01 Финальный срез рынка
Глубокий анализ ↓ Проверить цену ↓ Методология ↓
02 Глубокий анализ рынка
Шесть графиков: сначала «сколько стоит», затем «от чего зависит».
Распределение цен
Рынок широкий: основная масса — 15–100k, но хвост дорогих конфигураций (M4 Pro, M4 Max) тянется далеко вправо.
Как читать: слева — дешёвые Intel, справа — топовые Apple Silicon. Красная линия — медиана.
Цены по чипам
Чип — главный фактор цены. Intel i5 и M1 — нижняя полка; M4 Pro и M4 Max — премиум.
Как читать: линия внутри коробки — медиана; коробка — P25–P75 (середина рынка); «усы» — хвосты распределения.
Экран (13/14/15/16) vs цена
14″ и 16″ стоят заметно дороже — это Pro-сегмент с мощными чипами. 13″ — массовый и доступный.
Как читать: сравни медианы (красные линии) и ширину коробок — узкая = предсказуемая цена.
Air vs Pro
Pro стоит ощутимо дороже Air при тех же поколениях чипов — премия за экран, охлаждение и порты.
Как читать: две коробки рядом — чем правее медиана, тем дороже линейка.
Цена по сегменту: chip × диагональ
В ячейке: медиана цены, ниже — количество объявлений. Полупрозрачные — мало данных (n<30).
Как читать: темнее фон — дороже сегмент. Пустая ячейка — нет объявлений.
RAM vs цена
Больше RAM = дороже, но разброс внутри каждого уровня огромный — чип и модель важнее. RAM определена не у всех объявлений — график по подвыборке.
Как читать: каждая точка — объявление. Красная линия — медиана на каждом уровне RAM.
Выводы в 3 строки
- Цена сильнее всего объясняется сегментом: чип × размер экрана × линейка (Air/Pro).
- Intel — дешёвый хвост рынка. Apple Silicon — основной ценовой объём.
- M4 за 77k на этой выборке — ниже медианы сегмента M4.
03 Проверь свою цену
Выбери конфигурацию и введи цену. Калькулятор покажет, как она соотносится с рынком.
04 Что можно улучшить
- Ежедневные снапшоты. Cron + build_dataset.py + snapshot_compare.py. Через 7–14 дней — реальная оценка ликвидности по сегментам.
- Извлечение конфигурации из карточки. Сейчас парсим только заголовок. Внутри объявления есть структурированные характеристики — это поднимет определённость с 88% до ~98%.
-
Масштаб до 10k.
Query plan готов: 90 запросов × 30 городов.✓ Реализовано. Coverage report + global dedup + 10k cap. - Расширение на другие SKU. Тот же пайплайн работает для iPhone, PS5, любого SKU на Avito. Нужен только новый query plan и парсер заголовков.
05 Методология и ограничения
Источник: публичная поисковая выдача Avito (категория «Ноутбуки»), февраль 2026.
Playwright (headful browser + persistent state).
… уникальных объявлений после дедупликации по listing_id.
Сбор через query plan: до 90 запросов × 30 городов × 4 сортировки.
Парсинг: regex-парсер на Python. Кириллица, слэш-нотация (16/512), дюймовые форматы, инференс чипа по году. Часть объявлений с неопределённым чипом — систематический gap для «ленивых» заголовков.
Ограничения:
- Avito ≠ продажи. Объявления — предложение, не спрос.
- Snapshot bias: быстро проданные товары недопредставлены.
- Региональный bias: Москва и СПб перепредставлены.
Стек: Python, Playwright, pandas, matplotlib.
← Все кейсы