель упал на 35% и 39% в обеих категориях соответственно. Значительно уменьшился интерес к предприятиям в сфере развлечений (-51%) и общепита (-41%).

Эти отрасли оказались наиболее уязвимыми в начале карантина и за время самоизоляции значительно «просели» в выручке. Некоторые из таких предприятий сейчас находятся в нересурсном состоянии, и при их покупке предпринимателю нужно будет вложиться так же, как и при старте бизнеса с нуля.

Количество объявлений о продаже готового бизнеса по России снизилось в среднем на 17% за квартал. Предприниматели стали менее активно выставлять бизнесы на продажу, так как ждут прояснения экономической ситуации.

В период нестабильной экономической ситуации продажи бизнесов в наиболее пострадавших сферах просели. Например, количество объявлений о продаже предприятий в сфере развлечений и общепита во II квартале уменьшилось на 35 и 27% соответственно. Также на 26% меньше стали продавать бизнесы в области офлайн-торговли. Обратная ситуация наблюдается на рынке бизнесов в сфере e-commerce — на 63% больше объявлений о продаже интернет-магазинов появилось в Барнауле, В Омске, Ростове-на-Дону и Челябинске их стало примерно на 45% больше, в Волгограде выбор интернет-магазинов на площадке стал шире на 32%.

***
Самые интересные новости читайте в наших группах в Facebook и VKontakte, а также на канале Яндекс.Дзен.

И подписывайтесь на рассылку самых важных новостей.

New Retail

Бизнесмен по объявлению: 5 причин вести свое дело на Авито — Бизнес — Новости Санкт-Петербурга

ПоделитьсяПоделиться

2. Это несложно

Наверняка вы или ваши знакомые уже что-то продавали или покупали на Авито — на платформе уже больше 71 млн объявлений, а ее аудитория — треть населения страны. А значит, пользоваться Авито и создавать объявления вы уже умеете без помощи программистов, как в случае с сайтом.

Поделиться

Какие объявления уже есть на Авито Услугах

IT, интернет, телеком: ремонт компьютеров, создание сайтов, SEO продвижение, сварка оптоволокна, IT аутсорсинг — и не только.

• Бытовые услуги: изготовление ключей, пошив и ремонт одежды, ремонт часов, химчистка, стирка, ювелирные услуги и т.д..
  

• Деловые услуги: бухгалтерия, финансы, консультирование, набор и коррекция текста, перевод, юридические услуги и др.
  

• Красота, здоровье: услуги парикмахера, педикюр, маникюр, макияж, косметология, эпиляция, СПА-услуги, тату, пирсинг, массаж и еще некоторые разновидности услуг.
  

• Доставка, курьеры: курьерские поручения, личный семейный водитель, передача посылок из Петербурга в Москву, автоняня — и это еще не все.
  

• Праздники, мероприятия: услуги аниматора, аренда коворкинга, Дед Мороз на дом, новогоднее оформление витрин, прокат костюмов etc.
  

• Ремонт, строительство: сборка кухонь, вывоз грунта, дизайн интерьера, поклейка обоев, стяжка пола, срочный выезд сантехника и другие полезные в хозяйстве услуги.
  

• Транспорт, перевозки: грузчики, разнорабочие, аренда манипулятора, услуга эвакуатора, вывоз мусора, аренда авто под такси, ошиповка шин и многое еще.
  

• Уборка: Генеральная уборка, глажка белья, мойка окон, чистка ковров, чистка мягкой мебели, уборка после ремонта, уничтожение насекомых и другие дела, которые не хочется делать самостоятельно.
  

• Фото — и видеосъемка: видеосъемка свадьбы, съемка с квадрокоптера, оцифровка видео, прокат экшн-камеры, прокат собаки для фотосессии и многое другое.
  

С соцсетями, на первый взгляд, все так же просто — ими умеют пользоваться все. Но, чтобы страница привлекала клиентов, ее нужно постоянно обновлять, продвигать, отвечать на комментарии и сообщения подписчиков — это требует времени и знаний, которых у мастеров может и не быть.

Авито Услуги могут заменить и сайт, и страницы в социальных сетях: сделать свою страничку можно бесплатно своими руками — понадобятся только фотографии работ, подробное описание и прайс-лист. Регистрация нового аккаунта занимает несколько минут, еще две-три уйдут на создание первого объявления.

Авито Услуги в цифрах и фактах*

• Более 1,8 млн актуальных объявлений с предложением услуг по всей России, из них около 115 тысяч — в Петербурге.
  

• Только в июле 2020 года свои объявления на Авито Услугах опубликовало около 220 тысяч человек.
  

• В раздел Услуги регулярно заходит 30% посетителей сайта Авито или 15,4 млн человек в месяц.
  

• Потенциальные заказчики читают 37% всех предложений исполнителей в России, а исполнители находят 28% всех своих заказчиков.

3. Можно начать бесплатно, а продвижение не требует больших затрат

Сделать собственный бизнес-профиль на Авито можно бесплатно — на одной странице будут все ваши предложения, описание работы, цены и все, что клиентам нужно о вас знать.

Для продвижения на Авито Услугах есть три тарифа: «Базовый», «Расширенный» и «Максимальный» — в зависимости от задач и размеров бизнеса можно выбрать самый эффективный из них. Кстати, освоить инструменты аналитики и продвижения также можно самостоятельно по урокам на Youtube.

«Базовый»: это обычный профиль на сайте, к которому подключаются расширенная статистика, возможность планирования услуг продвижения и автопродление объявлений через каждые 30 дней. Оплачивается только размещение самих рекламных предложений.

«Расширенный»: позволяет размещать объявления в VIP-блоке и убрать предложения конкурентов из раздела «Похожие объявления». А значит, с вашей страницы пользователи не уйдут к другим мастерам.

На отдельной странице можно разместить всю информацию о вас, публиковать новости в отдельном блоке, ввести поиск по вашим объявлениям, добавить знак «Данные проверены».

«Максимальный»: предполагает создание брендированной страницы компании. Здесь будет витрина с объявлениями, уникальный адрес, логотип и информация о фирме в каждом объявлении и т.д. По сути, это полноценный сайт на платформе, которой пользуются больше 11 млн человек.

И что самое важное — пользователи приходят на Авито за конкретными товарами и услугами, а значит, эффективность инструментов продвижения будет выше, чем, например, у рекламы в браузере.

Поделиться

Как составить эффективное объявление? Советы начинающему бизнесмену

1.Подготовить качественные контрастные фотографии. Ленту объявлений часто смотрят с мобильных телефонов — нужно сделать так, чтобы снимок можно было разглядеть даже на небольшом экране.

2.Использовать поисковый запрос не только в названии, но и в описании объявления.

3. Добавить в описание ключевые слова. Их можно найти в поисковиках или при помощи подсказок Авито.

4. Указать минимально возможную, но честную стоимость. Для определения оптимального ценника лучше ориентироваться на конкурентов. Повысить стоимость может высокая квалификация исполнителя: например, уроки с носителем языка стоят дороже, чем с русскоязычным репетитором.

5. Добавить информацию о дипломах и сертификатах.

6. Использовать расширенный тариф, чтобы скрыть объявления конкурентов.

7. Экспериментировать с разными форматами продвижения — в выборе опций помогут уроки на Youtube.

8. Продвигать объявления в моменты, когда спрос растет. Например, услуги ремонта можно активнее продавать весной-летом и в начале осени, а репетиторов родители традиционно ищут в начале учебного года, чтобы успеть подготовить детей к экзаменам.

9. Просить клиентов оставлять отзывы — это станет вашим «сарафанным радио» и поможет в привлечении клиентов на площадке.

Поделиться

4. Можно продвигаться бесплатно

В каждом профиле есть рейтинг поставщика услуг и отзывы. Причем опытные пользователи платформы при размещении объявлений об услугах смогут сохранить заработанный за годы рейтинг — для многих пользователей даже непрофильные отзывы имеют значение. Ведь если с вами приятно вести дела как с продавцом, выше вероятность, что и доверить вам разные задачи и дела тоже можно. Согласно исследованию Data Insight**, в 9 из 10 онлайн-заказов покупатели обращают внимание на отзывы, причем в каждом пятом заказе именно оценка других покупателей имеет решающее значение.

Не стесняйтесь просить отзывы — для хорошего мастера это лучшая бесплатная реклама.

Поделиться

5. На Авито можно решить разные задачи

Авито — целая экосистема сервисов. Например, здесь также можно:

• Найти сотрудников.

• Подыскать подрядчиков для переезда, ремонта, бухгалтерского учета и других задач.

• Снять офис, цех, склад и даже гараж.
• Взять оборудование в аренду.
• Купить или продать готовый бизнес.

