Финалист рейтинга Top-40 digital-экспертов, автор одной из аналитических систем для коммерческой недвижимости, — о том, как прогнозировать с высокой точностью товарооборот арендаторов, зачем объединять OLTP, BI и финансовое моделирование в одной платформе, и какие расчеты нельзя доверять искусственному интеллекту.

Первые месяцы 2025 года принесли противоречивые сигналы для российского рынка торговой недвижимости. С одной стороны, аналитики фиксируют рост доли онлайн-продаж и прогнозируют снижение трафика в ТРЦ до 5%. С другой — продолжается превращение торговых центров в мультифункциональные пространства, что может простимулировать интерес посетителей. Девелоперам и управляющим компаниям приходится принимать всё более сложные решения. В условиях меняющегося поведения потребителей и общих изменений на рынке уже недостаточно просто видеть цифры, говорит эксперт в области анализа данных и автоматизации управленческих процессов Филипп Папаянов, — важно понимать, как они будут меняться во времени, и оперативно на них реагировать. В этом году Филипп Папаянов вошел в «Топ-40 digital-экспертов» — всероссийской ежегодной премии, определяющей тех, кто задает вектор цифрового развития в России, — благодаря разработке аналитической платформы, которая помогает владельцам недвижимости принимать оптимальные решения и повышать точность планирования. Уникальным решением в платформе члены жюри назвали объединение элементов OLTP (Online Transaction Processing - обработка транзакций в реальном времени), финансового моделирования и BI (Business Intelligence). Система показала свою эффективность в компании «ТПС Недвижимость» – операторе коммерческой недвижимости, входящей в ТОП-20 в России, по версии Forbes.

В интервью Филипп Папаянов рассказал, почему классическое финансовое моделирование не подходит для управления торговыми центрами, когда имеет смысл создавать гибридную аналитическую архитектуру и почему преждевременно передавать работу аналитика искусственному интеллекту.

Филипп, создание точной и технологичной системы управления арендой требует глубокого понимания бизнес-процессов и рыночной динамики. Премия «Top-40 digital-экспертов» отметила вашу разработку как один из лучших проектов для принятия решений в сфере недвижимости. Что послужило отправной точкой для запуска проекта?

На самом деле все началось с необходимости систематизировать управленческие решения в условиях неопределенности. Сегодня особенно важно формировать максимально продуманные арендные условия, основанные на данных. Мы видим, как меняется потребительское поведение, как трансформируется трафик в торговых центрах, и это требует от управляющих все большей точности и оперативности в принятии решений. Ведь в торгово-развлекательных центрах аренда привязана не только к фиксированной ставке, но и к обороту арендатора. В отдельных случаях условия могут также учитывать дополнительные параметры — например, процент вакантных площадей в ТРЦ. Но если говорить о нашей системе, то ее история началась задолго до текущих рыночных изменений. Идея создания комплексной аналитической платформы возникла у меня еще в 2014 году, а с 2016 года она начала использоваться в работе. За девять лет система значительно развилась, охватила все ключевые бизнес-процессы и стала основой для принятия управленческих решений. Поэтому можно сказать, что на старте это был ответ на внутренние потребности и стремление к системности. А сегодня — это уже логичное продолжение курса на цифровую трансформацию и стратегическое развитие бизнеса.

В чем отличие прогнозирования по арендаторам от классического финансового моделирования?

Классическое моделирование доходов действующего бизнеса, как правило, основано на обработке фактических доходов. Если в этом году мы заработали X, то в следующем заработаем k умножить на X, и моделирование сводится к подбору и обоснованию коэффициента k. Конечно, это упрощение — в реальности все значительно сложнее: факторов может быть множество, бизнес может масштабироваться, но основой все равно остается именно факт. Для торгово-развлекательных центров такой подход неприменим, так как условия договоров зачастую сложны и могут предусматривать, например, двукратный рост ставки после первого года работы. Поэтому за основу для моделирования нужно брать не факт, а коммерческие условия.

Ваша система позволила компании отказаться от разрозненных решений и сократить время на подготовку расчетов и в ней много авторского. Например, алгоритмы прогнозирования товарооборота. Какие данные для вас самые «чувствительные» в прогнозе, и что важно учитывать, чтобы не ошибиться?

