فعالیت مشاور املاک فقط به معرفی یک ملک محدود نمی‌شود. مشاور باید فایل‌های متعدد را مدیریت کند، مشخصات ملک را ثبت کند، نیاز خریدار یا مستأجر را بفهمد، مشتری مناسب را پیدا کند، آگهی بنویسد، تصاویر را آماده کند و پیگیری‌ها را به‌موقع انجام دهد.

هوش مصنوعی یا AI می‌تواند بسیاری از این کارهای تکراری را سریع‌تر کند. برای مثال، می‌توان اطلاعات خام یک ملک را به آگهی حرفه‌ای تبدیل کرد، پیام‌های مشتریان را دسته‌بندی کرد، فایل‌های نزدیک به نیاز هر متقاضی را یافت و برای پیگیری‌های روزانه پیش‌نویس پیام ساخت.

اما استفاده حرفه‌ای از هوش مصنوعی در املاک با انتشار متن‌های اغراق‌آمیز یا تغییر غیرواقعی تصاویر تفاوت دارد. AI باید اطلاعات موجود را سازمان‌دهی و ارائه کند؛ نه اینکه ویژگی‌هایی را به ملک نسبت دهد که وجود ندارند.

در این مقاله، کاربردهای عملی هوش مصنوعی برای مشاوران املاک را بررسی می‌کنیم و یک جریان کامل از ثبت فایل تا تولید آگهی، مدیریت سرنخ، پیشنهاد ملک و پیگیری مشتری می‌سازیم. در بخش فنی نیز پیاده‌سازی این قابلیت‌ها با API درواره را آموزش می‌دهیم.

هوش مصنوعی در املاک چه کاربردی دارد؟

هوش مصنوعی می‌تواند در این بخش‌ها به مشاوران، مدیران دفاتر املاک و پلتفرم‌های ملکی کمک کند:

• تبدیل اطلاعات خام ملک به آگهی
• تولید عنوان‌های مختلف برای آگهی
• خلاصه‌سازی مشخصات ملک
• استخراج اطلاعات از توضیحات نامنظم
• دسته‌بندی فایل‌های فروش، رهن و اجاره
• جست‌وجوی معنایی میان فایل‌ها
• تطبیق نیاز مشتری با فایل مناسب
• دسته‌بندی پیام‌های ورودی
• تشخیص فوریت درخواست مشتری
• آماده‌سازی پاسخ اولیه
• ساخت پیام پیگیری
• خلاصه‌سازی مکالمات
• ثبت خودکار یادداشت در CRM
• تولید محتوای شبکه‌های اجتماعی
• ساخت سناریوی ویدئوی معرفی ملک
• بهبود تصاویر و حذف عناصر مزاحم
• ساخت گزارش عملکرد فایل‌ها
• تحلیل دلیل عدم تبدیل مشتری
• تولید گزارش روزانه برای مدیر دفتر
• ساخت دستیار داخلی برای جست‌وجوی فایل‌ها

AI نباید به‌تنهایی درباره قیمت قطعی، وضعیت حقوقی، مالکیت یا مناسب‌بودن نهایی یک معامله تصمیم بگیرد. این اطلاعات باید از منابع معتبر و بررسی کارشناسی به دست آیند.

مهم‌ترین مزیت AI برای مشاور املاک چیست؟

ارزش اصلی AI فقط نوشتن سریع‌تر متن آگهی نیست. مهم‌ترین مزیت، تبدیل داده‌های پراکنده به یک جریان کاری منظم است.

در بسیاری از دفاتر، اطلاعات در چند محل نگهداری می‌شوند:

• دفتر کاغذی
• فایل Excel
• پیام‌رسان
• CRM
• تلفن همراه مشاور
• توضیحات آگهی
• یادداشت‌های تماس
• تصاویر و ویدئوها

وقتی داده ساختار ثابتی نداشته باشد، یافتن فایل مناسب و پیگیری مشتری دشوار می‌شود. هوش مصنوعی می‌تواند اطلاعات متنی نامنظم را به داده ساختاریافته تبدیل کند و سپس بر اساس همان داده، جست‌وجو، تطبیق و تولید محتوا انجام دهد.

از کجا شروع کنیم؟

بهترین نقطه شروع، انتخاب یک کار محدود، پرتکرار و قابل اندازه‌گیری است.

گزینه‌های مناسب:

• تولید پیش‌نویس آگهی
• خلاصه‌سازی تماس‌ها
• دسته‌بندی پیام‌های مشتری
• ساخت پیام پیگیری
• استخراج مشخصات ملک از متن
• پیشنهاد فایل‌های نزدیک به نیاز مشتری

برای شروع، کل فرایند دفتر را خودکار نکنید. ابتدا یک کاربرد را اجرا کنید و این شاخص‌ها را بسنجید:

• زمان انجام کار قبل و بعد از AI
• تعداد خطاها
• میزان ویرایش انسانی
• رضایت مشاوران
• سرعت پاسخ‌گویی
• تعداد پیگیری‌های فراموش‌شده
• نرخ تبدیل سرنخ به بازدید

مرحله اول: اطلاعات ملک را استاندارد کنید

پیش از تولید آگهی یا تطبیق مشتری، اطلاعات فایل باید ساختار مشخصی داشته باشد.

ساختار پیشنهادی فایل ملک

شناسه فایل
نوع معامله
نوع ملک
شهر
منطقه
محله
نشانی تقریبی
متراژ
تعداد اتاق
طبقه
تعداد طبقات
تعداد واحد در طبقه
سال ساخت
آسانسور
پارکینگ
انباری
بالکن
نوع سند
وضعیت سکونت
جهت واحد
نورگیری
قیمت کل
قیمت هر متر
مبلغ رهن
مبلغ اجاره
امکانات
ویژگی‌های متمایز
محدودیت‌های بازدید
تاریخ ثبت
تاریخ آخرین تأیید
وضعیت فایل

قرار نیست همه فایل‌ها تمام فیلدها را داشته باشند، اما نام فیلدها باید در کل سیستم ثابت باشد.

نمونه اطلاعات خام و ساختاریافته

اطلاعات خام:

آپارتمان ۱۱۵ متر، دو خواب، طبقه سوم، آسانسور و پارکینگ دارد.
حدود ۸ سال ساخت، نور خیلی خوب، آشپزخانه بازسازی شده، نزدیک پارک.
مالک فعلاً ساکن است و بازدید باید از قبل هماهنگ شود.

خروجی ساختاریافته:

{
  "property_type": "apartment",
  "area_m2": 115,
  "bedrooms": 2,
  "floor": 3,
  "elevator": true,
  "parking": true,
  "building_age_years": 8,
  "natural_light": "good",
  "renovations": [
    "kitchen"
  ],
  "nearby_features": [
    "park"
  ],
  "occupancy_status": "owner_occupied",
  "visit_requirement": "advance_coordination",
  "unknown_fields": [
    "storage",
    "balcony",
    "document_type"
  ]
}

نکته مهم این است که مدل برای فیلدهای نامشخص مقدار ساختگی تولید نکند.

پرامپت استخراج مشخصات ملک

اطلاعات خام زیر مربوط به یک فایل ملکی است.