Не нужно искать сотрудников через знакомых, доверять ремонт офисной техники мастеру, наклеившему объявление на дверь подъезда, и каждый квартал мучаться с отчетами — специалисты с Авито возьмут это на себя. Такое «единое окно» помогает экономить время, силы и деньги, чтобы вы могли сосредоточиться на том, что действительно хотите и умеете делать.

Игра «Помоги Максиму найти клиентов»

Начать свое дело с Авито

^{Материал подготовлен специально для компании Авито Услуги}

^{*Аналитика предоставлена компанией Авито}

^{** Исследование проведено в сентябре 2020 года, с его текстом можно познакомиться здесь}

^{*** Подробнее об условиях читайте здесь}

^{*** Подробнее об условиях и тарифах читайте здесь}

^{В материале использованы фото: gettyimages.com; freepik.com}

Какие услуги наиболее востребованы жителями российских городов? Исследование Avito

Эксперты Avito проанализировали динамику спроса в категории «Услуги» и выяснили, какие сервисы были наиболее востребованы посетителями сайта в 2016 году.

В целом в IV квартале спрос на услуги, представленные в одноименной категории на Avito, превысил аналогичный показатель прошлого года на 9,6%. Однако в сравнении с прошлым кварталом фиксируется отрицательная динамика на уровне 22,5%. Это может быть связано с сезонным сокращением платежеспособного спроса со стороны потребителей: в преддверии новогодних праздников многие из них предпочитают уменьшить расходы на услуги в пользу приобретения товаров. 

B IV квартале 2016 года в общероссийской структуре спроса преобладали запросы на коммерческие перевозки. Доля услуги составила 9,3%. Чуть меньше пришлось на услуги в сфере красоты и здоровья (8%). Замыкает тройку лидеров подкатегория «Спецтехника» (аренда спецтехники), уровень интереса к которой превысил 6,5%.

Топ-10 популярных услуг на Avito

	Доля в структуре спроса в IV квартале	Динамика за год, п.п.
Коммерческие перевозки	9,3%	0,93
Красота и здоровье	8%	0,40
Спецтехника	6,7%	1,42
Аренда авто	6,4%	1,40
Отделочные работы	5,8%	-0,84
Строительство домов, коттеджей	5,7%	-1,47
Обучение, курсы	4%	0,26
Автосервис	3,8%	0,58
Ремонт квартиры	3,7%	-0,77
Переезды	3,3%	0,46

 

В целом по итогам года максимальная положительная динамика зафиксирована в разделе «Вывоз мусора»: в IV квартале спрос на услугу превысил показатель аналогичного периода прошлого года более чем в 2 раза. Востребованными оказались также ремонт и обслуживание телевизоров (55,1%) и курьерские поручения (52,6%).

 

Услуги, продемонстрировавшие максимальный рост по итогам года

Услуга	Темп роста по итогам года
Вывоз мусора	115,7%
Ремонт и обслуживание телевизоров	55,1%
Курьерские поручения	52,6%
Чистка мягкой мебели	50,4%
Аренда оборудования	42,0%
Аренда авто	40,4%
Спецтехника	39,2%
Мелкая бытовая техника	39,2%
Чистка ковров	30,3%
Автосервис	29,3%

 

В разрезе городов с населением более 1 млн максимальный спрос на услуги традиционно фиксируются в Москве и Санкт-Петербурге и составляет 11,8% и 6,2% соответственно. Наименее востребованы предложения услуг в Омске (1,2%) и Красноярске (0,8%).

Несмотря на то, что региональные структуры спроса во многом дублируют общероссийскую, в ряде городов лидирующие позиции занимают альтернативные категории. Так, в Волгограде, Красноярске и Санкт-Петербурге наибольшее число запросов контактов отмечено в категории «Красота и здоровье», в Москве и Новосибирске – «Аренда авто», в Казани – «Строительство домов, коттеджей».

Наиболее популярные услуги в городах с населением более 1 млн человек

Город	Услуга	Доля в структуре спроса по городу
Волгоград	Красота и здоровье	9,3%
Воронеж	Коммерческие перевозки	9,6%
Екатеринбург	Коммерческие перевозки	10,9%
Казань	Строительство домов, коттеджей	8,7%
Красноярск	Красота и здоровье	13,3%
Москва	Аренда авто	13,8%
Нижний Новгород	Коммерческие перевозки	10,2%
Новосибирск	Аренда авто	11,2%
Омск	Коммерческие перевозки	9,02%
Пермь	Коммерческие перевозки	13,4%
Ростов-на-Дону	Коммерческие перевозки	8,2%
Самара	Спецтехника	9,5%
Санкт-Петербург	Красота и здоровье	10,9%
Уфа	Коммерческие перевозки	9,6%
Челябинск	Коммерческие перевозки	11,03%

 

Об Avito

Avito входит в десятку самых посещаемых сайтов в России. Согласно TNS и собственным данным компании, в ноябре аудитория пользователей составила около 35 млн человек. Более 9 млн уникальных пользователей заходили на Avito с мобильных устройств. Всего на Avito сейчас размещено около 29,1 млн актуальных объявлений, каждый день пользователи добавляют более 500 000 новых объявлений.

 

в России значительно вырос спрос на автозапчасти

Согласно данным онлайн-сервиса Авито Авто, в I полугодии 2020 года россияне интересовались покупкой автозапчастей на 21% активнее, чем в аналогичный период прошлого года. Как отмечают эксперты Авито Авто, столь значительный рост спроса на комплектующие отчасти объясняется переориентацией покупателей на вторичный авторынок на фоне пандемии и валютных колебаний. Также влияние на показатель оказал переход покупателей к онлайн-приобретению автозапчастей во время самоизоляции. 

 

Читайте также: Самые последние новости России и мира на сайте nrus.info

Партнерский материал

Динамика роста предложения пока отстает от темпов роста спроса. По данным Авито Авто, в I полугодии 2020 года предложение в сегменте автозапчастей увеличилось по сравнению с прошлым годом на 18%. 

«В этом году россияне чаще делают выбор в пользу подержанных автомобилей. По данным Автостат, соотношение сделок по покупке подержанных и новых автомобилей впервые в истории российского авторынка достигло 5 к 1. На этом фоне растет спрос на ремонтные работы и автозапчасти. Кроме того, спрос подстегивает то, что водители, отказавшиеся от покупки автомобиля в этом году, инвестируют в ремонт уже имеющегося транспортного средства», – рассказывает Александр Куроптев, руководитель категории Авито «Запчасти». 

Тормозные системы и аккумуляторы: спрос на какие запчасти растет активнее всего

Заметнее всего в I полугодии 2020 года увеличился спрос на комплектующие тормозных систем и аккумуляторы. Этими запчастями стали интересоваться на 41% чаще, чем в аналогичный период прошлого года. Как отмечают эксперты Авито Авто, повышение спроса на аккумуляторы может объясняться тем, что во время самоизоляции многие вынужденно отказались от поездок на автомобиле, а автомобильные аккумуляторы разряжаются во время простоя машины.  

Второе место по темпам роста спроса делят стекла, а также элементы топливной и выхлопной системы автомобиля. Спрос на стекла вырос за год на 35%, а на детали топливной и выхлопной системы – на 34%. 

Таким образом, в стране в первую очередь заметно вырос спрос на ключевые комплектующие, без которых невозможно безопасное функционирование автомобиля. 

Наибольший спрос в абсолютном выражении при этом, как и в 2019 году, зафиксирован на покупку битых автомобилей на запчасти. 

В каких городах наиболее заметно вырос интерес к автозапчастям

В четырех городах России – Воронеже, Иркутске, Красноярске и Тольятти спрос на автозапчасти в I полугодии 2020 года увеличился по сравнению с прошлым годом более чем на 40%. Однако эти города все равно не стали лидерами по спросу в абсолютном выражении. 

Активнее всего, как и в прошлом году, интересуются автозапчастями в Москве и Санкт-Петербурге. На долю столицы в I полугодии 2020 года пришлось более 20% от общефедерального спроса на комплектующие, а на долю Санкт-Петербурга – 7%. 

При этом в Санкт-Петербурге спрос на автозапчасти за год вырос незначительно по сравнению с другими городами России – менее чем на 10%. Аналогично низкий рост спроса на автозапчасти наблюдается в Перми и Волгограде. 

Источник: kolesa.ru

[Примечания] Задача прогнозирования спроса Avito на Kaggle (2018) | автор Ceshine Lee | Veritable

Мультимодальное обучение с изображениями, текстом и столбцовыми данными

Photo Credit

Introduction

Этот конкурс требует от специалистов по данным «предсказать спрос на онлайн-рекламу на основе ее полного описания (заголовок, описание, изображения и т. Д.) , ее контекст (географически, где она была размещена, похожие объявления уже размещены) и исторический спрос на аналогичные объявления в аналогичных контекстах.

