Cloud Computing» - «Облачные вычисления» для целей

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, 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
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 ArcGIS;
• 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 ArcGIS)
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  {GR1, GR2,GR3}.
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
•
•
•
•
•
•
•
•
•
•
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
функционированием нервной ткани и заключается в том, что исходные параметрывероятность цепочки связанных во
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
•классификация — имеются признаки,
случае создаются с помощью «обучения сети» посредством выборки большого
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
деревья решений — иерархическая структура, базирующаяся на наборе вопросов, событий 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
логических событий в подгруппах данных;
иные товары либо услуги), используемых
эволюционное программирование — поиск и генерация алгоритма, выражающегодля прогнозирования.
взаимозависимость данных, на основании изначально заданного
регрессионный, дисперсионный и корреляционный анализ;
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 (7x24x365)
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