آن را به JSON معتبر تبدیل کن.

فیلدها:
- transaction_type
- property_type
- city
- district
- neighborhood
- area_m2
- bedrooms
- floor
- total_floors
- building_age_years
- elevator
- parking
- storage
- balcony
- document_type
- occupancy_status
- natural_light
- renovations
- amenities
- total_price
- deposit
- monthly_rent
- visit_requirement
- missing_fields

قواعد:
- فقط اطلاعات صریح متن را استخراج کن.
- مقدار نامشخص را null قرار بده.
- مقدار را حدس نزن.
- اطلاعات متناقض را در فیلد warnings ثبت کن.
- قیمت‌ها را بدون تغییر واحد نگه دار.
- هیچ توضیحی بیرون از JSON ننویس.

متن خام:
[اطلاعات ملک]

مرحله دوم: متن آگهی ملک را با AI بنویسید

برای تولید آگهی مناسب، مدل به اطلاعات واقعی، مخاطب، کانال و لحن نیاز دارد.

یک آگهی معمولاً شامل این بخش‌هاست:

1. عنوان
2. خلاصه سریع
3. مشخصات اصلی
4. مزیت‌های واقعی
5. وضعیت بازدید
6. دعوت به تماس
7. توضیح موارد نامشخص، در صورت نیاز

پرامپت کامل تولید آگهی

بر اساس اطلاعات زیر، یک آگهی حرفه‌ای برای فروش ملک بنویس.

اطلاعات:
[JSON ملک]

مخاطب:
خانواده‌ای که به‌دنبال واحد دوخوابه با نور مناسب و دسترسی خوب است.

کانال:
پلتفرم درج آگهی ملک

لحن:
روشن، حرفه‌ای و قابل اعتماد

خروجی:
- پنج عنوان حداکثر ۶۰ کاراکتری
- خلاصه یک‌جمله‌ای
- متن کامل آگهی
- فهرست ویژگی‌های اصلی
- CTA کوتاه
- اطلاعاتی که پیش از انتشار باید از مالک پرسیده شوند

قواعد:
- هیچ ویژگی یا امکاناتی را اختراع نکن.
- از عبارت‌هایی مانند «بهترین»، «بی‌نظیر» و «فرصت استثنایی» بدون شواهد استفاده نکن.
- نشانی دقیق را درج نکن.
- قیمت را فقط اگر در اطلاعات وجود دارد بنویس.
- اطلاعات نامشخص را قطعی بیان نکن.
- متن تکراری و پر از صفت نباشد.

نمونه آگهی قبل و بعد از AI

متن خام

۱۱۵ متر دو خواب پارکینگ آسانسور خوب و نورگیر نزدیک پارک برای فروش.

نسخه ویرایش‌شده

آپارتمان ۱۱۵ متری دوخوابه با پارکینگ و آسانسور

واحدی دوخوابه در طبقه سوم، با نورگیری مناسب و آشپزخانه بازسازی‌شده. ساختمان حدود هشت سال قدمت دارد و دسترسی آن به پارک محله مناسب است.

مشخصات اصلی:
- ۱۱۵ متر
- دو اتاق خواب
- طبقه سوم
- آسانسور
- پارکینگ
- آشپزخانه بازسازی‌شده
- نورگیری مناسب

ملک در حال حاضر در سکونت مالک است و بازدید با هماهنگی قبلی انجام می‌شود.

این متن بهتر است دوباره با اطلاعات قطعی فایل تطبیق داده شود.

ساخت چند نسخه آگهی برای مخاطبان مختلف

یک ملک ممکن است برای چند گروه جذاب باشد:

• خانواده
• زوج جوان
• سرمایه‌گذار
• شرکت
• مستأجر بلندمدت
• فرد نیازمند دسترسی به حمل‌ونقل
• خریدار علاقه‌مند به بازسازی

پیام هر گروه باید متفاوت باشد، اما ویژگی‌های ملک نباید تغییر کنند.

پرامپت بازنویسی برای Persona

اطلاعات ملک زیر را بدون تغییر واقعیت، برای سه مخاطب بازنویسی کن:

1. خانواده چهارنفره
2. زوج جوان
3. خریدار با هدف سرمایه‌گذاری

برای هر مخاطب ارائه بده:
- عنوان آگهی
- مهم‌ترین مزیت
- متن کوتاه
- سه ویژگی برجسته
- CTA

قواعد:
- فقط از مشخصات موجود استفاده کن.
- درباره سود، رشد قیمت یا بازدهی تضمین نده.
- ویژگی نامشخص اضافه نکن.
- تفاوت نسخه‌ها فقط در زاویه پیام باشد.

مرحله سوم: کنترل کیفیت آگهی

پیش از انتشار، آگهی را با این چک‌لیست بررسی کنید:

• متراژ درست است.
• تعداد اتاق‌ها صحیح است.
• نوع معامله اشتباه نشده است.
• قیمت و واحد آن درست است.
• پارکینگ، انباری و آسانسور بررسی شده‌اند.
• سال ساخت با اطلاعات فایل تطبیق دارد.
• محله و منطقه درست نوشته شده‌اند.
• ویژگی ساختگی وجود ندارد.
• عبارت اغراق‌آمیز حذف شده است.
• نشانی یا اطلاعات غیرضروری منتشر نشده است.
• شرایط بازدید صحیح است.
• تاریخ آخرین تأیید فایل مشخص است.

پرامپت کنترل آگهی

متن آگهی را با اطلاعات مرجع ملک مقایسه کن.

اطلاعات مرجع:
[JSON ملک]

آگهی:
[متن آگهی]

این موارد را گزارش کن:
- تناقض‌ها
- ویژگی‌های بدون منبع
- اطلاعات حذف‌شده مهم
- عبارت‌های مبهم
- ادعاهای اغراق‌آمیز
- قیمت یا عدد مشکوک
- سؤال‌هایی که باید از مالک پرسیده شوند

فعلاً آگهی را بازنویسی نکن.
برای هر ایراد، بخش دقیق متن را مشخص کن.

مرحله چهارم: عکس ملک را برای آگهی آماده کنید

هوش مصنوعی می‌تواند در ویرایش تصاویر کمک کند:

• اصلاح نور
• تصحیح رنگ
• تنظیم کادر
• افزایش وضوح
• حذف اشیای کوچک مزاحم
• محوکردن اطلاعات غیرضروری
• مرتب‌سازی تصاویر
• انتخاب عکس شاخص
• ساخت نسخه مناسب شبکه اجتماعی

با این حال، تصویر نباید واقعیت ملک را تغییر دهد. حذف ستون، تغییر ابعاد اتاق، افزودن پنجره، تغییر منظره یا نمایش امکاناتی که وجود ندارند می‌تواند مخاطب را گمراه کند.

ترتیب مناسب تصاویر آگهی

1. بهترین نمای اصلی
2. پذیرایی
3. آشپزخانه
4. اتاق‌ها
5. سرویس‌ها
6. بالکن یا نورگیری
7. مشاعات
8. پارکینگ و انباری
9. نمای ساختمان
10. امکانات واقعی نزدیک ملک، در صورت نیاز

پرامپت انتخاب عکس شاخص

اگر یک مدل چندوجهی در اختیار دارید، می‌توانید از آن بخواهید تصاویر را بر اساس معیارهای بصری رتبه‌بندی کند:

این تصاویر مربوط به یک آپارتمان هستند.