Я не планировал тратить много времени на это соревнование, пока не посмотрел Fast.ai Урок 10 [1] и не решил найти реальный набор данных, чтобы опробовать языковую модель из обновленной библиотеки fast.ai (с меньшими затратами до окончания конкурса осталось более трех недель). Тонкая настройка универсальной языковой модели показала свою эффективность для классификации текстов [2,3]. Я задавался вопросом, работает ли это также для регресса. (Недавно OpenAI опубликовал статью, расширяющую структуру с использованием трансформаторных сетей [4,5].)

Путем предварительного обучения языковой модели извлеките кодировщик в сочетании с числовыми и категориальными функциями, получившаяся модель нейронной сети усреднена с общедоступным LightGBM Ядро добралось до бронзовой медали (~ 125 место, насколько я помню) в течение недели.Я был заинтригован и решил потратить некоторое время, чтобы добавить в модель элементы изображения. Последняя ансамблевая модель заняла 54-е место в частной таблице лидеров:

1. К счастью, модель не переборщила с общедоступной таблицей лидеров. Скорее всего, модель все еще не соответствует требованиям. Из-за некоторых ошибок, которые я упомяну в следующих разделах, обучение идет медленнее, чем должно быть.
2. Я не обучал кодировщик текста с нуля в качестве контрольной группы. Но поскольку я действительно не занимался разработкой дополнительных функций, похоже, что языковая модель дала мне некоторый импульс.

Цель сообщения

Как видите, я действительно не делал ничего особенного, кроме как предварительно обучил языковую модель. И я действительно собирался не писать об этом конкурсе. Но есть некоторые детали реализации, которые меня беспокоят, и некоторые из них до сих пор не решены полностью. Я подумал, что их записывание поможет мне избежать повторения тех же ошибок или обнаружения такой же путаницы в будущем. Также я хочу попробовать сделать диаграммы архитектуры модели с помощью Google Drawings.

Чистая модель нейронной сети может быть разделена на 3 этапа:

1. Предварительное обучение языковой модели
2. Извлечение признаков изображения
3. Обучение модели регрессии

Входной токен поступает из объединенных полей title и description .

Уровень внедрения инициализируется предварительно обученными векторами FastText [6]. Это сложно, потому что мы хотим, чтобы матрица вложения также была весами слоя softmax [7, 8].Вот что я сделал:

 Learner.models.model [0] .encoder.weight = nn.Parameter (T (векторы)) 
 Learner.models.model [1] .decoder.weight = (
 Learner.models. model [0] .encoder.weight 
) 

В финальной модели я использовал слои LSTM, которые нормально работали с настройками fast.ai по умолчанию. Для QRNN параметры нуждаются в некоторой настройке, я не закончил тренировку QRNN до окончания соревнований.

Вот график скорости обучения, который я использовал:

 lrs = 1e-4 
 ученика.fit (lrs, 1, wds = 1e-7, use_clr = (32, 5), 
 cycle_len = 6, use_wd_sched = True) 

Предварительно обученная модель Resnet101 взята из официальной библиотеки torchvision , а модель Resnext101_64x4d — от Cadene / pretrained-models.pytorch [9]. Последний средний уровень объединения был заменен слоем глобального объединения для поддержки изображений произвольного размера.

Использовались два вида предварительной обработки изображения: обрезка по центру и отступ до квадрата. Отступы до квадрата, казалось, давали лучшие результаты, но лишь незначительно.Вы можете использовать оба метода и объединить результаты. Я не сделал этого из-за нехватки места на диске.

 self.transform_pad = transforms.Compose ([
 ResizeAndPad (299), 
 transforms.ToTensor (), 
 transforms.Normalize (
 среднее = [0,485, 0,456, 0,406], 
 std = [0,229, 0,224, 0,225]) ) 
]) self.transform_center = transforms.Compose ([
 transforms.Resize (299), 
 transforms.CenterCrop (299), 
 transforms.ToTensor (), 
 transforms.Normalize (
 mean = [0,485, 0.456, 0,406], 
 std = [0,229, 0,224, 0,225]) 
]) 

Выходные данные выгружаются на диск в виде одного файла pickle для каждого изображения, чтобы избежать чрезмерного увеличения памяти. Это ошибка, поскольку из-за этого общий размер диска увеличивается, а чтение замедляется. Вероятно, лучший способ — использовать numpy.memmap.

Здесь собраны все части. Числовые характеристики были нормализованы до нулевого среднего и стандартного отклонения. Категориальные размеры внедрения были относительно консервативными по сравнению с тем, что использовали другие конкуренты:

 self.region_emb = nn.Embedding (28, 3) 
 self.city_emb = nn.Embedding (290, 5) 
 self.p_cate_emb = nn.Embedding (9, 3) 
 self.cate_emb = nn.Embedding (47, 5) 
 self.image_top1_emb = nn.Embedding (888, 5) 
 self.user_type_emb = nn.Embedding (3, 2) 
 self.weekday_emb = nn.Embedding (7, 3) 
 self.param1_emb = nn.Embedding (204, 5 ) 
 self.param2_emb = nn.Embedding (131, 3) 
 self.param3_emb = nn.Embedding (113, 3) 

Голубые плотные слои действуют как субдискретизаторы. Они уменьшают размеры элементов изображения и выходов кодировщика до 128.Мы можем извлекать объекты из этих слоев и передавать их в модели GBM.

Плотные слои имеют одинаковую структуру. Нормализацию слоя, наверное, следовало поставить после Relu. Но каким-то образом я поместил его перед Релу и до сих пор не думал об этом…

Для этой регрессионной модели модель и ученик были почти полностью переписаны. Использовались только некоторые служебные функции из библиотеки fast.ai (странно, что при использовании класса Learner из fast.ai , потери при проверке всегда были на некоторую сумму меньше. Я не мог найти, в чем проблема. У моего индивидуального ученика не было такой проблемы.)

Я повторно реализовал наклонную треугольную скорость обучения [2,10], расширив официальный класс планировщика скорости обучения:

Модель обучена с использованием 5-кратной структуры проверки. Прогнозы теста для каждой складки были усреднены, чтобы получить окончательные прогнозы.

Ансамбль

Лучшая одиночная (и окончательная) модель чистой нейронной сети дает 0.2201 публичный и 0,2242 частный убыток, что занимает от 534 до 548 места в частной таблице лидеров.

Если мы извлечем изображения и текстовые функции из сети (голубые плотные слои) и поместим их в модель LightGBM, слегка измененную из общедоступного ядра. Мы можем получить единственную (своего рода) модель с 0,2197 общедоступными и 0,2236 частными потерями, которая занимает 189–210 места в частной таблице лидеров.

Чтобы попасть на 54-е место, нам нужно скормить прогнозы вне складки от разных моделей (ту, у которой resnet101 с обрезкой по центру, ту, у которой resnext101_64x4d с отступом в квадрат, то public lightgbm, lightgbm с NN особенности и т. д.) к модели LightGBM. Здесь важно разнообразие моделей. Поскольку я использую только один предварительно обученный кодировщик языковой модели, я думаю, что есть еще некоторые низко висящие плоды, которые нужно захватить. Конечно, есть и другие приемы стекирования / ансамбля, которые могут еще больше повысить производительность. Вы можете проверить, чем поделились на форуме другие конкуренты, чтобы получить подсказки.

Вот и все! Это действительно простой процесс, который работает на удивление хорошо. На прошлой неделе я в основном оставлял свою машину, чтобы тренировать модель в течение 24+ часов, возвращался и вносил некоторые изменения, а затем повторял цикл.Я мог бы сделать гораздо больше итераций, если бы проблема с файлом изображения была решена должным образом. Это подводит нас к последнему разделу:

Обработка большого количества небольших файлов (например, образов) на диске

На моем компьютере был раздел ext4 с поддержкой SSD с 40+ ГБ свободного места, раздел NTFS с поддержкой SSD с 70+ ГБ свободного места и раздел NTFS на жестком диске со свободным пространством 1 ТБ. У нас есть более миллиона изображений из обучающих и тестовых наборов данных. Это стоит около 60 ГБ места.

Я обнаружил, что чтение изображений из NTFS с жестким диском мучительно медленно.Даже поиск файла в командной строке может занять секунды. Я провел небольшое исследование, и оказалось, что NTFS не может обрабатывать слишком много файлов в одной папке:

Итак, я написал сценарий для помещения изображений в подпапки, аналогично:

Производительность кажется лучше, при минимум перемещение изображений с HDD на SDD было быстрее. Я не стал тратить больше времени на изучение этой проблемы и перешел к использованию раздела NTFS с поддержкой SSD для хранения файлов изображений и раздела ext4 с поддержкой SSD для хранения функций извлеченных изображений.Как я упоминал ранее, это все же немного замедлило обучение модели, и использование numpy.memmap вместо сброса отдельных файлов рассола должно быть намного лучше.

