Информационная Аналитическая Система массовой и индивидуальной оценки недвижимости

Информационная Аналитическая Система массовой и индивидуальной оценки недвижимости на основе «Cloud Computing» - «Облачные вычисления» Нейман Е. И. Вице-президент РОО Президент МАОК Член НСОД Генеральный директор ЗАО «РОСЭКО» Фингерт А. Б. Зам. ген. директора ЗАО «РОСЭКО»

Исходные условия • Организация и проведение массовой оценки объектов недвижимости (МООН) требует одновременной совместной длительной работы многих групп оценщиков (сотрудников различных компаний – членов СРОО) в различных регионах всех Субъектов Федерации • Работа выполняется в интересах СФ и муниципальных образований • Структура ОН, специфика местоположения, различия в экономической и географической ситуации, структура и полнота исходных данных о них, а также различия в менталитете населения не позволяют пользоваться едиными формулами для вычисления стоимости – нельзя всех стричь под одну гребёнку • Необходимо обеспечить планомерную справедливую и прозрачную МООН за разумное время и разумные средства

Технология «Cloud Computing» - «Облачные вычисления» для целей оценки недвижимости Технологии «Cloud Computing» облачных вычислений могут оказаться полезными в трех ключевых областях: • Новаторство в бизнесе. Технологии облачных вычислений способствуют инновациям, поскольку позволяют организациям быстро и экономически эффективно исследовать потенциал новых возможностей оптимизации бизнеса на базе ИТ- технологий за счет их гибкого масштабирования практически без ограничений. • Оказание услуг. Технологии облачных вычислений обеспечивают динамическую доступность ИТ- приложений и инфраструктуры. . Модель облачных вычислений способна усовершенствовать деятельность организации в таких областях, как SOA. управление информацией и управление услугами, что, в свою очередь, поддержит инициативы компании по сказанию услуг. • ИТ-оптимизация. Модель облачных вычислений обеспечивает высокую степень масштабируемости. Она позволяет организации быстро расширить набор ИТ-сервисов или получить к ним доступ без необходимости капитальной модернизации своего базового центра обработки данных.

Принципиальная схема информационных потоков в «Облаке массовая и индивидуальная оценка ОН» .

Информационные источники и функции основных участников «Облака» Росреестр (ФКЦ «ЗЕМЛЯ» ): • DATA – Центр - заказчик, владелец информации по описанию ОН (кадастровые паспорта) и картография, данные по сделкам с ОН, передача данных в территориальные подразделения ФНС; Информационные и аналитические агентства, риэлторы: • Информация о ценах спроса и предложения, данные о сделках, данные об ипотеке и т. д. ; Субъекты Федерации и органы местного самоуправления, БТИ: • Планы развития территорий, данные о параметрах социально – экономического развития, технические паспорта ОН; Оценщики и СРОО: • Результаты оценок и экспертиз рыночной и кадастровой стоимости; Комиссии в субъектах Федерации • Процедура внесудебного оспаривания результатов кадастровой оценки.

Основные причины перехода на «облачные технологии» при массовой и индивидуальной оценке ОН • • Информация у потенциальных участников присутствует в различных форматах; Отсутствие налаженного механизма получения и верификации информации об ОН для целей оценки; Существенные материальные затраты оценщиков и СРОО для обеспечения функционирования полноценной системы информационно – аналитического обеспечения: софт, «железо» , обученный IT – персонал и т. л. для целей оценки и экспертизы Необходимостью в обработке и хранении в единых форматах больших объемов информации; Отсутствием у основной массы экспертов навыков работы с ГИС – системами; Различиями в квалификациях как оценщиков, так и экспертов СРОО. Обеспечением оперативности при реализации процедур внесудебного оспаривания результатов кадастровой оценки. Необходимостью создания полноценной системы мониторинга рынка недвижимости, включающую в себя как данные РОСРЕЕСТРА, так и данные с рынка – Фонд данных ГКОН

Стратегия самоорганизации и самонастройки для организации «Облака по массовой и индивидуальной оценки ОН» на основе Data Mining Принципы и Процессы Data Mining • Обнаружение информации – мониторинг рынка недвижимости; • Гибкость инфраструктуры поиска информации; • Наличие четко определенной стратегии; • Наличие множество контрольных точек; • Периодичность оценки; • Настраиваемость с помощью обратных связей; • Итеративная архитектура.