بدون تغییر یا تفسیر ویژگی‌های ملک، آن‌ها را برای آگهی رتبه‌بندی کن.

معیارها:
- وضوح
- نور
- ترکیب‌بندی
- نمایش بهتر فضای اصلی
- نبود عناصر مزاحم
- مناسب‌بودن برای تصویر اول آگهی

خروجی:
- رتبه هر تصویر
- دلیل کوتاه
- پیشنهاد برش
- ایراد احتمالی
- تصاویر نامناسب برای انتشار

درباره اندازه واقعی فضا یا ارزش ملک نتیجه‌گیری نکن.

برای بررسی مدل‌های دارای ورودی تصویر می‌توانید صفحه مدل‌های درواره را ببینید.

مرحله پنجم: تولید محتوای شبکه‌های اجتماعی املاک

یک فایل ملک را می‌توان به چند نوع محتوا تبدیل کرد:

• پست معرفی ملک
• Carousel مشخصات
• Story
• سناریوی ویدئوی کوتاه
• کپشن
• پرسش و پاسخ
• محتوای آموزشی محله
• چک‌لیست بازدید
• مقایسه دو نوع ملک
• پشت صحنه بازدید
• معرفی امکانات ساختمان

پرامپت بسته محتوایی ملک

بر اساس اطلاعات واقعی ملک زیر یک بسته محتوایی تولید کن:

[JSON ملک]

خروجی:
1. کپشن اینستاگرام
2. ساختار Carousel هشت‌اسلایدی
3. سناریوی ویدئوی ۴۵ ثانیه‌ای
4. سه Story
5. متن کوتاه برای پیام‌رسان
6. پنج عنوان برای Thumbnail

قواعد:
- اطلاعات ملک تغییر نکند.
- صفت‌های اغراق‌آمیز استفاده نشوند.
- قیمت فقط در صورت وجود درج شود.
- برای تصاویر یا نماهای موجودنشده، پیشنهاد ساختگی نده.
- هر قالب برای رسانه خودش بازنویسی شود.
- CTA فقط هماهنگی برای دریافت اطلاعات یا بازدید باشد.

سناریوی ویدئوی معرفی ملک

ویدئو بهتر است مسیر مشخصی داشته باشد:

ثانیه ۰ تا ۳:
نمای شاخص و Hook

ثانیه ۳ تا ۱۰:
متراژ، تعداد اتاق و نوع معامله

ثانیه ۱۰ تا ۲۵:
فضاهای اصلی

ثانیه ۲۵ تا ۳۵:
ویژگی‌های متمایز واقعی

ثانیه ۳۵ تا ۴۲:
شرایط بازدید

ثانیه ۴۲ تا ۴۵:
CTA

پرامپت سناریوی ویدئو

برای معرفی ملک زیر یک سناریوی ویدئوی عمودی ۴۵ ثانیه‌ای بنویس.

اطلاعات ملک:
[JSON ملک]

فهرست ویدئوهای موجود:
- نمای پذیرایی
- آشپزخانه
- اتاق اول
- اتاق دوم
- بالکن
- نمای ساختمان

برای هر شات مشخص کن:
- زمان
- فایل پیشنهادی
- متن گوینده
- متن روی تصویر
- نوع حرکت یا برش
- نکته تدوین

قواعد:
- فقط از ویدئوهای موجود استفاده کن.
- اطلاعاتی را که در فایل ملک نیست اضافه نکن.
- متن گویندگی کوتاه و طبیعی باشد.
- ویدئو با CTA برای دریافت مشخصات کامل پایان یابد.

مرحله ششم: نیاز مشتری را ساختاریافته ثبت کنید

اطلاعات مشتری نیز باید قالب مشخصی داشته باشد.

ساختار نیاز خریدار یا مستأجر

نوع معامله
نوع ملک
شهر
منطقه‌های مطلوب
محله‌های قابل قبول
حداقل و حداکثر بودجه
حداقل و حداکثر متراژ
تعداد اتاق
طبقه ترجیحی
آسانسور
پارکینگ
انباری
سال ساخت
وضعیت سکونت
زمان موردنظر برای معامله
ویژگی‌های ضروری
ویژگی‌های ترجیحی
موارد غیرقابل قبول
انعطاف‌پذیری

تفاوت ویژگی ضروری و ترجیحی

ضروری:

پارکینگ حتماً لازم است.

ترجیحی:

بالکن بهتر است وجود داشته باشد، اما نبود آن مانع قطعی نیست.

این تفاوت برای تطبیق هوشمند بسیار مهم است.

پرامپت استخراج نیاز مشتری

پیام مشتری را به نیاز ساختاریافته تبدیل کن.

فیلدها:
- transaction_type
- property_type
- preferred_areas
- acceptable_areas
- minimum_budget
- maximum_budget
- minimum_area_m2
- maximum_area_m2
- bedrooms
- required_features
- preferred_features
- unacceptable_features
- move_timeline
- flexibility
- missing_questions
- urgency

قواعد:
- فقط اطلاعات صریح را استخراج کن.
- موارد نامشخص را null قرار بده.
- بودجه یا اولویت را حدس نزن.
- «ترجیحی» و «ضروری» را جدا کن.
- اگر متن متناقض است در warnings ثبت کن.
- فقط JSON معتبر برگردان.

پیام مشتری:
[متن پیام]

نمونه پیام مشتری

برای اجاره دنبال یک واحد دوخوابه هستیم، حدود ۹۰ تا ۱۲۰ متر.
پارکینگ حتماً لازم داریم. آسانسور هم اگر بالاتر از طبقه دوم باشد ضروری است.
ترجیحاً نزدیک محل کارمان باشد ولی در محله کناری هم بررسی می‌کنیم.

خروجی مناسب باید تشخیص دهد:

• دو اتاق خواب ضروری است.
• پارکینگ ضروری است.
• آسانسور شرط وابسته به طبقه است.
• محله دوم قابل قبول اما ترجیح اصلی نیست.
• بودجه هنوز پرسیده نشده است.

مرحله هفتم: تطبیق مشتری با ملک

تطبیق نباید فقط با تشابه متن انجام شود. ابتدا باید شرایط سخت یا Hard Constraints بررسی شوند.

شرایط سخت

• نوع معامله
• بودجه حداکثری
• حداقل تعداد اتاق
• پارکینگ ضروری
• منطقه غیرقابل قبول
• نوع ملک
• محدودیت طبقه

ترجیحات نرم

• نورگیری
• بالکن
• سن بنا
• دسترسی
• جهت واحد
• بازسازی
• امکانات ساختمان

روند پیشنهادی:

۱. حذف فایل‌های ناسازگار با شرایط ضروری
۲. امتیازدهی به فایل‌های باقی‌مانده
۳. توضیح دلیل امتیاز
۴. نمایش موارد اختلاف
۵. تأیید نهایی توسط مشاور

فرمول ساده امتیازدهی

امتیاز تطبیق = امتیاز بودجه + امتیاز موقعیت + امتیاز متراژ + امتیاز امکانات + امتیاز ترجیحات

نمونه وزن:

بودجه: ۳۰ درصد
موقعیت: ۲۵ درصد
متراژ و اتاق: ۲۰ درصد
امکانات ضروری: ۱۵ درصد
ترجیحات: ۱۰ درصد

اگر یک شرط ضروری رعایت نشده باشد، فایل بهتر است قبل از امتیازدهی حذف یا با هشدار روشن نمایش داده شود.