Подобные проблемы случаются со мной раз в несколько месяцев. Поэтому после соревнований я решил потратить некоторое время, чтобы выяснить, как это сделать правильно, и написал несколько простых скриптов для тестирования различных схем:

Однако результаты были очень противоречивыми. Однажды я обнаружил, что плоская структура работает медленнее, чем вложенная.На следующий день вложенная структура оказалась медленнее плоской. Это было неприятно. Я подозреваю, что ОС производила некоторую оптимизацию под капотом, но у меня пока нет таких знаний. Так что — это все еще загадка, ожидающая своего решения .

Я бы, вероятно, просто создал экземпляр в Google Cloud Compute с подключенным большим разделом с поддержкой SSD и достаточно большой памятью для загрузки набора данных, если бы у меня был бюджет. Это сделало бы все намного проще. В любом случае использование жесткого диска для обслуживания большого количества произвольных операций чтения — плохая идея.

1. Fast.ai: 10 — Классификация и перевод НЛП
2. Ховард Дж. И Рудер С. (2018). Тонкая настройка универсальной языковой модели для классификации текста.
3. Знакомство с современной классификацией текста с универсальными языковыми моделями.
4. Рэдфорд, А. и Салиманс, Т. Улучшение понимания языка с помощью генеративного предварительного обучения.
5. Блог OpenAI: Улучшение понимания языка с помощью обучения без учителя
6. Э. Грейв *, П. Бояновски *, П.Гупта, А. Джулен, Т. Миколов, Изучение векторов слов для 157 языков
7. «Использование встраивания выходных данных для улучшения языковых моделей» (Press & Wolf 2016)
8. «Связывание векторов слов и классификаторов слов: структура потерь для Языковое моделирование »(Инан и др., 2016)
9. Предварительно обученные модели для Pytorch (Github)
10. Лесли Н. Смит. 2017. Циклические курсы обучения для обучения нейронных сетей.

Kaggle Avito Demand Challenge: решение на 18-м месте — нейронная сеть | Автор: Kung-Hsiang, Huang (Steeve)

Как показано на изображении выше, моя модель NN состоит из 4 различных модулей, которые используют все данные, предоставленные организатором, изображения, категориальные, непрерывные и текстовые данные.Я объясню каждый из разделов в следующих параграфах.

Непрерывный

Это самый неудивительный раздел. Входной тензор непрерывных функций напрямую связан с другими модулями. Следует отметить, что обработка нулевых значений. Если отсутствуют непрерывные данные, я указываю либо 0, либо средние значения.

Категориальные

Для категориальных данных применяется слой внедрения, чтобы узнать скрытое представление этих дискретных значений. Я знаю, что это может быть не новая идея, но это был мой первый раз, когда я использовал категориальное встраивание, поскольку я никогда не использовал NN для работы со структурированными / табличными данными.Понятие категориального вложения похоже на вложение слов. Категориальные значения отображаются на обучаемые векторы внедрения, так что эти векторы содержат значения в скрытом пространстве. Это помогает избежать редкости категориальных функций с горячим кодированием и повысить производительность модели.

Текст

Текстовая часть моей сети NN относительно проще, чем подход других победителей. Нет ни сложной повторяющейся единицы, ни сверточного слоя, ни предварительно обученного встраивания.Я не уверен, почему, но ни один из них не работает на моей модели NN. Единственный трюк здесь — это использование общего слоя встраивания, мотивированного второстепенным решением в задаче Mercari. Две текстовые записи, заголовок и описание, встроены на основе одной и той же матрицы встраивания. Это не только помогает ускорить обучение NN, но также приводит к более быстрой сходимости и меньшим потерям.

Image

Мой первый подход к данным изображений заключался в использовании предварительно обученных моделей ImageNet для извлечения функций с головой или без головы этих моделей.Я пробовал ResNet50 и InceptionV3; к сожалению, ни один из них не работал. В то время, когда до соревнований оставалось около 2 недель, кто-то на дискуссионном форуме сказал, что его модель включает несколько слоев свертки для тренировки необработанного изображения вместе с другими функциями. Поэтому я начал переписывать свой код, чтобы он использовал генератор для чтения изображений и табличных данных, поскольку было невозможно загрузить все данные изображения в ОЗУ. Опробовав несколько структур, я обнаружил, что 1 ячейка InceptionV3 + пара слоев свертки лучше всего подходят для меня (поскольку у меня был только графический процессор K80 на GCP, проверка результатов всего нескольких экспериментов занимает очень много времени) .

1. Решение NN, занявшее первое место, также столкнулось с низкой производительностью извлеченных функций из большинства предварительно обученных моделей ImageNet. Они собрали верхние слои VGG + средние уровни ResNet50. Самая большая разница между их подходом и моим предыдущим заключается в том, что перед объединением извлеченных функций изображения с другими записями они применили средний пул и добавили плотный слой.
2. Взаимодействие категориальных признаков: объедините две категориальные особенности и обработайте их как новую функцию.
3. Обучение без учителя: используйте автоэнкодер для извлечения векторов из категориальных данных.
4. Стратегия проверки: помните, что значение перекрывающегося признака между каждой сверткой должно быть таким же, как и при разделении на поезд / тест. (особенно идентификатор пользователя в этом соревновании)
5. Функция потерь: все 3 лучших решения используют двоичную кросс-энтропию в качестве функции потерь, в то время как я использовал MSE для всего конкурса. Мне следовало бы попробовать больше функций потерь, таких как потеря BCE и Huber.
6. Штабелирование: мы начали штабелирование за неделю до окончания конкурса, поэтому у нас есть только несколько базовых моделей с неглубоким штабелированием.Почти во всех топовых решениях использовалось большое количество моделей для более широкой и глубокой укладки (занявший второе место использовал 6 слоев…)

Мне было очень весело в этом соревновании. Я хотел бы поблагодарить своих товарищей по команде, всех людей, которые публично делятся своими идеями / решениями. Я многому у вас научился! Я также хотел бы поблагодарить Kaggle и организаторов за проведение такого грандиозного конкурса. Без вас я бы не смог отточить свои навыки машинного обучения.

Если вы хотите узнать больше о моем решении, вы можете обратиться к этому репозиторию Github.

Узнайте, как Avito использует амплитуду для изучения данных о поведении пользователей

Компания Avito, расположенная в Марокко, имеет веб-сайт и мобильное приложение для размещения рекламных объявлений, позволяющих людям покупать и продавать в Интернете все, что угодно, от электроники до автомобилей и домов. Avito является частью Schibsted, международной медиагруппы с сотрудниками в более чем 30 странах, стремящейся стать мировым лидером в области онлайн-рынков, роста и средств массовой информации.

Avito демонстрировал устойчивый рост и вовлеченность, но Юсеф Эль Гурфи, менеджер по развитию Avito, столкнулся с проблемой: было трудно отвечать на вопросы об их пользователях.Даже простые вопросы, например, «какая категория наиболее активна в нашем приложении?» на ответ потребовалось 1-2 недели.

«Amplitude был единственным ответом на десятки вопросов, которые мы постоянно задавали в Avito: от измерения удержания на основе сегментов до понимания поведения пользователей по категориям, в нем есть все».

Любой менеджер по продукту или маркетолог, у которого возник вопрос, должен был отправить запрос группе данных, а затем дождаться написания запросов, сбора данных и обеспечения качества, прежде чем получить ответ.Юсеф считал, что это должно быть намного проще — любой в Avito должен иметь возможность искать данные и получать ответы самостоятельно.

Когда Юсеф начал искать подходящее аналитическое решение, его привлекла углубленная поведенческая аналитика Amplitude, в частности, упор на аналитику удержания и прогнозные функции, такие как Compass. Сделать Avito максимально липким и удержать пользователей — основные цели Юсефа в его роли менеджера по развитию.

Реализовано всего за 2 часа

Чтобы опробовать Amplitude, Юсеф реализовал все события Avito в Amplitude всего за 2 часа, заявив, что это «очень просто.Юсеф говорит: «Поскольку я мог реализовать Amplitude прямо в нашем диспетчере тегов, мы смогли увидеть, как он работает довольно быстро, и я сразу понял ценность».

Легкий доступ к данным означает огромную экономию времени

Каждый в Avito, включая членов команды, занимающейся продуктом, маркетингом, продажами и дизайном, теперь может немедленно ответить на свои вопросы в Amplitude, вместо того, чтобы ждать 1-2 недели.

«Мы можем действовать быстро. Как только мы что-то обнаруживаем в Amplitude, мы запускаем A / B-тест или корректируем наши push-уведомления в ответ.”