Инструменты и функции «Облака» • Портал: коммуникации с участниками (порталами) процесса, унификация доступа к разноформатным данным (общая шина) их верификация; • Организация и руководство работы оценщиков: разработка единого подхода и уникальных для регионов локальных методик МО, планирование, инструментальное и аналитическое обеспечение деятельности оценщиков; • Координация взаимодействия со всеми участниками (отчётность перед заказчиком, правовая поддержка, актуализация стандартов, outsourcing ITC); • Создание баз знаний и технологий МООН

Работа с оценщиками и экспертами в «Облаке» Решение задач сравнительного анализа с помощью стандартных моделей, CRM, использование геоинформационных систем, et cetera) могут быть реализованы с помощью облачных вычислений за счёт уже имеющихся функционирующих сервисов (Expert Choice, Arc. GIS, моделей КРА, алгоритмов нейронных сетей). Порядок работы с облачными вычислениями на Amazon (ГИС) примерно таков: • Пользователь приобретает Arc. GIS Server • Имея лицензию на Arc. GIS Server пользователь получает право бесплатно использовать его копию в облаке Amazon • ESRI предоставляет пользователю виртуальную машину с развернутым на ней экземпляром Arc. GIS Server • Пользователь заключает с Amazon договор на хостинг этой машины в облаке • Предоставление инструментов и средств ITC для проведения расчётов по оценке; • Обеспечение данными по картографии, АЦП и кадастровой информацией из официальных (Росреестр), обработке данных местных БТИ; • Обучение и разработка локальных методик в рамках единой стратегии МООН; • Создание базы знаний МООН, коллективного интеллекта, организация консультаций и оказание производственной помощи в критических ситуациях (ошибки вычислений, недостаток информации, правовые нарушения и юридические преследования, задержка сроков выполнения работ, санация данных по сделкам и предложениям и т. д. ); • Организация консультаций с группой экспертов в режиме 24*365

Прототип системы – экспертиза результатов кадастровой оценки (Омская область). • Портал проекта в сети Интернет: • Блок верификации и анализа объектов оценки и объектов – аналогов (данные о ценах сделок, спроса и предложения) с использованием описания земельных участков и объектов недвижимости с применением Яндекс – карт и системы Arc. GIS; • Блок автоматизированных рабочих мест (АРМ), предназначенных для формирования БД системы мониторинга и организации логического и фактографического контроля на этапе сбора данных об объектах – аналогах; • Блок анализа данных с помощью механизмов Data Mining (DM), Knowledge Discovery in Data Bases (KDD) и геоинформационных систем (GIS) для целей ценового зонирования; • Блок построения статистических моделей массовой оценки ОН; • Блок калибровки и оценки статистической достоверности полученных моделей;

Портал проекта

Проверка основных ценообразующих факторов • Результаты расчетов оценщика были обработаны оценщиком – экспертом с использованием ГИС - систем • В результате проверки оценщика – эксперта были поттверждены следующие факторы стоимости: • площадь земельного участка в кв. метрах; • расстояние до центра города в метрах; • расстояние до рекреационной зоны в метрах; • расстояние до производственных зон в метрах; • расстояние до основных магистралей в метрах; • Кроме того, для ВРИ 1 и 2 дополнительно были выбраны социальные факторы: • наличие школы в радиусе до 500 метров от земельного участка (по нормативу); наличие детского сада в радиусе до 300 метров от земельного участка (по нормативу наличие поликлиники в радиусе до 1000 метров от земельного участка (по нормативу);

Описание объектов (в системе Arc. GIS)

Описание объектов оценки

Описание ЗУ и зон

Кластеризация объектов – аналогов для целей экспертизы • Набор аналогов в количестве 51 участка был кластеризован с помощью ПО Deductor 5. 2. 1 по следующим признакам удалённости от: • Центра, • рекреационной зоны, • объектов индустрии, • зон негативного влияния, • дорог, • а также по категориальному признаку группы GR {GR 1, GR 2, GR 3}.