پرامپت تطبیق فایل‌ها

نیاز مشتری و فهرست ملک‌ها را مقایسه کن.

نیاز مشتری:
[JSON نیاز]

فایل‌ها:
[JSON فایل‌ها]

روش:
1. ابتدا شرایط ضروری را بررسی کن.
2. فایل ناسازگار را حذف نکن؛ آن را با وضعیت rejected نمایش بده.
3. فایل‌های سازگار را از صفر تا صد امتیاز بده.
4. امتیاز باید بر اساس وزن‌های اعلام‌شده باشد.
5. برای هر فایل دلیل امتیاز را بنویس.
6. تفاوت‌ها و اطلاعات نامشخص را مشخص کن.
7. هیچ ویژگی را حدس نزن.

خروجی فقط JSON معتبر شامل:
- property_id
- status
- score
- matched_requirements
- unmatched_requirements
- preferred_matches
- unknown_fields
- explanation

نمونه خروجی تطبیق

{
  "property_id": "P-1048",
  "status": "candidate",
  "score": 84,
  "matched_requirements": [
    "بودجه",
    "دو اتاق خواب",
    "پارکینگ",
    "محله قابل قبول"
  ],
  "unmatched_requirements": [],
  "preferred_matches": [
    "نورگیری مناسب"
  ],
  "unknown_fields": [
    "انباری"
  ],
  "explanation": "فایل با تمام شرایط ضروری سازگار است، اما وضعیت انباری مشخص نیست."
}

جست‌وجوی معنایی میان فایل‌ها

جست‌وجوی معمولی فقط واژه‌ها را پیدا می‌کند. جست‌وجوی معنایی یا Semantic Search می‌تواند مفهوم نزدیک را نیز تشخیص دهد.

درخواست مشتری:

خانه‌ای آرام برای کار در منزل، با نور خوب و فضای مناسب میز کار

ممکن است در توضیح فایل عبارت «کار در منزل» وجود نداشته باشد، اما ویژگی‌هایی مانند اتاق اضافه، نور طبیعی و موقعیت کم‌رفت‌وآمد ثبت شده باشند.

برای ساخت جست‌وجوی معنایی:

1. اطلاعات هر فایل را استاندارد کنید.
2. متن خلاصه استاندارد بسازید.
3. Embedding تولید کنید.
4. بردارها را در Vector Database ذخیره کنید.
5. درخواست مشتری را Embedding کنید.
6. فایل‌های مشابه را بازیابی کنید.
7. شرایط ضروری را جداگانه بررسی کنید.
8. نتیجه را برای تأیید به مشاور نمایش دهید.

Semantic Search جایگزین فیلترهای دقیق قیمت، متراژ و منطقه نیست؛ بلکه مکمل آن‌هاست.

مرحله هشتم: دسته‌بندی سرنخ‌های ورودی

پیام‌های ورودی می‌توانند در این دسته‌ها قرار بگیرند:

• درخواست اطلاعات
• درخواست بازدید
• ثبت فایل توسط مالک
• جست‌وجوی خرید
• جست‌وجوی اجاره
• پیگیری قبلی
• تغییر شرایط
• لغو درخواست
• پیام نامرتبط
• نیازمند تماس فوری

پرامپت دسته‌بندی پیام

پیام ورودی دفتر املاک را تحلیل کن و فقط JSON معتبر برگردان.

فیلدها:
- intent
- transaction_type
- lead_type
- urgency
- property_reference
- requested_action
- missing_information
- suggested_next_step
- confidence

مقادیر intent:
- property_inquiry
- visit_request
- owner_listing
- buy_request
- rent_request
- follow_up
- update_preferences
- cancellation
- unrelated
- unclear

قواعد:
- اگر قصد پیام روشن نیست، intent را unclear قرار بده.
- پاسخ نهایی به مشتری تولید نکن.
- اطلاعات ناموجود را حدس نزن.
- فوریت زیاد فقط در صورت وجود نشانه واضح تعیین شود.

پیام:
[متن مشتری]

مرحله نهم: پاسخ اولیه به مشتری

پاسخ اولیه باید کوتاه، مرتبط و دارای یک اقدام مشخص باشد.

پیام ضعیف

سلام، چه کمکی از دست ما برمی‌آید؟

اگر مشتری قبلاً نیاز خود را توضیح داده باشد، این پاسخ او را مجبور می‌کند اطلاعات را تکرار کند.

پیام بهتر

سلام، مشخصات واحد دوخوابه موردنظرتان را دریافت کردم. برای بررسی دقیق‌تر فایل‌های مناسب، لطفاً محدوده بودجه و محله‌های قابل قبول را هم بفرمایید.

پرامپت پاسخ اولیه

بر اساس پیام مشتری و اطلاعات ثبت‌شده، یک پیش‌نویس پاسخ کوتاه بنویس.

پیام:
[پیام]

اطلاعات استخراج‌شده:
[JSON]

هدف:
تکمیل اطلاعات لازم برای پیشنهاد فایل

لحن:
محترمانه، حرفه‌ای و طبیعی

قواعد:
- اطلاعاتی را که مشتری گفته دوباره نپرس.
- فقط حداکثر دو سؤال ضروری بپرس.
- وعده ارسال فایل در زمان مشخص نده.
- قیمت یا فایل جدید اختراع نکن.
- پاسخ حداکثر ۷۰ کلمه باشد.
- متن باید قبل از ارسال توسط مشاور تأیید شود.

مرحله دهم: پیام پیگیری بسازید

پیگیری باید بر اساس مرحله مشتری باشد.

بعد از ارسال فایل

سلام، فایل‌هایی که با شرایط شما نزدیک‌تر بودند ارسال شدند. اگر یکی از گزینه‌ها برایتان مناسب‌تر است، بفرمایید تا جزئیات و شرایط بازدید را بررسی کنم.

بعد از بازدید

سلام، درباره بازدید امروز اگر نکته‌ای برای تصمیم‌گیری یا مقایسه با گزینه‌های دیگر نیاز دارید بفرمایید. همچنین می‌توانم بر اساس بازخوردتان فایل‌های بعدی را دقیق‌تر انتخاب کنم.

مشتری بدون پاسخ

سلام، برای اطمینان از به‌روز بودن درخواستتان پیام می‌دهم. اگر بودجه، محدوده یا زمان تصمیم‌گیری تغییر کرده، اطلاع دهید تا پیشنهادها بر همان اساس اصلاح شوند.

پرامپت پیام پیگیری

برای مشتری زیر یک پیام پیگیری بنویس.