Это сокращение времени на понимание позволяет значительно ускорить итерацию продукта и разработку маркетинговой кампании, что позволяет Avito улучшаться и расти в ускоренном темпе.

Маркетинг снизил стоимость привлечения в 3 раза.

Например, маркетинговая команда использует данные Amplitude для создания более эффективных рекламных кампаний, ориентированных на их лучшие аудитории. Когда приходит время создавать новые кампании, они используют Amplitude для поиска наиболее активных категорий, городов и ценовых диапазонов, а затем проводят мозговой штурм объявлений для таргетинга на этих пользователей.Полученные в результате объявления работают намного лучше, чем предыдущий метод проведения случайных тестов, чтобы увидеть, что сработало — , что снижает стоимость привлечения в 3 раза.

Кроме того, команда использует поведенческие данные в Amplitude для создания настраиваемых поведенческих когорт пользователей, которые разделяют определенные характеристики или поведение (например, просмотр рекламы дорогих товаров, таких как дома и автомобили). Затем они направляют эти группы в свою CRM Braze с помощью интеграции с Amplitude, чтобы отправлять гиперцелевые push-уведомления и кампании нужным людям.

Growth & Product определила действия пользователей, которые увеличивают удержание 100%

Отделы роста и разработки Avito используют Amplitude для исследования действий пользователей, которые способствуют удержанию. Например, они обнаружили, что если пользователь выполнил хотя бы один поиск в первый день, удержание увеличивалось почти на 100%. В результате они обновили процесс адаптации, чтобы побудить пользователей сделать первый поиск как можно скорее.

Кто угодно может ответить на любой вопрос

Для Avito ценность Amplitude — это способность любого сотрудника компании ответить на любой вопрос о поведении своих пользователей.По словам Юсефа, «для меня самое важное — это анализ удержания на основе поведения. Для некоторых других команд это возможность легко сегментировать события и пользователей на основе свойств, таких как поиск ключевого слова, которое чаще всего ищут в категории. Amplitude — действительно идеальный инструмент для работы с данными ».

kaggle: задача прогнозирования спроса Avito ま と め

は じ め に

コ ン ペ ま の 4 作 目 で す。 タ イ ト ル る よ う に 今 回 は 2018 4 月 に kaggle で 開 催 さ さ Avito Demand Predictionの リ ン ク か ら 辿 っ て く だ。

コ ン ペ 概要

Авито (ロ シ ア の 大 手 広 告 サ イ ト) が 主 催 す る 商品 の 購入 予 測 コ ン ペ で す. デ ー タ は 数 値 デ ー タ + カ テ ゴ リ デ ー タ + 文章 デ ー タ + 画像 デ ー タ で NLP と CV の 知識 が 求 め ら れ ま す.
Авито はネ ッ ト で 簡 単 に 個人 間 取 引 が で き る サ イ ト (メ ル カ リ の よ う な も の を 想像 す れ ば よ い が, 不動産 や 自動 車, 仕事 な ど も 売 買 で き る ら し い) で す. 出品 時 に は 商品 説明 や 商品 画像, 価 格 な ど の 情報 を 添 え るの で す が 、 そ れ ら の っ 的 は 大 き く 変 化 し ま。 例 の ３ つ を だ さ い。

全 て 自 転 車 の 写真 で す が, 左 は か っ こ つ け す ぎ で す し, 右 は パ ッ ト 見 だ と 何 の 写真 か わ か り ま せ ん. 自 転 車 を 買 い た い ユ ー ザ に と っ て は 中央 の 写真 が 良 さ そ う で す ね. (個人 差 は あ る で） ょ う が））
商 を 央 中央 の 文 が 良 さ す。

広 告 リ ス テ ィ ン グ や 顧客 満 足 度 の 観 点 か ら, 出品 時 に 商品 需要 を 予 測 で き れ ば 非常 に 有益 で す .Avito コ ン ペ で は タ イ ト ル, 説明 文, 画像, 価 格 な ど の 情報 か ら 商品 需要 を 予 測 す る こ と を 目的 と し ま す。 賞金 ・ 期間 ・ 参加 者 数 な ど 以下 の 通 り で 、 多 様 な デ 難易 度 を 考 え 1873 チ ー ム の は い 000 で 9

賞金	期間	参加 チ ー ム 数	参加 者 数
12 000 долл. США	25.04.2018 ~ 25.06.2018	1873	2,363

デ ー タ の 種類 と タ ス ク

数 値 デ ー タ · カ テ ゴ リ デ ー タ · 文章 デ ー タ · 画像 デ ー タ を 用 い た 回 帰 問題 で す. 通常 の テ ー ブ ル デ ー タ の よ う に 数 値 デ ー タ や カ テ ゴ リ デ ー タ が あ る の は 勿 論, 商品 タ イ ト ル や 商品 説明 文 (文章 デ ー タ で)や 商品 画像 デ ー タ も 与 え ら れ る た め, デ ー タ ハ ン ド リ ン グ の 難易 度 は 比較 的 高 い と 思 い ま す.
フ ァ イ ル の 種類 と サ イ ズ は 以下 の と お り で す. テ ー ブ ル デ ー タ の サ イ ズ は 小 さ い で す が, 画像 デ ー タ は そ れ な り に 大 き い で す。 ス ト レ ス 無 く る に ハ イ ス ペ ッ PC か ク ラ ウ ド 環境 が 必須 に な り そ で す。 主 に 使用 の поезд.csv, test.csv, train_jpg.zip, test_jpg.zip の ４ つ で 、 そ の 他 ー タ で 必 ず し も 必要 は あ り ま ん （（の train.csv, test.csv は 広 告 の 掲 載 時 系列 分割 さ れ て お り 、 train_active.csv, period_train.csv, test_active.csv, period_test.csv の ４ フ ァ train.csv train.csv, test.て い な い が 同 じ 期間 に 的 デ ー タ で す。 こ れ ら の デ ー タ は deal_probability （目 変 数）, image, image_top_1.で す。

フ ァ イ ル 名	デ ー タ サ イ ズ	レ コ ー ド 数	カ ラ ム 数	画像 枚 数
поезд.csv	909M	1 503 424	18
test.csv	316M	508 438	17
train_jpg.zip	49,4 г			1,390,837
test_jpg.zip	18,7 г			465 830
period_train.csv	732M	16 687 412 90 295	4
периодов_тест.csv	602M	13 724 922	4
train_active.csv	8,6 г	14,129,821	15
test_active.csv	7,9 г	12 824 068	15

の は 図 の と お り で 目的 変 数 の 値 域 0 ~ 1 囲 で 、 64,8 0

ち な み に train.csv の голова は こ ん な 感 じ で す. (カ ラ ム 数 の 都 合 で 画像 を 3 枚 に 分 け ま し た)
各 カ ラ ム の 意味 は デ ー タ 説明 ペ ー ジ を 見 て い た だ き た い で す が, 商品 ご と に カ テ ゴ リ, タ イ ト ル、 説明 文 、 価 格 な ど ー タ が あ る こ と が わ か。 ま た 文章 デ ー タ は シ ア 語 で ー タ

train_jpg.застежка-молния に 含 ま れ る 画像 は こ ん な 感 じ で す. 画像 サ イ ズ や 商品 の と り 方 は バ ラ バ ラ で あ る こ と が わ か り ま す. ま た, 必 ず し も 全 て の 商品 に 商品 画像 が あ る わ け で は な い こ と に 注意 が 必要 で す.

