Урправління мережою агентств з нерухомості

Розробка та застосування інформаційно-аналітичного забезпечення процесів на ринку нерухомості зумовлено необхідністю внесення порядку в його структурну та елементну базу, що дасть можливість проведення цілеспрямованої державної політики.

3.1. Особливості ринку нерухомості

Український ринок нерухомості не має таких обсягів та не розвинений так, як, наприклад, ринок нерухомості США. Крім того, відсутність офіційних достовірних даних про обсяг проведених операцій із нерухомістю на ринку з боку суб’єктів цього ринку не дозволяють оцінити реальний оборот операцій з нерухомим майном, а відповідно – і ринкову вартість комерційної нерухомості.
Стежити за цінами житла у сучасних умовах розвитку ринку нерухомості непросто. Основна причина цього полягає в наступному прояві тіньової економіки: задокументована у договорах на відчуження майна вартість відрізняється від ринкової у кілька разів, а іноді і на декілька порядків. Статистичний аналіз ринку житла припускає вивчення структури продавців і покупців. Продавцями на первинному ринку виступають поодинокі фірми і муніципальні власті. На вторинному ринку продавцями є рієлторські фірми, фізичні особи, що прагнуть покращити своє житлове або матеріальне положення, особи, що емігрують. На вторинному ринку житла виділяється орендний сектор. Надання житла в оренду практикується як приватними власниками, так і муніципальною владою. Покупцями житла виступають рієлторські фірми, юридичні та фізичні особи. Юридичні особи купують або орендують житло для своїх співробітників у якості гостьового або під офіс.
Окрім продавців і покупців, інфраструктуру ринку житла утворять агентства з нерухомості (рієлторські фірми), оцінники житла, банки, що займаються кредитуванням та фінансуванням житлового будівництва, кредитуванням купівлі житла й іпотечними операціями, юристи, що спеціалізуються на операціях з нерухомістю, страхові компанії, інформаційні (в тому числі – рекламні) структури. Сьогодні єдиним джерелом інформації про ринкові ціни житла є масові дані щодо пропозиції житла на продаж. Саме ними користуються державні структури, що діють на ринку житла; будівельні підприємства, які працюють на первинному ринку житла; рієлтери. Рієлторські структури або біржі систематизують інформацію та створюють електронні банки даних про первинний і вторинний ринки житла. Найбільшим банком даних пропозиції житла для продажу в Україні є Банк комп’ютерної мережі нерухомості Києва, яка була створена агентством нерухомого майна «Янус» у 1996 році. Зведена інформація про ситуацію в сфері житла забезпечує прозорість ринку житла, що сприяє його становленню і функціонуванню. 

3.2.Задача управління мережею агентств з нерухомості.             

Зважаючи на особливості розвитку та становлення ринку нерухомості агентства ,що представляють цей ринок мають вирішувати низку задач.

      Моніторинг ринку нерухомості;

      постійні оновлення інформаційних баз;

      урахування сезонних коливань;

      постійний аналіз інформаційного потоку у сфері нерухомості;

      управління ціновою політикою;

      розвиток нових напрямків діяльності;

      оцінка нерухомості;

      оцінка рентабельності обьектів;

      розробка маркетингової програми .

Такі задачі потребують високої концентрації інформації і знань працівників, клієнтів, партнерів, конкурентів. Одним із способів забезпечення ефективності управління бізнесом виступають інформаційні технології, об'єднуючі збір даних, аналіз, моделювання і прогнозування. В цьому випадку отримувані оперативні і достовірні дані допомагають не тільки підвищувати поточну продуктивність робіт і якість планування. Такі технології надають можливість знаходити нові способи використання таких активів, як знання персоналу, цінність клієнта, ефективні мережі бізнес-партнерів, можливі джерела інновацій.

Перш ніж перейти до опису рішення необхідно освітити деякі аспекти методики аналізу з використанням механізмів Data Mining. Важливою умовою застосування методики є якість початкових даних. Від нього безпосередньо залежить якість побудованої моделі. Щоб забезпечити його, необхідно дотримуватися наступного алгоритму:

1. Висунення гіпотези – припущенні про вплив тих або інших чинників на досліджуване завдання. Дану задачу вирішують експерти, покладаючись на свій досвід і знання. Результатом на даному етапі є список всіх чинників.