مرحله:
[بعد از ارسال فایل، بعد از بازدید یا بدون پاسخ]

اطلاعات:
[خلاصه تعامل]

هدف:
[دریافت بازخورد، هماهنگی بازدید یا به‌روزرسانی نیاز]

قواعد:
- پیام کوتاه و غیرمزاحم باشد.
- لحن فشارآور نداشته باشد.
- اطلاعات قبلی را درست منعکس کند.
- فقط یک CTA داشته باشد.
- از عبارت‌های کلیشه‌ای تبلیغاتی استفاده نکن.
- زمان یا نتیجه‌ای را تضمین نکن.

مرحله یازدهم: خلاصه‌سازی تماس و ثبت در CRM

پس از تماس، اطلاعات باید به شکل قابل استفاده در CRM ثبت شوند.

ساختار یادداشت تماس

{
  "contact_reason": "بررسی فایل‌های خرید",
  "customer_stage": "qualified",
  "requirements": {
    "transaction_type": "buy",
    "bedrooms": 2,
    "parking_required": true
  },
  "objections": [
    "بودجه محدودتر از فایل‌های پیشنهادی"
  ],
  "properties_discussed": [
    "P-1048",
    "P-1056"
  ],
  "next_action": "ارسال دو فایل با بودجه نزدیک‌تر",
  "follow_up_date": null,
  "missing_information": [
    "زمان تصمیم‌گیری"
  ]
}

پرامپت خلاصه تماس

متن پیاده‌سازی‌شده تماس را برای ثبت در CRM خلاصه کن.

خروجی فقط JSON معتبر باشد:
- contact_reason
- customer_stage
- requirements
- budget
- areas
- objections
- properties_discussed
- customer_feedback
- next_action
- follow_up_date
- missing_information
- short_summary

قواعد:
- اطلاعات قطعی را از پیشنهاد یا احتمال جدا کن.
- تاریخ پیگیری را فقط اگر در مکالمه گفته شده ثبت کن.
- مبلغ و واحد پول را تغییر نده.
- شناسه فایل‌ها را دقیق نگه دار.
- اطلاعات ناموجود را null قرار بده.

متن تماس:
[Transcript]

CRM برای دفتر املاک

یک CRM ملکی باید حداقل این داده‌ها را مدیریت کند:

• مشتری
• مالک
• فایل ملک
• درخواست
• تماس
• بازدید
• پیشنهاد
• پیگیری
• وضعیت معامله
• منبع جذب
• مشاور مسئول

HubSpot، برای نمونه، CRM املاک را ابزاری برای مدیریت رابطه با متقاضیان و مالکان، ثبت سرنخ، پیگیری و مدیریت Pipeline معرفی می‌کند. انتخاب CRM باید بر اساس فرایند واقعی دفتر و امکان اتصال به ابزارهای فعلی انجام شود. صفحه رسمی HubSpot برای املاک

مرحله دوازدهم: ساخت Pipeline فروش ملک

مراحل پیشنهادی:

سرنخ جدید
        ↓
اطلاعات ناقص
        ↓
نیاز تأییدشده
        ↓
فایل‌های پیشنهادی
        ↓
بازدید هماهنگ‌شده
        ↓
بازدید انجام‌شده
        ↓
در حال بررسی
        ↓
پیشنهاد یا مذاکره
        ↓
تکمیل‌شده یا بسته‌شده

برای هر مرحله شرط ورود و خروج تعریف کنید.

مثال:

ورود به مرحله «نیاز تأییدشده»:
نوع معامله، محدوده، بودجه و نیازهای ضروری ثبت شده‌اند.

خروج از مرحله:
حداقل یک فایل مناسب پیشنهاد شده است.

AI می‌تواند مرحله احتمالی را پیشنهاد دهد، اما تغییر خودکار وضعیت‌های مهم باید با قواعد روشن انجام شود.

مرحله سیزدهم: تحلیل دلیل رد فایل

بازخورد مشتری پس از مشاهده یا بازدید بسیار ارزشمند است.

دلایل متداول:

• قیمت
• موقعیت
• متراژ
• نقشه
• نور
• سن ساختمان
• طبقه
• امکانات
• شرایط پرداخت
• نیاز به بازسازی
• تفاوت با تصاویر
• تغییر تصمیم مشتری

پرامپت تحلیل بازخورد بازدید

بازخوردهای مشتریان درباره فایل‌های بازدیدشده را تحلیل کن.

برای هر بازخورد مشخص کن:
- property_id
- reason_category
- exact_reason
- severity
- preference_update
- suggested_action

سپس گزارش کلی ارائه بده:
- پرتکرارترین دلایل رد
- فایل‌هایی با مشکل تکرارشونده
- ویژگی‌های پراهمیت مشتریان
- پیشنهاد اصلاح آگهی
- اطلاعاتی که باید قبل از بازدید شفاف‌تر شوند

بین داده صریح و استنباط تفاوت بگذار.

بازخوردها:
[داده]

اگر چند مشتری به تفاوت عکس و واقعیت اشاره کنند، ممکن است لازم باشد تصاویر یا متن آگهی اصلاح شوند.

مرحله چهاردهم: تحلیل عملکرد آگهی

شاخص‌های قابل بررسی:

• تعداد نمایش
• تعداد کلیک
• تعداد تماس
• تعداد پیام
• تعداد درخواست بازدید
• تعداد بازدید انجام‌شده
• زمان تا نخستین تماس
• منبع سرنخ
• نرخ تبدیل تماس به بازدید
• نرخ تبدیل بازدید به اقدام بعدی
• عمر فایل
• تاریخ آخرین تأیید مالک

فرمول‌های ساده

نرخ تماس = تعداد تماس ÷ تعداد نمایش × ۱۰۰

نرخ بازدید = تعداد بازدید انجام‌شده ÷ تعداد سرنخ واجد شرایط × ۱۰۰

نرخ تبدیل آگهی = تعداد اقدام هدف ÷ تعداد بازدید آگهی × ۱۰۰

شاخص هدف باید قبل از تحلیل مشخص شود. تعداد تماس بالا همیشه نشانه آگهی خوب نیست؛ ممکن است متن اطلاعات مهم را حذف کرده و تماس‌های نامرتبط ایجاد کرده باشد.

پرامپت تحلیل آگهی‌ها

داده عملکرد آگهی‌های ملک را تحلیل کن.

هدف:
افزایش درخواست بازدید از سرنخ‌های واجد شرایط

داده‌ها:
[جدول آگهی‌ها]

وظایف:
1. KPIهای اصلی را محاسبه کن.
2. آگهی‌های با نمایش بالا و تماس پایین را مشخص کن.
3. آگهی‌های با تماس بالا و بازدید پایین را مشخص کن.
4. برای هر الگو چند فرضیه ارائه بده.
5. داده لازم برای تأیید هر فرضیه را بنویس.
6. آزمایش‌های پیشنهادی را اولویت‌بندی کن.
7. بین واقعیت و استنباط تفاوت بگذار.

درباره قیمت مناسب یا ارزش واقعی ملک بدون داده کافی نتیجه‌گیری نکن.