評 価 方法

評 価 指標 は RMSE で す。

提出 方法

の フ ォ ー マ ッ ト は と お り で す。 的 ご と に 取 引 確 を し ま す。

item_id	deal_probability
2	0,1
5	0,25
6	1,0

勉強 に な る Ядро と Обсуждение

上位 解法 ほ ど の ア は ま せ ん が ядро ​​обсуждение は 良 い ア イ デ ィ ア と 実 装 溢 れ て い ま す。 ア プ

[Avito EDA, FE, временные ряды, визуализация DT ✓ ✓ | Kaggle

Ядро

EDA で す。 デ ー タ の 基礎 集 計 ・ 可視 化 、 特 、 Tree モ デ ル の 変 ・ 木 構造 の ま 単て お き た い 方 に 見 て を お す す め し。 た だ し 画像 デ ー タ 関 し は 触 れ れ な い た 9

идей по характеристикам и качеству изображения | Kaggle

画像 デ ー タ の 徴 量 と め て い ядро ​​で す。 暗 さ 、 明 る さ 、 均一 、 色 、 画像 サ サ イ ぼ やて 表示 さ れ て い る の で 量 を 直 感 的 に 理解 で す。 的 的 に は ぼ 合 (Blurry） のOpenCV の ド キ ュ メ ン ト が 参考 に な り ま す。

Конфигурация классификации изображений с высокой корреляцией | Kaggle

学習 済 み 画像 識別 モ デ ル が 分類 し て い れ ば れ は 良 質 な 画像 で あ と い う 仮 説 を 検 kerel で す。 前提 と し て 、 画像 の 需要 大 き く 影響 す る た め 質 を 表現 で き る 特 徴 有効 だ ろ う と え ま内 の 商 （（画像 の 質 が 高 い） 」と い 立 て て い。 す。 デ は ImageNet で 学習 済値 (1000 ク ラ ス の 所属 確 率) の 最大 値 を 採用 し て い ま kernel の 最後 で は 、 достоверность изображения は タ イ ト や 章 文章 の 長 仮 説 と 実 現 方法 の ア イ デ ィ ア 面 白 い と 感 じ ядро ​​で す。

О функциях изображения и функциях Image_top_1 | Kaggle

Nooh さ ん の コ メ ン ト で 、 注目 点 (ключевая точка) の 特 徴 量 が 紹 介 さ れ て い ま す。 装 に は cv2.FastFeatureDetector_create が 使 わ れ て 、 注目 点 の 説明 は OpenCV の ド キ ュ メ ン ト が 参考 に ま す。 イ メ ー ジ け 載 せ 9

Агрегированные функции и LightGBM | Kaggle

複数 テ ー ブ ル の 関係 に 関 す る 基礎 集 計, 基本 特 徴 量 抽出, LightGBM の モ デ リ ン グ ま で が ま と め ら れ て い ま す. や っ て い る こ と 自 体 は 単 純 で す が, 確認 す べ き こ と を き ち ん と 事前 に 確認 し て お く 丁寧 さ が 参考に な り ま し た。 基本 特 徴 抽出 は 子 期間 ・ 回 、 タ イ ト ル 説明 文 の 単 語 数 由来 の 特 徴 量 CountVectorizer ・ TfidfVectorizer に よ る 特 徴 量 な ど が て い ま す。

Simple CatBoost | Kaggle

基本 特 徴 量 を 作成 し た 上 で catboost で モ デ リ ン グ し て い ま す. 特 徴 量 は 日 付 由来 特 徴 量, カ テ ゴ リ 変 数 を этикетки кодирование す る と い っ た シ ン プ ル な も の で す が catboost を 試 し て み た い 方 に は 参考 に な る か と 思 い ま す.

Стартер Fasttext (только описание) | Kaggle

特 徴 量 に 商品 説明 カ ラ ム の み 使用 し て FastText + РНН モ デ リ ン グ し て い る РНН の チ ュ ー ト リ ア ル で す. 特別 な 工夫 等 は 見 ら れ ま せ ん が, モ デ リ ン グ す る 上 で 必要 最小 限 の コ ー ド が 共有 さ れ て い る た め 初学者 に お す す め で す。

text2image_top_1 | Kaggle

的 変 数 と の 相関 が も 高 変 数 （image_top_1） の 欠 損 RNN の 予 測 で 完 kernel で。 完 は pd.DataFrame.fillna で 済 ま せ る こ と い で す が 、 重要 と っ て い る 変 数 に 関 し モ デ リ ン グ-> concate [GlobalAveragePooling, GlobalMaxPooling] -> BN -> Dense 基本 的 な も の な で 、 RNN の モ デ リ に 興味 あ る 方 す で す。

загрузить данные (уменьшить использование памяти) | Kaggle

Авито コ ン ペ の ядро ​​で は あ り ま せ ん が, こ の Авито の ядро ​​が 参考 に し て い た メ モ リ 節約 術 に 関 す る ядро ​​で す .pd.read_csv は デ ー タ の 読 み 込 み 時 に 自動 で 型 を 認識 す る た め 便利 で す が, メ モ リ 使用 効率 は あ ま り 良 くあ り ま せ ん。 ядро ​​で 共有 さ て い reduce_mem_usage 関 数 は 使 い 勝 手 が い い の の テ ー ブ 対

Подробная информация о регионе и городе с широтой, долготой и кластерами | Kaggle

область, город の 文字 列 と Google Maps API か ら 緯度 · 経 度 情報 を 情報 を 取得 し, ク ラ ス タ リ ン グ し て い ま す. ク ラ ス タ リ ン グ に は HDBSCAN (Иерархическая плотность-Based Пространственная кластеризация) を 使用 し て い ま す. (K-средства はク ラ ス タ サ イ 均一 な り と 判断 し た ら し） ядро ​​が регион, город を 単 に カ テ で 扱 っ て い に 対HDBSCAN と 他 の ク ラ ス タ リ ン グ の 違 い に つ い て は の ペ ー ジ が す。

上位 解法 概要

上位 解法 は LightGBM と NN の ア ン サ ン ブ ル 解法 が 目 立 ち ま す. テ ー ブ ル コ ン ペ の 定 石 で あ る LightGBM に 加 え て, 画像 特 徴 と テ キ ス ト 特 徴 を 活 か し た NN モ デ ル を 用意 す る こ と が 重要 だ っ た よ う で す. マ ル チ モ ー ダ ルデ ー タ で 上位 を 狙 う に は GBDT と NN の ア ン サ ン ブ に な り そ う で す。 （Pet コ ン ペ も 然 り） 今 回 1-й ~ 3-й

гроссмейстер × 3, мастер × 1 で 構成 さ れ た команда мечты で す。 最終 ​​的 な モ デ ル は 3 層 の stacking で １ 層 目 （немного lgb, some nn, some xgb) 、 ２ 層 目 （немного lgb, немного xgb, один NN) 、 ３ 層 目 （one nn） で 構成 さ れ て い ま す。 詳細 な デ ル 数 と 役 割 分担 は わ ま せ ん が ー ４ 人 の 解法 が 別 々 に 公開 て い ま し た が 、 的 的 に 勉強 に な っ た ２ 人 解法 ま と め ま す。

Маленькая лодка さ ん の 解法

Н.Н. の モ デ リ ン グ に 集中 し た よ う で, 最終 的 に シ ン グ ル モ デ ル で TOP10 に 入 る ス コ ア を 記録 し て い ま す. 最終 モ デ ル は 下 図 の と お り で, モ デ ル の 構造 は 勿 論, そ れ に 至 る ま で の プ ロ セ ス が と て も 参考 に な りま す。

以下 に 実 験 プ セ ス を め て お き ま す。 ム な モ デ ル か ら は て 、 成功 / 失敗 要 因 り

• 数 値 デ ー タ 、 カ テ ゴ リ デ ー タ встраивание (0.227X)
• заголовок, описание の 学習 済 み fastText + 2 × RNN を 追加 (0.221X)
• поезд + тест を 使 っ て fastText を 一 か ら 学習 （train_active, test_active の 使用 も し 失敗） (0,220X)
• VGG16 + средний пул を 追加 (0,219)
• fastText + 2 × RNN を fastText + 2 × LSTM に 変 更 （CNN や Attension も 試 し た が 失敗） (0,0003 改善)
• ResNet50 を 追加 （他 の CNN 、 точная настройка に 失敗） (0,218X)
• 直 感 を 頼 り に チ ュ ー ニ ン グ （пространственный отсев の 追加 な ど） (0,2165–0,217)
• チ ー ム メ イ ト が 作成 し た 特 徴 量 を 追加 （0,215X)
• こ こ ま で の 実 験 過程 で 保存 し た モ デ ル 群 の 最後 に Плотный を 加 え て 学習 （0.008 改善: верх10)

Арсенал さ ん の 解法

Дерево 系 モ デ ル を 担当 し す public LB で シ ン グ デ ル top5 を 記録 す る モ デ ル を 作成 し て ま す。 作成 し た モ デ ル укладка の １ 層 に lgb × 13, xgb × 6、２ 層 目 に lgb × 12, xgb × 7 の 計 38 で す。 特 徴 量 に て 項目 別 に

текстовых функций

• заголовок, описание, заголовок + описание, заголовок + описание + параметр_1 な ど の 組合 せ か ら 作成 し た TFIDF 特 徴
• TFIDF 特 徴 を SVD で 次 元 削減 し た も の ​​
• TFIDF 特 徴 量 で 学習 さ せ た Redge 回 帰 の 予 測 値
• название, описание か ら 作成 し た 単 ​​語 数 / 文字 数 / ユ ニ ー ク 単 な ど の 集 計 値

Особенности изображения

• こ の ядро ​​で 紹 介 さ れ て い 量
• 学習 済 み ResNet50, InceptionV3, Xception の 予 測 値 （予 測 確 率 は 、 予 測 カ テ リ 変 数 し）
• こ の обсуждение の コ メ ン ト で 紹 介 さ れ て い る 注目 点 特 徴 量