Общий вид из Космоса

Kohonen Карта

Диаграмма рассеяния Kohonen

Kohonen Анализ «Что-если»

Расчётные методы и Программное обеспечение МООН в «Облаке» Методы исследования данных DM • • • регрессионный, дисперсионный и корреляционный анализ; Типы выявляемых закономерностей • ассоциация — высокая вероятность связи событий друг с другом (например, связь методы анализа в конкретной предметной области, базирующиеся на типа ОН и прав собственности и эмпирических моделях (часто применяются, например, в недорогих средствах топологическая близость); финансового анализа); • последовательность — высокая нейросетевые алгоритмы, идея которых основана на аналогии с вероятность цепочки связанных во функционированием нервной ткани и заключается в том, что исходные параметры рассматриваются как сигналы, преобразующиеся в соответствии с имеющимися времени событий (например, при наличии одного типа улучшений высока степень связями между «нейронами» , а в качестве ответа, являющегося результатом вероятности других); анализа, рассматривается отклик всей сети на исходные данные. Связи в этом случае создаются с помощью «обучения сети» посредством выборки большого • классификация — имеются признаки, характеризующие группу, к которой объема, содержащей как исходные данные, так и правильные ответы; принадлежит то или иное событие или алгоритмы — выбор близкого аналога исходных данных из уже имеющихся объект (обычно при этом на основании исторических данных. Называются также методом «ближайшего соседа» ; анализа уже классифицированных событий деревья решений — иерархическая структура, базирующаяся на наборе вопросов, формулируются некие правила); подразумевающих ответ «Да» или «Нет» ; несмотря на то, что данный способ • кластеризация — закономерность, обработки данных далеко не всегда идеально находит существующие закономерности, он довольно часто используется в системах прогнозирования в сходная с классификацией и отличающаяся от нее тем, что сами группы при этом не силу наглядности получаемого ответа; заданы — они выявляются автоматически кластерные модели (иногда также называемые моделями сегментации) в процессе обработки данных; применяются для объединения сходных событий в группы на основании сходных • временные закономерности — наличие значений нескольких полей в наборе данных; также весьма популярны при шаблонов в динамике поведения тех или создании систем прогнозирования; иных данных (типичный пример — алгоритмы ограниченного перебора, вычисляющие частоты комбинаций простых сезонные колебания спроса на те или иные логических событий в подгруппах данных; товары либо услуги), используемых для эволюционное программирование — поиск и генерация алгоритма, выражающего прогнозирования. взаимозависимость данных, на основании изначально заданного алгоритма, модифицируемого в процессе поиска; иногда поиск взаимозависимостей осуществляется среди каких-либо определенных видов функций (например, полиномов); метод анализа иерархий Метод Монте-Карло.

Задачи, которые в «Облаке» решаются в духе Data Mining • • экспорт модели в ряд структур баз данных; экспорт модели в формате, удобном для импорта в другие приложения для поддержки принятия решений и бизнес-операций; передача данных из одного алгоритма в другой (мета-моделирование); сравнение результатов различных алгоритмов. Процесс поиска знаний • Data mining можно считать частью более широкого процесса, называемого поиском знаний (knowledge discovery — KD). Помимо DM-операций, поиск знаний также может содержать некоторые элементы, определяющие извлечение данных из исходных систем, а также из приложений, в которые поступают аналитические данные из инструментов data mining. К этим приложениям относятся средства Business Intelligence для создания управленческой отчетности, а также системы проверки маркетинговых кампаний и маркетинговых результатов. • После получения всех знаний, их необходимо трансформировать в модели, которые могут служить входной информацией для различных бизнес-процессов, повышающих справедливость результатов МООН. Управление знаниями • Еще более широкий контекст для data mining, выходящий за рамки управления бизнеспроцессами, — управление знаниями (knowledge management — KM), которое можно определить как процесс, включающий широкий круг методов и подходов, в том числе генерацию, сбор и разделение знаний, относящихся к повышению достоверности результатов МООН в каждом конкретном регионе.

