Lease Radar
Survival analysis (Cox proportional hazards / DeepSurv) для прогноза дефолта арендатора. Не «вероятность дефолта», а **hazard rate over time** с confidence intervals — раннее предупреждение за 45 дней до факта неоплаты. Параллельно — auto-tracking индексации, сроков, опций продления.
УК коммерческой недвижимости управляет 100-500 договорами аренды. Платежи приходят регулярно — пока арендатор не «вдруг» перестаёт платить. УК узнаёт когда уже две просрочки — потеряны 2 месяца. Lease Radar выявляет changes в платёжном поведении за 45 дней до factual default, давая время реагировать.
Hazard rate, не «вероятность дефолта»
Стандартный ML-подход — predict binary («будет дефолт да/нет»). Survival даёт богаче: «hazard rate сейчас 0.04/мес, через 3 месяца станет 0.12/мес — повышается в 3×». УК видит не «когда-то будет проблема», а «сейчас всё ОК, но риск растёт — обратитесь к арендатору сейчас». Это action-oriented metric.
Пошаговая архитектура
Загрузка договоров
PDF/DOCX scanned или digital. OCR (если scan) + Docling layout parsing.
Extraction условий
GigaChat / YandexGPT с structured output: арендатор, площадь, ставка, дата начала/окончания, индексация (формула), security deposit, опции продления, special clauses.
Платёжная история
Импорт из вашей учётной системы (1С:Бухгалтерия, custom-DB): даты платежей, суммы, просрочки, частичные платежи.
Feature engineering
Survival features: age of contract, days-since-last-payment, payment-volatility, занятость площади, регулярность индексации.
DeepSurv модель
PyTorch для DeepSurv — нейросетевая Cox-модель. Учитывает non-linear interactions (например, «маленький арендатор + долгий стаж» отличается от «крупный + новый»).
Hazard rate over time
Output — не «65% дефолт», а «hazard rate растёт от 0.04/мес до 0.12/мес через 3 месяца». С confidence intervals.
Action items для УК
Tenants с высоким hazard → приоритетный outreach, retention-offer, проверка business-условий. Сроки окончания договора → готовый список «нужно продлевать в следующем квартале».
Стек, который не запирает
PyTorch + pycox для DeepSurv (нейросетевая Cox-модель)
Docling для layout-extraction из PDF/DOCX
GigaChat для NER условий договора
PaddleOCR для scan-договоров
PostgreSQL для портфолио + платёжной истории
Coupling с 1С:Бухгалтерия через OData для платежей
Идеально для
- УК коммерческой недвижимости (ТЦ, БЦ, склады)
- Девелоперы с large portfolio'ями rentals
- REIT-фонды
- Корпоративные real-estate departments (управление собственной недвижимостью)
Границы кейса
- Не предсказывает банкротство арендатора (это требует знаний об их бизнес-модели; мы видим только их платёжные паттерны на нашей property)
- Не делает collection — только early warning и priority list
- Не подменяет юр-due-diligence — это работа юриста
- Не работает с менее чем 6-месячной платёжной историей (нужен baseline)
Частые вопросы
Hazard rate низкий до тех пор, пока есть стандартный платёжный паттерн. Если паттерн меняется (задержка вне обычных рамок) — alert. Размер арендатора учитывается как feature.
Что ещё может пригодиться
Покажем на ваших данных
за 1-2 недели
Подключаемся к ограниченной выборке, разворачиваем PoC на ваших реальных кейсах. Оценка качества, точности и UX — на вашей специфике, не на наших красивых демо.