категориальные признаки

• カ ウ ン ト / ユ ニ ー ク ン ト 特 徴 量 を デ groupkey ・ 集 計 対 変 え な が 作成 （組合 せ の 例 は） 通
  • デ ー タ セ ッ ト は поезд + тест, поезд + тест + train_active + test_active
  • groupkey は parent_category_name, category_name, param_1, region, city な ど
  • 集 計 対 象 は item_id, user_ids な ど
• целевая кодировка （組合 せ は 様 々）

характеристики предсказанных независимых переменных

• 重要 変 数 （price, image_top_1, item_seq_number, daydiff (date_to — date_from)） を xgb, lgb, rnn で 予 測 し 予 測 値 を 特 量 に 追加
• 々 な カ テ ゴ リ groupby し た 後 、 上 記 の 予 測 値 を 特 徴 と て 追加
• 予 測 値 も 使用 し て 差分 徴 量 を 作成 （(price — xgb_price) / price, log (image_top_1) — log (lgb_image_top_1) な ど）

user_id функции

user_id 由来 の 特 徴 量 は 過 学習 す る た め stacking２ 層 目 で み 使用 し た の こ と

• поезд + тест, поезд + тест + train_active + test_active を user_id, item_seq_number, activate_date で ソ ー ト し user_id を 含 む カ テ ゴ リ （（user_id + parent_category_name） で groupby _ 1 で 正規化 し た イ ン デ ッ ク ス も 付 与）
• user_id を カ テ ゴ リ 変 数 と し て 追加
• user_id と 他 の カ テ ゴ リ 変 groupby の key と し て unique item_seq_number, log1p (max (price)) — log1p (min (price)) な ど の 特 量 を 作成
• периодов_поездка + периоды_теста か ら 以下 の 手 順 で 特 徴 量 を 作成
  • 行 ご と に время активации (= date_from — Activation_date), активация (date_to — date_from) な ど の 差分 特 徴 量 を 算出
  • item_id 毎 に задержка активации (= дата активации — задержка (дата активации), toactdiff (= дата активации — задержка (date_to)) な ど の задержка 特 特 量 を 算出
  • item_id 毎 に 上 記 特 徴 量 の min, max, mean, std, count を 算出
  • user_id 毎 に 更 に 上 記 特 徴 量 の min, max, mean, std 算出

тыс. Голосов さ ん 、 Геогий Данщин さ ん の 解法

２ 人 の 解法 は Little Boat さ ん 、 Arsenal さ ん 、 既 に 紹 介 し ядро ​​と の 共通 部分 も 多 い の で ク だ け ま と て お ま す。

NN, LightGBM, FM_FTRL, Ridge, CatBoost で ６ 層 の укладка を し た そ す。 特 徴 量 に つ い ま と め す。

• VGG16, ResNet50, MobileNet の 予 測 値
• fastText に よ る ベ ク ト ル 表現 （デ ー タ に название, описание, название + город, название + категория な ど）
• 様 々 な カ テ ゴ リ の せ か ら price, date_to — date_from な ど の 基本 統計 量
• автоэнкодер に よ る カ テ ゴ リ 変 数 の ベ ク ト ル 表現
• TFIDF, TFIDF + SVD
• целевая кодировка

６ 層 も штабелирование す る こ と が あ る と は 驚 き で し 初学者 が 真似 を し て も 過 し て 終 わ り そ で。

最終 モ デ ル は 2 つ の ансамбль モ デ ル を ансамбль し た も の ​​の モ デ ル は набор проверки の 作 り 方 を 変 え て そ 9） Характеристики

LightGBM

• название, описание か ら слово, символ そ れ ぞ れ で TFIDF 特 徴 量 を 作成
• Word2vec, fastText に よ る 単 語 の ベ ク ト ル 表現 （Word2vec の ほ う が fastText よ り よ か っ た と の こ と）
• 画像 か ら 算出 し た 統計 量
• ResNet, Inception, Xception の 予 測 値
• 量 的 変 数 （price な ど） を bin に 区 切 っ て 離散 化
• user_id ご と の 単 語 数 、 掲 載 日 な ど の 基本 統計 量
• 文章 か ら 算出 し た 統計 量
• 緯度 / 経 度 な ど の 位置 情報

NN

• лучший NN
  • fasttext, word3vec を concat し て двунаправленный GRUs
  • фунтов で 使用 し た 特 徴 量
  • カ テ ゴ リ 変 数 закладывающий слой で 100 次 元 に 圧 縮
  • потеря は бинарная кросс-энтропия
  • текст デ ー タ は nltk で стемминг
  • название, описание, параметры は 分割 を 表 す 記号 を 挟 ん で 結合

лучших NN 以外 に チ ャ ネ ル ご （（画像 、 テ キ ス ト な ど） NN を 構築 そ う で 各 々 の NN の 精度 く 9 9 9 9。

そ の 他 の 上位 解法

обсуждение は 解法 の 宝庫 で す ね。 余力 が あ る 方 は こ ち ら も ぜ ひ。

日本語 記事

Решение задачи прогнозирования спроса Kaggle Avito, 9-е место

第 5 回 Встреча kaggle の 発 表 ス ラ ド で す。 Решение за 5-е место の 取 り 組 紹 介 さ れ て い ま линейное смешивание викторины と い う ス コ ア

世界 一 の デ ー タ サ イ エ ィ ス ト を 目 指 し て 〜Kaggle 参加 レ ポ ー ト 4〜 — Технический блог Kysmo

株式会社 キ ス モ の 方 Avito コ ン ペ の 参加 記録 を 書 い て Решение за 7 место の テ キ ス ト デ タ に 対 す る く

AMD 製 GPU で Kaggle に チ ャ レ ン ジ す る — 実 践 編 — — Qiita

Avito コ ン ペ を 題材 に デ ー ダ ウ ン ロ ー ド か ブ ミ ッ ト ま の 手 順 が と め ら れ て ま す。

お わ り に

な ぜ か 気 乗 り し な か っ た の で 記事 執筆 か ら 公開 ま で 半年 か か り ま し た. こ の 記事 を 書 い て い た 頃 は Petfinder コ ン ペ (Авито コ ン ペ と 同 じ マ ル チ モ ー ダ ル デ ー タ の コ ン ペ) に 参加 し て い て, Авито 解法 が 非常 に参考 に な っ た 記憶 が あ り ま す. 過去 コ ン ペ ま と め 記事 を 書 き 始 め た 頃 は メ ダ ル 0 個 の Начинающие で し た が, 約 半年 ほ ど 経 過 し て な ん と か Expert に 昇 進 す る こ と が で き ま し た. 過去 コ ン ペ の 解法 研究 な く して メ ダ ル 獲得 は な か っ た と 思 う の で, 参加 コ ン ペ に 類似 す る 過去 コ ン ペ は 積極 的 に 調査 し て い き た い で す .PetFinder コ ン ペ の ま と め 記事 も そ の う ち (類似 コ ン ペ が 開 催 さ れ た 頃 に) 書 き た い と 思 い ま す.

Введение в комплексную архитектуру

читать 4 МТС

Если у нас есть огромное количество структурированных данных, числовых или категориальных, простая архитектура нейронной сети может дать потрясающие результаты.Архитектура CNN может заботиться о данных изображения, а простая архитектура RNN или LSTM лучше всего подходит для прогнозирования текста. Что мы делаем, когда сталкиваемся с постановкой проблемы, в которой мы должны обслуживать все вышеперечисленные типы данных вместе?

Фото Майка Петруччи на Unsplash

Давайте рассмотрим пример Avito Demand Prediction Challenge, который проводился год назад. Avito — крупнейший в России сайт рубричной рекламы. Основная задача большинства продавцов — понять уравнение спроса и предложения на свою продукцию.Такие идеи могут помочь продавцам повысить цены, когда спрос высок, или работать над улучшением рекламы или даже самого продукта, когда спрос низкий. Задача в этом конкурсе состояла в том, чтобы изучить свойства каждой рекламы, их контекст и исторический спрос на похожие объявления, чтобы предсказать спрос, который они могут создать. Как только мы получим хорошую оценку спроса, Avito сможет работать с продавцами на их платформе, чтобы лучше оптимизировать их размещение объявлений.

Это была хорошая возможность создать комплексную архитектуру.

Основная идея всеобъемлющей архитектуры состоит в том, чтобы построить отдельные архитектуры нейронных сетей для разных типов данных и объединить их вместе в конце для создания более крупной нейронной сети. Конечный результат — это наш прогноз, которым в данном случае является продаваемость продукта. Посмотрим, как это можно сделать.

Во-первых, давайте посмотрим на числовые значения. У нас была цена товара и несколько разработанных функций, таких как размеры рекламного изображения и длина описаний.Их можно было передать в плотную нейронную сеть с одним скрытым слоем.