Чтобы сделать точное прогнозирование, задачу необходимо разделить на два направления: для действующих арендаторов и для планируемых. Алгоритмы в этих случаях существенно различаются. Если арендатор уже проработал в торгово-развлекательном центре хотя бы несколько месяцев, можно построить достаточно точный прогноз на основе его фактического товарооборота. При этом ключевым условием является наличие достоверной информации: важно учитывать не только сам товарооборот, без его искажений со стороны арендатора, но и дату открытия, возможные перерывы в коммерческой деятельности, а также товарный профиль арендатора — он критичен для учета сезонности. Таким образом, наиболее чувствительным фактором здесь является именно точность фактических данных. Для планируемых арендаторов используется иной подход — прогнозирование строится на основе подбора сопоставимых аналогов. Это более сложный и творческий процесс, требующий насмотренности в отрасли, и он не может быть полностью автоматизирован.

Точность планирования товарооборота по итогам 2024 года составила 98,5%. Как отметили в жюри премии, это очень высокий показатель для такой сложной и переменной сферы, как торговая недвижимость. Как думаете, это предел или точность можно еще повысить?

Это действительно прекрасный результат, но точность прогноза — не самоцель, а инструмент управления. Показатель в 98,5% — это средняя точность по всему портфелю ТРЦ, и он подтверждает, что мы движемся в правильном направлении. При этом на уровне отдельных объектов точность, естественно, варьировалась. Именно поэтому наша ближайшая задача — минимизировать этот разброс и повысить стабильность прогноза на уровне каждого конкретного ТРЦ. У нас есть четкое понимание, за счет каких факторов это можно сделать, мы видим возможности для дальнейшего повышения точности.

Ваша система объединяет элементы OLTP, финансового моделирования и BI — это достаточно необычный подход, который позволяет охватывать весь цикл работы с арендатором в одной платформе. Но, как правило, такие интеграции требуют серьезных ресурсов. На ваш взгляд, когда действительно оправдано объединение этих компонентов в единую систему?

Да, это объединение действительно требует серьезных усилий как на этапе разработки, так и при дальнейшем сопровождении системы. Но для управления объектами коммерческой недвижимости, особенно такого масштаба, как торгово-развлекательные центры, это объединение не просто оправдано — оно необходимо. В ТРЦ очень высокая сложность договорных отношений, и каждый договор может иметь свою логику изменения ставок: с привязкой к обороту арендатора, с поэтапным ростом, с учетом сезонности или уровня вакантности. Моделировать это вне OLTP-среды невозможно — нужно работать с текущими, изменяющимися во времени данными. Параллельно необходимо учитывать финансовые последствия этих условий — то есть строить модели, а не просто фиксировать факты. BI в этом случае становится инструментом анализа и принятия решений: он позволяет видеть не только, что происходит, но и почему это происходит. Такой подход имеет смысл, когда бизнес-процессы завязаны на множество переменных и требуют постоянного пересчета и адаптации. Если же речь идет о стабильном, линейно прогнозируемом бизнесе, где условия почти не меняются, возможно, будет эффективнее использовать более простую и специализированную архитектуру. Но в случае с ТРЦ разрозненные решения просто не позволят управлять арендой точно и оперативно.

Вы состоите в Международной ассоциации ИТ-специалистов GrowCluster и в ACM —профессиональной ассоциации специалистов в области вычислений и информационных технологий, участие в которых предполагает постоянное отслеживание новых трендов. Сейчас в аналитические системы все чаще интегрируют искусственный интеллект и машинное обучение. Как вы относитесь к подключению ИИ к BI-системам?

В некоторых аспектах искусственный интеллект действительно может быть очень полезным. Первое, что приходит в голову, — это автоматически генерируемые подсказки, рекомендации и выводы непосредственно в интерфейсе BI-систем. Также большое значение имеет возможность формулировать запросы на естественном языке — это избавляет пользователей от необходимости даже минимально настраивать фильтры вручную. Перспективной выглядит и интеграция с чат-ботами, когда статистику, графики и аналитические выводы можно получать прямо в мессенджерах. Плюс — классификация, кластеризация, выявление аномалий и потенциальных ошибок в данных. Но я считаю преждевременным доверять ИИ задачи расчета и прогнозирования. Задача аналитика — не просто выдать некий результат, а объяснить его, обосновать выводы и предложить управленческое решение. На сегодняшний день нет ИИ, который способен делать это на уровне опытного аналитика. Даже если такой ИИ появится, его расчеты останутся «черным ящиком» — и это станет серьезной проблемой, особенно если в дальнейшем понадобится провести факторный анализ или детальную проверку гипотез.