Информационная Аналитическая Система м ассовой и индивидуальной о ценки н едвижимости на основе «Cloud Computing» - «Облачные вычисления» Нейман Е.И. Вице-президент РОО Президент МАОК Член НСОД к.т.н., доц.
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, ArcGIS, моделей КРА, алгоритмов нейронных сетей). Порядок работы с облачными вычислениями на Amazon (ГИС) примерно таков: Пользователь приобретает ArcGIS Server Имея лицензию на ArcGIS Server пользователь получает право бесплатно использовать его копию в облаке Amazon ESRI предоставляет пользователю виртуальную машину с развернутым на ней экземпляром ArcGIS 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
Расчётные методы и Программное обеспечение МООН в «Облаке» Типы выявляемых закономерностей ассоциация высокая вероятность связи событий друг с другом (например, связь типа ОН и прав собственности и топологическая близость); последовательность высокая вероятность цепочки связанных во времени событий (например, при наличии одного типа улучшений высока степень вероятности других); классификация имеются признаки, характеризующие группу, к которой принадлежит то или иное событие или объект (обычно при этом на основании анализа уже классифицированных событий формулируются некие правила); кластеризация закономерность, сходная с классификацией и отличающаяся от нее тем, что сами группы при этом не заданы они выявляются автоматически в процессе обработки данных; временные закономерности наличие шаблонов в динамике поведения тех или иных данных (типичный пример сезонные колебания спроса на те или иные товары либо услуги), используемых для прогнозирования. Методы исследования данных DM регрессионный, дисперсионный и корреляционный анализ; методы анализа в конкретной предметной области, базирующиеся на эмпирических моделях (часто применяются, например, в недорогих средствах финансового анализа); нейросетевые алгоритмы, идея которых основана на аналогии с функционированием нервной ткани и заключается в том, что исходные параметры рассматриваются как сигналы, преобразующиеся в соответствии с имеющимися связями между «нейронами», а в качестве ответа, являющегося результатом анализа, рассматривается отклик всей сети на исходные данные. Связи в этом случае создаются с помощью «обучения сети» посредством выборки большого объема, содержащей как исходные данные, так и правильные ответы; алгоритмы выбор близкого аналога исходных данных из уже имеющихся исторических данных. Называются также методом «ближайшего соседа»; деревья решений иерархическая структура, базирующаяся на наборе вопросов, подразумевающих ответ «Да» или «Нет»; несмотря на то, что данный способ обработки данных далеко не всегда идеально находит существующие закономерности, он довольно часто используется в системах прогнозирования в силу наглядности получаемого ответа; кластерные модели (иногда также называемые моделями сегментации) применяются для объединения сходных событий в группы на основании сходных значений нескольких полей в наборе данных; также весьма популярны при создании систем прогнозирования; алгоритмы ограниченного перебора, вычисляющие частоты комбинаций простых логических событий в подгруппах данных; эволюционное программирование поиск и генерация алгоритма, выражающего 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 бизнес-процессами, 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.
Порядок разработки и внедрения «Облака» при реализации МООН В соответствии с имеющимися ресурсными возможностями и реальными потребностями внедрение «Облака» МООН целесообразно осуществить в три этапа: 1. Организационный: Подписание соглашения о совместной деятельности между НСОД и Росреестром по организации систе6мы информационно – аналитического обеспечения МООН; Создание объединенной рабочей группы по реализации проекта; Подготовка предложений по формированию Технологической платформы для реализации проекта «Национальное агентство стоимостного анализа – НАСА России» в рамках которого «Облако МООН» является первым пилотным проектом. 2. Подготовка действующего макет Портала «Облако МООН» Приобретение лицензии ArcGis Strver в форматах облачных приложений Amazon (ESRI предоставляет виртуальную машину с развернутым на ней ArcGis, договор на хостинг заключается с Amazon); Подготовка макета портала на основе системы информационно – аналитического обеспечения оценки недвижимости по заданию ГК «ОЛИМПСТРОЙ» и Портала Росреестра – «Публичная кадастровая карта». Тестовая эксплуатация Портала как составной части Государственного Фонда данных кадастровой оценки в части «условно достоверных» данных о рынке недвижимости: цены спроса и предложения, цены сделок от риэлторских и инвестиционных компаний, предложения по зонированию). 3. Промышленная эксплуатация Проведение оценки кадастровой стоимости оценщиками Экспертиза отчетов об оценке кадастровой стоимости СРОО Обеспечение процесса аппиляций и работы Комиссий по рассмотрению споров по результатам КО. :