Во-вторых, у нас были категориальные ценности. Это были регион, город, категория объявлений, ее родительская категория, некоторые параметры параметров и категория рекламного изображения. Мы могли бы применить одноразовое кодирование или кодирование меток к каждой из этих функций, объединить то же самое с числовыми значениями и передать их в плотную нейронную сеть, которую мы уже разработали. Единственным фактором было то, что несколько из этих категорий, а именно категория рекламы и категория изображения, имели уровни, кратные сотням.Поэтому вместо того, чтобы рассматривать все категории одинаково, мы могли бы обрабатывать их по отдельности. Одна сеть была спроектирована таким образом, что функции с менее чем 20 уровнями были объединены и закодированы в горячем режиме, и имела свою собственную нейронную сеть. Такие категории, как категория объявления (category_name), обрабатывались посредством категориального встраивания и передавались в собственную эксклюзивную нейронную сеть. То же самое было сделано с функцией категории изображений image_top_1. На данный момент у нас есть четыре отдельные нейронные сети, и нам еще предстояло обслуживать типы текста и изображений.

С текстовыми полями Заголовок и Описание мы создали еще две нейронные сети. На этот раз вместо плотной сети мы разработали сеть LSTM для работы с непрерывным характером текста. Для изображений мы создали одну простую архитектуру CNN с двумя слоями свертки, а также слоями выпадения и нормализации для каждого из них.

Теперь у нас 6 слоев. Каждый заботится о поведении своих типов ввода. Более сфокусированная обработка типов данных.Чтобы объединить все эти сети, мы берем выход каждой из них и соединяем их в один плотный слой. Затем эта полная сеть обучается на основе функции двоичной кросс-энтропии потерь.

Основным недостатком комплексной архитектуры, такой как описанная выше, является ее высокий уровень сложности. Хотя идея обработки каждого типа данных по-разному может показаться привлекательной для специалиста по данным, применение такой модели в производстве может иметь свои проблемы. При этом, как и в случае с любой другой формой архитектуры нейронной сети, нам нужно делать все больше и больше работы в этой новой области науки о данных, чтобы эту идею можно было легко реализовать в реальном мире.

Ссылки
Данные: https://www.kaggle.com/c/avito-demand-prediction/data
Подход команды-победителя: https://www.kaggle.com/c/avito-demand-prediction/discussion/59880

В Татарстане растет спрос на подержанные автомобили — Реальное время

Спрос растет, растет и цена

Третий квартал 2020 года принес прирост продаж на рынке подержанных автомобилей в Татарстане.Аналитики Avito Avto оценивают его в 37% по сравнению со вторым кварталом 2020 года. Но это не просто полный обвал авторынка во время весенней блокировки. По сравнению с аналогичным периодом 2019 года рост, по их расчетам, был на уровне 10%. Аналогичная ситуация складывается и по стране в целом: в России третий квартал показал рост на 40% по сравнению со вторым и 18% по сравнению с аналогичным периодом прошлого года.

Средняя цена подержанного автомобиля в третьем квартале в Татарстане составила 320 000 рублей, в России — 300 000.В нашем регионе средняя стоимость подержанного автомобиля выросла на 10% по сравнению со вторым кварталом и на 3% за год. Эксперты компании считают, что подорожание следует за ростом цен на новые автомобили. Взрывной спрос на рынке подержанных автомобилей также способствует динамике цен.

Фото: avito.ru

Как и ожидалось, по данным Avito Avto, подержанных автомобилей Lada больше всего продается в нашем регионе, а также по всей России (в среднем 140 000 рублей). Подержанные автомобили Kia и Hyundai занимают в этом «хит-параде» вторую и третью строчки самых популярных брендов, а замыкают пятерку Chevrolet и Volkswagen.

Если углубляться в специфику моделей, первые четыре строчки рейтинга популярности занимает LADA: лидирует ВАЗ (Lada) Kalina (средняя цена — 170 000), за ней идет ВАЗ (LADA) 2114 Самара, затем ВАЗ (LADA) Granta, ВАЗ (LADA) Priora и только пятая — Kia со своей суперпопулярной моделью Rio.

«Все выходят после карантина»

«Реальному времени» описанную тенденцию подтвердила пресс-служба ГК «ТрансТехСервис»:

«Рынок наконец-то проснулся, все вышли из карантина, и мы очень обращаем внимание на покупателя. интерес к подержанным автомобилям.Этому есть ряд причин: на поведение потребителей сильно повлиял коронавирус. Во-первых, уже можно говорить о некоем экономическом кризисе. Многие люди имеют более низкие доходы, и они не готовы покупать новую машину, поэтому они рассматривают подержанные. Во-вторых, отложенный спрос — весной мы физически не могли работать почти полтора месяца. Кстати, поэтому сравнивать продажи в третьем квартале со вторым некорректно — мы оцениваем тенденции продаж по сравнению с аналогичным периодом прошлого года.Более того, мы видим хороший рост как в отношении некоторых марок премиального сегмента, так и в массовом сегменте автомобилей.

Руслан Абдулнасыров, генеральный директор автосалона «Апельсин» и глава Ассоциации автосалонов Татарстана, констатирует рост спроса даже в более крупных масштабах: примерно на 50%. Он связывает этот факт с нехваткой новых автомобилей на рынке:

«Весной производители были вынуждены остановить производство из-за карантина. Сейчас, после отмены карантина, производство новых автомобилей не может набрать темп и удовлетворить спрос — ведь к текущему спросу добавился отложенный.В результате, когда люди хотят купить новую машину, они часто просто не имеют такой возможности физически. Рыночный бум подпитывается также нестабильностью курса рубля. Поэтому многие решают купить подержанную машину, причем классом чуть выше. Например, человек хотел бы купить новый Kia Rio, но покупает Kia Rio X-Line с увеличенным клиренсом или в конфигурации с автоматическим переключением передач. Так что самые высокие котировки на рынке сейчас у автомобилей А-класса с пробегом до 30 000 км, у которых был только один владелец, «чистая» история и отсутствие вопросов к документам (например, оригинал, а не дубликат). водительские права).Владельцы таких машин сейчас открыто поднимают цены, почти как новые.

Что касается самых продаваемых брендов, Абдулнасыров подтверждает, что, как всегда, лидирует массовый сегмент: «Это продукт, рассчитанный на большое количество покупателей, и это нормально».

Людмила Губаева

Татарстан

Спрос на загородную недвижимость в России после блокировки вырастет на 77% — Business & Economy

МОСКВА, 15 июля./ ТАСС /. Согласно опубликованным в среду данным портала Avito Real Estate, спрос на покупку загородных домов в пригородах России вырос на 77% в начале июля 2020 года после снятия большинства ограничений, введенных в связи с пандемией коронавируса.

«На начало карантина в апреле-мае 2020 года наблюдался бум спроса на аренду коттеджей, превысивший докризисные показатели в 3,2 раза, а после отмены режима самоизоляции — покупка загородного недвижимого имущества. приоритетным форматом стала недвижимость — интерес к приобретению такого жилья в недвижимость вырос на 77.7% в годовом исчислении », — говорится в исследовании.

В то же время спрос на аренду загородных домов также вырос на 35%. На цены сказался и интерес россиян к загородной недвижимости. Так, во втором квартале 2020 года дома и коттеджи в долгосрочную аренду подорожали примерно на треть. Средняя месячная стоимость проживания в доме достигла 20 000 рублей (281,3 доллара США), а в коттедже — 80 000 рублей (1129 долларов США). Аренда коттеджей подорожала почти на 18%, до 20 тысяч рублей (281,3 доллара), таунхаусов — на 10%, до 50 тысяч рублей (705 долларов.5) в месяц.

По данным Avito Real Estate, самые дорогие коттеджи продаются в Московской области (средняя стоимость почти 12 млн рублей (169 000 долларов), Ленинградской области (почти 10 млн рублей (141 107 долларов США), Томской области (8,2 млн рублей) и Крым (7,8 млн руб.) Наименьшая стоимость коттеджей на продажу зафиксирована в Ростовской области (3,1 млн руб.), Башкирии (4,5 млн руб.), Татарстане (почти 5 млн руб.), Свердловской и Челябинской областях (5 млн руб.) ).

«Желание россиян жить в собственном доме и не отказываться от комфортной инфраструктуры может повлиять на пересмотр подходов девелоперов к будущим проектам.Пока что разработчики скептически относятся к растущей тенденции и будут рассматривать ее в ближайшие месяцы. Если он оправдает себя, то мы увидим изменения на рынке недвижимости, и акцент может немного сместиться в пользу загородного жилья », — сказал Дмитрий Алексеев, руководитель департамента первичной и загородной недвижимости Avito Real Estate.

.

No related posts.