مرحله پانزدهم: گزارش روزانه مشاور

AI می‌تواند داده‌های CRM را به گزارش کوتاه تبدیل کند:

فعالیت امروز:
- ۱۲ سرنخ جدید
- ۷ نیاز تکمیل‌شده
- ۹ فایل ارسال‌شده
- ۴ بازدید هماهنگ‌شده
- ۲ بازدید انجام‌شده

نیازمند اقدام:
- سه سرنخ بدون پیگیری
- دو فایل با اطلاعات قیمت قدیمی
- یک بازدید بدون ثبت بازخورد

پرامپت گزارش مدیریتی

داده فعالیت امروز دفتر املاک را به گزارش مدیریتی تبدیل کن.

خروجی:
- خلاصه فعالیت
- سرنخ‌های جدید
- پیگیری‌های عقب‌افتاده
- بازدیدهای امروز و فردا
- فایل‌های نیازمند تأیید مجدد
- مشکلات داده
- اقدام‌های اولویت‌دار فردا

قواعد:
- فقط از داده ورودی استفاده کن.
- آمار را دوباره محاسبه و کنترل کن.
- افراد را بدون معیار مشخص رتبه‌بندی نکن.
- پیشنهادها عملی و کوتاه باشند.

داده:
[داده CRM]

ساخت قابلیت‌های املاک با API درواره

درواره نرم‌افزار آماده املاک یا CRM نیست. درواره API هوش مصنوعی ارائه می‌کند تا توسعه‌دهندگان بتوانند این قابلیت‌ها را داخل CRM، وب‌سایت، پنل یا اپلیکیشن ملکی خود بسازند.

ابتدا از درواره کلید API دریافت کنید و آن را فقط در بک‌اند نگه دارید.

نصب کتابخانه Python

pip install openai

استخراج اطلاعات ملک با Python

import os
import json
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

raw_listing = """
آپارتمان ۱۱۵ متری دوخواب در طبقه سوم.
ساختمان آسانسور و پارکینگ دارد و حدود هشت سال ساخت است.
آشپزخانه بازسازی شده و واحد نور مناسبی دارد.
مالک ساکن است و بازدید باید از قبل هماهنگ شود.
"""

prompt = f"""
اطلاعات ملک زیر را استخراج کن:

{raw_listing}

فقط JSON معتبر با این فیلدها برگردان:
- property_type
- area_m2
- bedrooms
- floor
- building_age_years
- elevator
- parking
- storage
- balcony
- renovations
- natural_light
- occupancy_status
- visit_requirement
- missing_fields
- warnings

اطلاعات نامشخص را null قرار بده و هیچ مقداری را حدس نزن.
"""

response = client.chat.completions.create(
    model="MODEL_ID_DARVAREH",
    messages=[
        {
            "role": "system",
            "content": (
                "تو دستیار ثبت اطلاعات ملک هستی. "
                "فقط اطلاعات صریح را استخراج می‌کنی "
                "و هیچ ویژگی جدیدی نمی‌سازی."
            )
        },
        {
            "role": "user",
            "content": prompt
        }
    ],
    temperature=0.1
)

property_data = json.loads(
    response.choices[0].message.content
)

print(property_data)

مقدار MODEL_ID_DARVAREH را با Model ID درواره مدل انتخابی جایگزین کنید. برای بررسی مدل‌ها و قیمت به‌روز، صفحه مدل‌های درواره را ببینید.

تولید آگهی از داده تأییدشده

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

property_json = """
{
  "property_type": "آپارتمان",
  "area_m2": 115,
  "bedrooms": 2,
  "floor": 3,
  "building_age_years": 8,
  "elevator": true,
  "parking": true,
  "storage": null,
  "balcony": null,
  "renovations": ["آشپزخانه"],
  "natural_light": "مناسب",
  "occupancy_status": "سکونت مالک",
  "visit_requirement": "هماهنگی قبلی"
}
"""

response = client.chat.completions.create(
    model="MODEL_ID_DARVAREH",
    messages=[
        {
            "role": "system",
            "content": (
                "تو کپی‌رایتر آگهی املاک هستی. "
                "فقط از داده تأییدشده استفاده می‌کنی "
                "و هیچ ویژگی، قیمت یا ادعایی اضافه نمی‌کنی."
            )
        },
        {
            "role": "user",
            "content": f"""
بر اساس JSON زیر یک آگهی فارسی بنویس:

{property_json}

خروجی شامل:
- سه عنوان
- متن کوتاه
- متن کامل
- ویژگی‌ها
- CTA
- پرسش‌های تکمیلی

از عبارت‌های اغراق‌آمیز استفاده نکن.
"""
        }
    ],
    temperature=0.5
)

print(response.choices[0].message.content)

تطبیق مشتری و ملک با کد

در سیستم واقعی بهتر است ابتدا فیلترهای قطعی در کد اجرا شوند و سپس AI توضیح و رتبه‌بندی تکمیلی را انجام دهد.

def passes_hard_filters(customer, property_item):
    if (
        customer.get("transaction_type")
        != property_item.get("transaction_type")
    ):
        return False

    max_budget = customer.get("maximum_budget")
    price = property_item.get("total_price")

    if (
        max_budget is not None
        and price is not None
        and price > max_budget
    ):
        return False

    min_bedrooms = customer.get("minimum_bedrooms")
    bedrooms = property_item.get("bedrooms")

    if (
        min_bedrooms is not None
        and bedrooms is not None
        and bedrooms < min_bedrooms
    ):
        return False

    required_features = customer.get(
        "required_features",
        []
    )

    for feature in required_features:
        if property_item.get(feature) is not True:
            return False

    return True

پس از حذف موارد ناسازگار، می‌توانید فایل‌های باقی‌مانده را برای رتبه‌بندی معنایی به مدل بدهید.

چرا منطق قطعی را به مدل نسپاریم؟

برخی قواعد باید قابل پیش‌بینی باشند:

• قیمت از سقف بودجه بیشتر است یا نیست.
• پارکینگ وجود دارد یا ندارد.
• نوع معامله فروش است یا اجاره.
• تعداد اتاق کافی است یا نیست.

برای این موارد، کد معمولی دقیق‌تر و ارزان‌تر است. مدل زبانی را برای وظایفی به کار ببرید که نیازمند درک متن، خلاصه‌سازی، استخراج یا توضیح هستند.

معماری سامانه هوشمند املاک

ورود فایل توسط مشاور
        ↓
استخراج اطلاعات با API درواره
        ↓
نمایش برای تأیید مشاور
        ↓
ذخیره داده استاندارد
        ↓
تولید آگهی و محتوای شبکه اجتماعی
        ↓
ثبت درخواست مشتری
        ↓
استخراج نیازهای ضروری و ترجیحی
        ↓
فیلتر قطعی فایل‌ها در Backend
        ↓
جست‌وجوی معنایی و رتبه‌بندی
        ↓
تأیید پیشنهادها توسط مشاور
        ↓
ارسال فایل و ثبت تعامل
        ↓
پیگیری و تحلیل نتیجه

مدل داده پیشنهادی

فایل ملک

{
  "id": "P-1048",
  "transaction_type": "sale",
  "property_type": "apartment",
  "area_m2": 115,
  "bedrooms": 2,
  "floor": 3,
  "elevator": true,
  "parking": true,
  "storage": null,
  "total_price": null,
  "status": "active",
  "last_verified_at": "2026-07-20T08:30:00Z",
  "ai_generated_listing_version": 2,
  "human_verified": true
}

درخواست مشتری

{
  "id": "R-2204",
  "transaction_type": "sale",
  "property_type": "apartment",
  "maximum_budget": null,
  "minimum_area_m2": 90,
  "maximum_area_m2": 120,
  "minimum_bedrooms": 2,
  "required_features": [
    "parking"
  ],
  "preferred_features": [
    "balcony",
    "natural_light"
  ],
  "status": "needs_budget",
  "assigned_agent_id": "A-18"
}

وضعیت‌های لازم برای محتوای AI

draft
needs_review
approved
published
rejected
outdated

هیچ آگهی AI نباید بدون مرحله بررسی، مستقیماً منتشر شود.

