Информационная Аналитическая Система массовой и индивидуальной оценки недвижимости на основе «Cloud Computing» - «Облачные вычисления»

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.