2. Збір і систематизація даних – представлення даних у формалізованому вигляді, підготовка даних в певному вигляді (наприклад, дотримання впорядкованості за часом).

3. Підбір моделі і тестування – комбінування різних механізмів аналізу, оцінка експертами адекватності отриманої моделі. Повернення на попередні кроки при неможливості отримання прийнятних результатів (наприклад, перевірка чергової гіпотези)

4. Використання прийнятної моделі і її вдосконалення.

Отже,власне інформація може бути представлена в будь-якому стандартному табличному вигляді: текстові файли і файли DBF, MS Excel, бази даних MS Access, MS SQL, Oraсle, InterBase або будь-який ODBC джерело. Величезна різноманітність облікових систем на різних підприємствах не дозволяє створити універсальний сценарій завантаження сховища. Тому потрібно підготувати окремий сценарій, який враховує особливості зберігання даних в компанії і здійснює їх вибірку і необхідне попереднє очищення.

Після закінчення завантаження сховища відразу можна починати повноцінне використання системи налаштованих звітів.

3.2.1. Система аналітичної звітності

Система аналітичної звітності включає всі найбільш потрібні звіти про поточну діяльність компанії, засновані на використанні технології OLAP.

Мал.1 Кросс-таблиця та кросс-діаграма із загальними сумами продажу.

Приведений звіт мал.1 інформує про об'єми загальних продажів об’єктів . Передбачені також звіти з продажу, клієнтів, по окремих типах нерухомості: кварти,будинки земельні ділянки, продаж у  регіонах.

Мал.2 Кросс-таблиця та кросс-діаграма впливу різних критеріїв  на ціну .

Ціна на нерухомість,як відомо,залежить від багатьох параметрів та критеріїв.

Залежність ціни нерухомості від наявності станції метро поряд з об’єктом ілюструє мал.2.Отже,можна дослідити вплив будь-якого критерію на ціну,а також проаналізувати,який з представлених є найвпливовішим. Такі знання допоможуть  в прогнозуванні об’ємів продажу на майбутній період,а також  дослідити вподобання та побажання  клієнтів, що до розташування майбутніх будівель. Така інформація буде актуальна, якщо розглядати нерухомість як фінансовий інструмент. Такі звіти зацікавлять фахівців з оцінники житла, банки, що займаються кредитуванням та фінансуванням житлового будівництва.

Кожен звіт може бути сформований в декількох розрізах, надаючи для аналізу тільки потрібну інформацію.

3.2.2.     Проблема сезонності

Практика показує, що сезонність продажів в більшій або меншій мірі є проблемою  для будь-якого бізнесу. Вона може заявляти про себе як жорстко (у виробництві ялинкових прикрас), так і вельми помірно (у тютюновому виробництві). Виявляється вона перш за все в нерівномірному надходженні грошей на підприємство, що за наявності значних умовно постійних витрат веде до фінансових проблем. Оскільки наслідки сезонності можуть опинитися для компанії важкими (колапс виробництва, зниження якості продукції і ін.), то має сенс звернути увагу на таку проблему та знайти вихід за допомогою аналітичної системи Deductor.

Тепер треба визначитися з наявними початковими даними. Якщо відразу достовірно відомо, що початкові даних мало або що продажі товару не мають яскраво виражених сезонних коливань, то краще вибрати сценарій прогнозу без урахування сезонності. Інакше слід використовувати сценарії прогнозу продажів з урахуванням сезонності. Якщо поведінка тимчасового ряду продажів невідома, то можна скористатися будь-яким з двох сценаріїв для попереднього дослідження даних. За допомогою діаграми автокореляції з панелі звітів одного з сценаріїв можна визначити, чи слід враховувати сезонність при побудові прогнозу. Якщо на діаграмі є виражені списи, то продажі товарів схильні до сезонних коливань, і прогноз треба будувати за сценарієм, що враховує сезонність. Якщо ж графік поводиться плавно на, слід вибирати сценарій без сезонності. Побудуємо графік.

Мал.3 Діаграмма автокореляції

З діагамми бачимо,що для дослідження на сезонність ми не маємо передумов.