Специфика Корпоративной Информационно Коммуникационной Среды (КИКС) для оценки требует создания особых условий для обеспечения надёжной, эффективной и экономичной работы оценщика средствами Информационно Коммуникационных Технологий (ИКТ; Information Communication Technology - ICT). Специфика организации рабочего места оценщика: • отсутствие (невозможность оперативной поддержки) единого корпоративного стандарта на ПО, OS и оборудование для организации рабочего места оценщика, вследствие финансовой и организационной независимости и территориальной рассредоточенности Компаний Оценщиков; • отсутствие возможности организовать информационную, вирусную и физическую защиту и безопасность ПО, данных, OS и ICT оборудования рабочего места оценщика; • отсутствие быстрого Internet соединения для доступа к необходимым данным во время работы; • необходимость поддержания единой лицензированной версии корпоративного ПО и OS; • необходимость обеспечения легального доступа к Сайтам третьих сторон в соответствии с их финансовой политикой; • необходимость поддержки обмена данными с базами данных государственных учреждений и организаций. Обмен данными должен производиться с разделением каналов приема и передачи данных, причем каждый такой канал должен обеспечивать только одностороннюю передачу данных на физическом уровне. • необходимость одновременного Internet соединения с несколькими Internet Сервисами, ресурсами и Сайтами; • необходимость обеспечения достаточного мощного вычислительного ресурса (ОЗУ, Дисковое пространство, производительность, физическая надёжность, ) на рабочем месте оценщика; • отсутствие надлежащей ICT квалификации (Системный Администратор) у оценщика для поддержания в рабочем состоянии одного или нескольких рабочих мест, экономическая и организационная нецелесообразность обеспечения Компаний Оценщиков квалифицированными ICT специалистами. Общее количество одновременно активных рабочих мест: от 10‑ти до 20‑ти тысяч.

Возможное решение: Организация удалённых рабочих столов (Terminal Server и VDI)

Основные возможности: • обеспечение единства методологии и централизованной сертификации отчётов по оценке с помощью Электронной Подписи (ЭП) • обеспечение одновременного быстрого Internet соединения с несколькими ресурсами третьих сторон (с конечными пользователями оценщиками достаточно обычно доступного соединения) • обеспечение непрерывности бизнеса, высокой степени доступности приложений для непрерывного доступа • обеспечение поддержки и обучения для удаленных конечных пользователей • обогащение опыта конечных пользователей (База Знаний) • обеспечение юридической, методологической, информационной поддержки в режиме on‑line • облуживание конечных пользователей в соответствии с SLA • организация аудио (и, по возможности, видео) конференций для производственных совещаний и технической поддержки конечных пользователей • организация CRM • организация управления проектами (PM) • ускорение и упрощение ввода в действие и обновления корпоративного прикладного и системного программного обеспечения • централизованное управление и администрирование • снижение затрат на приобретение лицензий • защита конфиденциальных корпоративных и клиентских данных • повышение надежности системы и рабочего места оценщика (физической, вирусной, информационной) • предоставление в любом месте и в любое время доступа к приложениям и данных • оптимизация IТC-ресурсов - снижение накладных расходов и полной стоимости владения • возможность организации управления ITC в соответствии со стандартами ITIL/ITSM • поддержка системы в режиме (7 x 24 x 365)

Способы минимизации рисков в оценочной деятельности Необходим новый формат работы, при котором, объединив усилия и средства для создания системы управления знаниями в оценке стоимости имущества, появляется возможность, используя эту систему для достижения конкурентных преимуществ, создать условия при которых отношение к оценке в обществе кардинально изменится.

Спасибо за внимание Нейман Евгений Иосифович Вице – президент РОО Член НСОД. Генеральный директор ЗАО «РОСЭКО» Фингерт Александр Борисович Зам. ген. директора ЗАО «РОСЭКО» Тел. /факс +7 (495) 984 -74 -51 E-mail roseco@roseco. ru