اتصال به CRM

یکپارچه‌سازی می‌تواند این جریان‌ها را خودکار کند:

ثبت سرنخ

فرم سایت
        ↓
استخراج نیاز
        ↓
ساخت Contact در CRM
        ↓
ایجاد Task برای مشاور

تماس

Transcript تماس
        ↓
خلاصه‌سازی
        ↓
ثبت نیاز و اعتراض
        ↓
پیشنهاد Next Action
        ↓
تأیید مشاور

بازدید

ثبت بازخورد
        ↓
دسته‌بندی دلیل رد یا پذیرش
        ↓
به‌روزرسانی ترجیحات
        ↓
جست‌وجوی مجدد فایل‌ها

CRMهای مجهز به AI می‌توانند به ثبت تماس، مدیریت Lead و پیگیری کمک کنند. با این حال، Workflow باید با ساختار واقعی دفتر املاک هماهنگ شود، نه اینکه فرایند دفتر صرفاً بر اساس محدودیت ابزار تغییر کند.

استفاده از n8n برای اتوماسیون املاک

یک Workflow ساده در n8n می‌تواند چنین باشد:

Webhook دریافت درخواست مشتری
        ↓
اعتبارسنجی ورودی
        ↓
ارسال متن به API درواره
        ↓
Parse کردن JSON
        ↓
ذخیره در CRM
        ↓
اجرای فیلتر فایل‌ها
        ↓
ثبت Task برای مشاور
        ↓
ارسال اعلان داخلی

برای پیام مشتری بهتر است ابتدا پیش‌نویس ساخته و سپس توسط مشاور تأیید شود.

کنترل هزینه API

برای کاهش هزینه:

• اطلاعات ساختاریافته را دوباره استخراج نکنید.
• نتیجه تأییدشده را ذخیره کنید.
• فقط فیلدهای لازم را برای مدل بفرستید.
• فیلترهای عددی را در کد اجرا کنید.
• برای دسته‌بندی ساده از مدل سبک‌تر استفاده کنید.
• برای تولید آگهی از مدل مناسب نگارش استفاده کنید.
• تعداد بازتولید متن را محدود کنید.
• پرامپت‌های ثابت را نسخه‌بندی کنید.
• مصرف هر دفتر یا کاربر را ثبت کنید.
• درخواست‌های نامعتبر را پیش از API رد کنید.

قیمت ثابت در مقاله درج نمی‌کنیم؛ چون مدل‌ها و تعرفه‌ها ممکن است تغییر کنند. اطلاعات به‌روز در صفحه مدل‌های درواره قرار دارد.

ارزیابی کیفیت سیستم

ارزیابی استخراج فایل

یک دیتاست آزمایشی بسازید:

{
  "input": "متن خام ملک",
  "expected": {
    "area_m2": 115,
    "bedrooms": 2,
    "parking": true
  }
}

معیارها:

• صحت متراژ
• صحت قیمت
• صحت تعداد اتاق
• تشخیص ویژگی نامشخص
• عدم تولید اطلاعات ساختگی
• تشخیص تناقض

ارزیابی تطبیق

برای چند مشتری، فایل‌های مناسب و نامناسب را با نظر کارشناسی مشخص کنید و رتبه‌بندی سیستم را با آن مقایسه کنید.

ارزیابی آگهی

• صحت اطلاعات
• خوانایی
• نبود اغراق
• تناسب با مخاطب
• میزان ویرایش انسانی
• نرخ تعامل پس از انتشار

اشتباهات رایج استفاده از AI در املاک

انتشار اطلاعات ساختگی

مدل ممکن است برای تکمیل متن، انباری، بالکن یا منظره‌ای را اضافه کند. فیلد نامشخص باید نامشخص باقی بماند.

تخمین قیمت بدون داده کافی

قیمت‌گذاری ملک به داده‌های معتبر، زمان، موقعیت و ویژگی‌های متعدد نیاز دارد. خروجی مدل عمومی را قیمت کارشناسی در نظر نگیرید.

تغییر غیرواقعی تصاویر

بهبود نور با افزودن پنجره، تغییر ابعاد یا حذف عیب واقعی تفاوت دارد.

ثبت نیاز مشتری به شکل متن آزاد

بدون داده ساختاریافته، فیلتر و تطبیق دقیق دشوار می‌شود.

ارسال خودکار پیام بدون تأیید

ممکن است متن شامل اطلاعات اشتباه، فایل قدیمی یا زمان نامعتبر باشد.

نادیده‌گرفتن تاریخ اعتبار فایل

فایل فعال دیروز ممکن است امروز تغییر کرده باشد. زمان آخرین تأیید را ثبت کنید.

استفاده از AI برای قواعد قطعی

مقایسه عددی بودجه و قیمت باید با کد انجام شود، نه مدل زبانی.

ثبت‌نکردن نسخه پرامپت

اگر خروجی سیستم تغییر کند، بدون نسخه‌بندی نمی‌توانید علت آن را پیدا کنید.

ارسال همه اطلاعات CRM به مدل

فقط اطلاعات ضروری همان وظیفه را ارسال کنید.

پاسخ عمومی به همه مشتریان

پیام باید مرحله، نیاز و تعامل قبلی مشتری را منعکس کند.

چک‌لیست راه‌اندازی AI در دفتر املاک

داده فایل

• فیلدهای استاندارد تعریف شده‌اند.
• واحد قیمت یکسان است.
• زمان آخرین تأیید ثبت می‌شود.
• ویژگی ضروری و اختیاری جدا شده است.
• فیلد نامشخص قابل ثبت است.

داده مشتری

• بودجه ثبت شده است.
• محدوده‌های اصلی و قابل قبول جدا هستند.
• نیازهای ضروری مشخص‌اند.
• ترجیحات جدا ثبت می‌شوند.
• زمان تصمیم‌گیری مشخص است.

تولید آگهی

• فقط از داده تأییدشده استفاده می‌شود.
• متن قبل از انتشار بررسی می‌شود.
• تصویر واقعیت ملک را تغییر نمی‌دهد.
• اطلاعات تماس و بازدید صحیح‌اند.
• تاریخ اعتبار فایل کنترل شده است.

CRM

• هر سرنخ مسئول مشخص دارد.
• Next Action ثبت می‌شود.
• پیگیری‌های عقب‌افتاده قابل مشاهده‌اند.
• بازخورد بازدید ثبت می‌شود.
• دلیل بسته‌شدن درخواست مشخص است.

