CasaHunter — Come ho costruito un tool che cerca casa al posto tuo
1.000+
annunci processati giornalmente. 73 HIGH (75+/100), 322 MEDIUM (50-74), 524 LOW.
€0,25
costo AI + infrastruttura per utente al mese. Margine lordo 95%.
Come è nato
Dovevo trovare un appartamento a Modena. Come tutti in Italia, controllavo Immobiliare.it, Idealista, Subito e i siti delle agenzie separatamente — ogni piattaforma un silo, nessun modo di vedere il quadro completo. Gli appartamenti buoni sparivano in ore. Gli algoritmi non capivano la qualità; ordinavano solo per data o prezzo.
Allora ho scritto uno scraper in un weekend. Parser di ogni piattaforma, scoring degli annunci su qualità effettiva — non parole chiave, non popolarità, ma rapporto qualità-prezzo. Prezzo contro medie di zona. Stato dalle foto. Tempo di pendolarismo. Tutto quello che farebbe una persona, ma automatico.
L'ho fatto girare per settimane. La dashboard mostrava 1.029 annunci in Emilia-Romagna, colorati per score. La maggior parte era rumore. Ma quelli con score alto? Erano veramente buoni. E ho trovato il mio usando questo.
La prima versione
La dashboard v1 era semplice: una mappa con pin colorati (verde = qualità alta, giallo = media, rosso = bassa), e una vista lista con prezzo, stanze e score AI. Nessuna autenticazione, nessuna monetizzazione. Solo dati e logica.
Gli amici hanno iniziato a chiedermi accesso. Quello era il segnale. Non "è figo," ma "mi serve." Facevano esattamente quello che facevo io — controllare otto piattaforme a mano, frustrati dal rumore.
Vista mappa — pin colorati per score (verde = alto, giallo = medio, rosso = basso)
Vista lista — card con score AI, prezzo, metratura e analisi
Statistiche — distribuzione prezzi, categorie di score, analisi zone
Da tool a prodotto
La svolta non era la dashboard stessa. Era realizzare cosa mancava nel mercato: nessuno fa scoring di qualità basato su AI. Aggregatori esistono. Alert esistono. Ma aggregatori + scoring + "è questo appartamento per me?" — quello è un gap di prodotto.
Quel gap richiedeva un modello di costo. Lanciare Claude Sonnet su tutti i 1.000+ annunci giornalieri costerebbe migliaia al mese. Insostenibile. La risposta: essere spietati su cosa merita attenzione AI. Filtrare deterministicamente prima (prezzo, posizione, metratura — vincoli hard), poi spendere il budget AI su quello che passa il cancello.
Con quella matematica risolta, ho deciso di costruire un vero prodotto. Non solo un bot, ma un SaaS: Telegram per alert real-time, dashboard per l'analisi, infrastruttura enterprise.
Scoring a tre passaggi
Passaggio 1: Filtro deterministico. Prezzo, posizione, metratura, stanze. Il sistema processa 1.029 annunci al giorno. Questo passaggio elimina ~51% senza toccare il budget AI. Gira ogni ora, costo trascurabile.
Passaggio 2: Scoring con AI. Solo i restanti 49% vengono inviati a Claude Sonnet. Dati reali del 17 marzo: 73 HIGH (75+/100), 322 MEDIUM (50-74), 111 LOW. L'AI legge il testo, analizza le foto, controlla i quartieri, confronta i prezzi di zona.
Passaggio 3: Feedback loop. Il feedback su Telegram aggiusta lo scoring futuro. Il comando /outreach genera automaticamente template di contatto. Il sistema impara cosa vuoi veramente.
Questa struttura mantiene i costi a ~€0,25/utente/mese. Senza di essa, un ordine di grandezza superiore.
8 Scrapers
collectImmobiliare, Idealista, Subito, Casa.it + 4 more
Dedup & Normalize
cleanRemove duplicates, standardize fields, geocode
Pass 1: Hard Filter
80% filteredLocation, price, size — binary yes/no
Pass 2: AI Scoring
weightedTransport, light, floor, noise — 0-100
Pass 3: AI Analysis
deep reviewRed/green flags from listing text
Final Score
0–100Composite weighted score
Telegram
alertInstant notification if score > threshold
Il prototipo SaaS
Ho costruito un prototipo con Figma Make per testare la visione di prodotto: alert Telegram real-time, dashboard persistente, ricerche salvate, strumenti di comparazione. Non ancora monetizzato — in esecuzione su una waitlist per misurare la domanda prima.
L'economia funziona (95% margine a €5–10/utente/mese), ma la domanda è forte abbastanza? Gli amici che chiedono accesso è segnale. Customer acquisition cost e churn sono una misurazione diversa.
Il design completo del SaaS: landing page, dashboard, flusso di onboarding, pricing.
Apri il prototipoCosa dicono i numeri
1.000+
annunci processati giornalmente su 8 piattaforme italiane
73
annunci HIGH al giorno (7% signal-to-noise ratio)
€0,25
costo AI + infra per utente al mese. 95% margine lordo.
Amici che chiedono
Il segnale più precoce. Più significativo dei numeri.
Cosa ho imparato
Costruire intelligenza costa più che costruire aggregazione. Ogni SaaS aggrega qualcosa — il moat è cosa fai con i dati dopo. Per gli appartamenti, è scoring AI che risponde "è questo per me?"
L'economia unitaria determina la strategia di prodotto. A €0,25/utente/mese, il pareggio è ~150 utenti a €10/mese. Ha modellato tutto: l'architettura, le funzionalità, come andare sul mercato.
Validare prima, costruire dopo. La dashboard e il bot funzionano. Il SaaS non è live. Sto misurando la domanda prima di impegnarmi nell'assistenza clienti. Quella è la parte difficile — non il codice.
Risorse
Dashboard live: https://casahunter.vercel.app/ — lo scoring, gli annunci, l'intelligence di mercato.
Bot Telegram: Attivo 24/7 per il testing. Processa alert giornalieri, gestisce il comando /outreach per generare messaggi.