OpaGPT Для ювелира точная цена изделия — это баланс между затратами и рыночным спросом. ИИ-модель обучается на вашей же истории сделок и выдаёт стоимость за секунды. Ниже — готовый рецепт.
Алгоритм внедрения
- Соберите данные за 2–3 года: не менее 500 завершённых изделий. Зафиксируйте: металл (585/750), вес в граммах, каратность вставок, чистоту камней (IF/VVS/VS/SI), тип огранки, трудоёмкость в часах, фактическую цену продажи.
- Очистите базу: удалите выбросы (например, цену в 10 раз выше нормы), заполните пропуски медианным значением.
- Сформируйте признаки: вес металла, проба, суммарный вес камней, средняя чистота, сложность оправы (от 1 до 5), коэффициент региона (Москва — 1.3, регионы — 1.0), курс золота на дату сделки.
- Нормализуйте все числовые признаки методом min-max (в диапазон 0–1).
- Выберите модель: для малого бизнеса оптимален градиентный бустинг CatBoost — он работает с категориальными полями без кодирования и не переобучается на малых данных.
- Обучите и проверьте: разделите выборку в пропорции 80/20. Метрика — MAE (средняя абсолютная ошибка). Хороший результат — менее 8% от средней цены изделия.
- Используйте модель: на вход подаёте параметры нового изделия, на выходе получаете прогноз цены и доверительный интервал (+/− 2 сигмы).
Пример входных параметров
| Параметр | Значение |
|---|---|
| Металл | Золото 585 |
| Вес металла | 8.2 г |
| Камень | Бриллиант 0.3 ct, VS1 |
| Сложность оправы | 4 из 5 |
| Регион | Москва |
| Прогноз цены | 52 400 ₽ ± 3 200 ₽ |
Совет: добавляйте в модель фактическую наценку мастера отдельным признаком. Так вы увидите, какие параметры влияют на итоговую цену сильнее всего.
Советы для точности
- Обновляйте модель раз в квартал — актуальные данные повышают точность.
- Ведите учёт неудачных сделок: они тоже нужны для обучения.
- Не используйте модель как окончательный приговор — это оценка премии, а не замена экспертизы.
- Для дорогих камней добавляйте поле «сертификат» (GIA/HRD) как двоичный признак.