API و اتوماسیون

• کلید API در بک‌اند است.
• خروجی JSON اعتبارسنجی می‌شود.
• خطاها ثبت می‌شوند.
• Retry محدود وجود دارد.
• اقدامات مهم تأیید انسانی دارند.
• هزینه هر Workflow پایش می‌شود.

برنامه عملی هفت‌روزه برای شروع

روز اول: انتخاب کاربرد

تولید آگهی یا استخراج مشخصات ملک را انتخاب کنید.

روز دوم: تعریف ساختار داده

فیلدهای فایل و مشتری را استاندارد کنید.

روز سوم: ساخت نمونه

۲۰ فایل واقعی اما بدون اطلاعات غیرضروری را آماده کنید.

روز چهارم: طراحی پرامپت

استخراج اطلاعات و تولید آگهی را آزمایش کنید.

روز پنجم: کنترل کیفیت

خروجی‌ها را با داده مرجع مقایسه کنید و خطاها را ثبت کنید.

روز ششم: اتصال به Workflow

فرم یا CRM را به API متصل کنید، اما تأیید انسانی را نگه دارید.

روز هفتم: اندازه‌گیری

زمان، دقت و میزان ویرایش را با روش قبلی مقایسه کنید.

ایده‌های محصول AI برای بازار املاک

توسعه‌دهندگان می‌توانند این محصولات را با API درواره بسازند:

• مولد آگهی ملک
• استخراج‌کننده مشخصات فایل
• دستیار ثبت فایل
• موتور تطبیق مشتری و ملک
• جست‌وجوی معنایی فایل‌ها
• دستیار CRM املاک
• خلاصه‌ساز تماس
• مولد پیام پیگیری
• تحلیل‌گر بازخورد بازدید
• سیستم تولید محتوای ملکی
• گزارش‌ساز مدیر دفتر
• دستیار داخلی مشاوران
• پنل کنترل کیفیت آگهی
• پیشنهاددهنده سؤال‌های تکمیلی
• سیستم تشخیص فایل قدیمی یا ناقص

برای محصول اولیه بهتر است یک مسئله مشخص را بسیار خوب حل کنید؛ برای مثال تبدیل توضیحات خام مشاور به فایل ساختاریافته و آگهی قابل بررسی.

پرسش‌های متداول

بهترین هوش مصنوعی برای مشاوران املاک چیست؟

بهترین ابزار به کاربرد بستگی دارد. مدل زبانی برای آگهی، استخراج اطلاعات و پیام؛ مدل تصویری برای آماده‌سازی تصویر؛ CRM برای مدیریت مشتری؛ و API درواره برای ساخت سامانه اختصاصی استفاده می‌شود.

آیا هوش مصنوعی می‌تواند متن آگهی ملک بنویسد؟

بله. اگر مشخصات تأییدشده ملک را ارائه دهید، AI می‌تواند چند عنوان و متن آگهی بسازد. پیش از انتشار باید تمام ویژگی‌ها بررسی شوند.

چگونه با AI مشتری و ملک را تطبیق دهیم؟

ابتدا نیاز مشتری و مشخصات فایل‌ها را ساختاریافته کنید. شرایط ضروری را با کد فیلتر کنید و سپس برای رتبه‌بندی ترجیحات و توضیح نتیجه از AI کمک بگیرید.

آیا AI می‌تواند قیمت ملک را تعیین کند؟

مدل عمومی نباید جایگزین ارزیابی کارشناسی و داده معتبر بازار شود. می‌توان از AI برای سازمان‌دهی داده‌های مقایسه‌ای استفاده کرد، اما نتیجه نهایی باید بررسی شود.

چگونه از AI برای پیگیری مشتری استفاده کنیم؟

مرحله مشتری، آخرین تعامل، فایل‌های ارسال‌شده و هدف پیگیری را به مدل بدهید تا پیش‌نویس کوتاه بسازد. پیام باید قبل از ارسال تأیید شود.

آیا می‌توان پیام‌های مشتریان را خودکار دسته‌بندی کرد؟

بله. AI می‌تواند پیام را به درخواست خرید، اجاره، بازدید، ثبت فایل یا پیگیری دسته‌بندی و Next Action پیشنهاد کند.

آیا می‌توان از عکس ملک برای تولید محتوا استفاده کرد؟

بله. می‌توان نور و کادر را اصلاح، عکس شاخص را انتخاب و نسخه شبکه اجتماعی ساخت. تصویر نباید ویژگی یا فضای غیرواقعی ایجاد کند.

درواره چه کاربردی برای پلتفرم‌های املاک دارد؟

API درواره می‌تواند برای استخراج اطلاعات، تولید آگهی، دسته‌بندی سرنخ، خلاصه‌سازی تماس، تطبیق فایل و مشتری و ساخت دستیار هوشمند داخل نرم‌افزار املاک استفاده شود.

آیا درواره نرم‌افزار آماده املاک ارائه می‌دهد؟

درواره در این کاربرد نقش ارائه‌دهنده API هوش مصنوعی را دارد. توسعه‌دهندگان می‌توانند API را به CRM، سایت یا نرم‌افزار اختصاصی خود متصل کنند.

جمع‌بندی

هوش مصنوعی برای مشاوران املاک زمانی بیشترین ارزش را ایجاد می‌کند که اطلاعات پراکنده فایل‌ها و مشتریان را به داده منظم و قابل استفاده تبدیل کند. پس از استانداردسازی داده، می‌توان آگهی تولید کرد، درخواست‌ها را دسته‌بندی کرد، فایل مناسب پیشنهاد داد و پیگیری‌ها را مدیریت کرد.

برای شروع، یک کار پرتکرار مانند استخراج اطلاعات فایل یا تولید آگهی را انتخاب کنید. خروجی را با اطلاعات واقعی مقایسه کنید و هیچ متن، پیام یا پیشنهادی را بدون بررسی مشاور مستقیماً منتشر نکنید.

اگر می‌خواهید قابلیت‌های هوش مصنوعی را به CRM، سایت یا اپلیکیشن املاک خود اضافه کنید، از درواره کلید API دریافت کنید. برای انتخاب مدل مناسب تحلیل متن، تولید محتوا، تصویر و سایر وظایف نیز فهرست مدل‌های درواره را ببینید.

مقالات مرتبط

• آموزش افزایش فروش و تحلیل مشتری با هوش مصنوعی
• اتصال CRM به مدل‌های هوش مصنوعی
• تحلیل بازخورد مشتریان با هوش مصنوعی
• تولید محتوا برای اینستاگرام با هوش مصنوعی
• ویرایش عکس با هوش مصنوعی
• حذف اشیا و افراد از عکس با هوش مصنوعی
• افزایش کیفیت عکس با هوش مصنوعی
• طراحی دکوراسیون با هوش مصنوعی
• هوش مصنوعی معماری؛ طراحی ساختمان، نما و رندر
• جست‌وجوی معنایی چیست؟
• آموزش اتصال API هوش مصنوعی به نرم‌افزار
• راهنمای دریافت API Key هوش مصنوعی