La situation
Les prix affichés varient fortement d'un portail à l'autre, le même appartement apparaît trois fois sous des noms différents, et les quartiers s'écrivent de dix façons. Un modèle entraîné sur ces données brutes apprend le désordre.
Données et ML · Immobilier
Un modèle de prix construit sur 71 000 annonces réelles
Les conseillers avaient besoin d'une estimation juste avant de visiter un bien. Nous avons construit toute la chaîne : des scrapers sur plusieurs portails immobiliers, un pipeline de nettoyage et de dédoublonnage, et un modèle servi en API qui répond avec une fourchette et un indice de fiabilité honnête.
Illustration
Données et ML · Immobilier
- Collecter
- Nettoyer et dédoublonner
- Placer sur la carte
- Entraîner
- Servir l'estimation
Ce qui a changé
Le pipeline collecte, nettoie et dédoublonne les annonces de toutes les sources, puis les rattache à une liste de quartiers vérifiée. Le modèle renvoie une fourchette de prix, un prix de vente probable après négociation et un indice de fiabilité qui baisse là où les données sont rares.
Comment ça marche
5 étapes, de bout en bout
- 01
Collecter
Des scrapers récupèrent les annonces de 7 sources sur plusieurs portails immobiliers.
- 02
Nettoyer et dédoublonner
Les doublons exacts et entre sources sont supprimés, prix et surfaces sont normalisés.
- 03
Placer sur la carte
Chaque annonce est rattachée à un référentiel vérifié de 410 quartiers dans 6 villes.
- 04
Entraîner
Un modèle de gradient boosting apprend à partir des 22 371 annonces conservées.
- 05
Servir l'estimation
Une API sans état renvoie une fourchette, un prix de vente probable et un indice de fiabilité.
Là où l'IA s'arrête
Le modèle écrit. Le code décide.
Le modèle
- Apprend les tendances de prix à partir des annonces nettoyées
- Estime une fourchette et un prix de vente probable
Le code
- Dédoublonne entre portails avant l'entraînement
- Rattache chaque annonce à un quartier connu
- Abaisse l'indice de fiabilité là où les données sont rares
En chiffres
Des comptes lus dans le code livré. Aucun résultat inventé.
- ~71 k
- annonces collectées
- 22 371
- conservées après nettoyage
- 410
- quartiers dans le référentiel
- 7
- sources collectées
Construit avec
- Web scraping
- Nettoyage et dédoublonnage des données
- Gradient boosting (CatBoost)
- API de prix sans état
Construit pour
Le client derrière ce projet
ImmobilierSaafkaRéseau de conseillers immobiliers : achat, vente, location et estimation partout au Maroc.Lire l'histoire du clientAutres cas d'usage
Tous les cas d'usage
- Agents IAUn assistant juridique qui cite la loi, ou admet qu'il ne sait pasUn assistant juridique qui ne répond qu'à partir des textes de loi retrouvés, et vérifie chaque article qu'il cite.SAAFKA
- IA vocaleUn formateur commercial qui décroche le téléphoneLes apprenants appellent un propriétaire IA réaliste, puis reçoivent un débrief noté avec une action à travailler.ConciergElite
- Agents IAUn coach qui lit le manuel à la place des conseillersUn agent de coaching qui ne retrouve que les bonnes sections d'une vaste base de connaissances, et tient les noms internes à l'écart de ses réponses.SAAFKA
Contact
parlons de votre projet
- Où nous sommesMaroc, partout dans le monde
- Écrirehello@kaishift.com
- LanguesFrançais, arabe, anglais
Écrivez-nousRéponse le jour ouvré même.