3.2.3.     Задача прогнозування

Принцип вибору моделі прогнозу достатньо простий. Для моделі потрібно подивитися і оцінити три речі: діаграму розсіювяння (червоні крапки, що зображають вихід моделі, повинні лежати поблизу прямій), діаграму моделі (на ній можна подивитися, наскільки добре вихід моделі описує реальна поведінка даних) і діаграму прогнозу (тут слід оцінити, наскільки реальні значення, що передбачаються моделлю). На підставі дослідження цих графіків слід вибрати моделі, щонайкраще відображають реальну поведінку тимчасового ряду. Інструментом прогнозування був обраний обробник “Лінійна регресія”.

Мал.4 Вибір моделі

На діаграммі розсіювання побудованої  за моделлю користувача, спостриігаємо велику кількість викидів,що пов’язана з нестабільною ситуацією в краіні,збільшенням цін та попиту.Отже, така модель не є адекватною та не має цінності для нашого прогнозу.

Розглянемо діаграму розсіювання,що отримана  на підставі лінійной регресії видно, що значення, які отримані на виході моделі, в основному групуються біля еталонних значень часового ряду.Такий результат є дуже важливим для подальшого дослідження. При навчанні лінійної регресії подаватимемо на її вхід об'єм продажів за два попередні тижні поточного року, щоб врахувати загальний розвиток ринку. Таким чином враховуються спуски і підйоми кривої продажів. Якість побудованої моделі можна наочно подивитися на діаграмі розсіяння. Дійсні значення розташовуються уздовж прямої лінії, а отримані по моделі – вище або нижче за неї.

Мал.6.Діаграмма розсіювання

Після того, як побудована модель, можна побудувати прогноз, прогнавши через неї історію продажів. Зробимо прогноз на 4 тижні вперед. Прогноз на триваліший період в набагато меншому ступені відповідатиме дійсності. Результат можна подивитися на діаграмі прогнозу (мал.7).

Мал.7. Діаграмма прогнозу

Отриману модель можна застосовувати для прогозу,а також прослідкувати вплив  окремих критеріїв (мал.8) на досліджувану ситуацію.

Мал.8. Вибір критерію

В ході роботи з системою можуть з'являтися нові потреби в проведенні спеціального аналізу, не передбаченого в сценаріях. Це абсолютно звичайна ситуація, в якій виявляється одне з головних достоїнств Deductor: продовжуючи працювати з типовим рішенням, можна вдосконалювати існуючі моделі або створювати нові, розробляти нову техніку аналізу даних, покращуючи платформу під вимоги досліджуваного бізнесу.

Висновок

Більшість організацій накопичують за час своєї діяльності величезні об'єми даних, але єдине що вони хочуть від них отримати – це інформація. Як можна дізнатися з даних про те, що потрібне клієнтам організації, як розмістити ресурси найбільш ефективним чином або як мінімізувати втрати?

Перед агентства з нерухомості постають також багато проблем,що потребують ефективного рішення. Моніторинг ринку нерухомості, постійні оновлення інформаційних баз,урахування сезонних коливань, постійний аналіз інформаційного потоку перелік задач,що постають перед менеджером агентств. Задачі такого рівня потребують  високої концентрації інформації і знань працівників. На допомогу приходять інформаційні технології, об'єднуючі збір даних, аналіз, моделювання і прогнозування. Для вирішення вищеописаних завдань використовуються різні методи і алгоритми Data Mining. З огляду на те, що Data Mining розвивалася і розвивається на стику таких дисциплін, як статистика, теорія інформації, машинне навчання, теорія баз даних, цілком закономірно, що більшість алгоритмів і методів Data Mining були розроблені на основі різних методів з цих дисциплін. Наприклад, процедура кластеризації k-means була просто запозичена із статистики. Велику популярність отримали наступні методи Data Mining: нейронні мережі, дерева рішень, алгоритми кластеризації, у тому числі і що масштабуються, алгоритми виявлення асоціативних зв'язків між подіями.

Deductor є аналітичною платформою, в яку включений повний набір інструментів для вирішення завдань Data Mining: лінійна регресія, нейронні мережі з вчителем, нейронні мережі без вчителя, дерева рішень, пошук асоціативних правил і множина інших. Для багатьох механізмів передбачені спеціалізовані візуалізатори, що значно полегшують використання отриманої моделі і інтерпретацію результатів. Сильною стороною платформи є не тільки реалізація сучасних алгоритмів аналізу, але і забезпечення можливості довільним чином комбінувати різні механізми аналізу.

Список використаної літератури

1.      К. Шеннон. Работы по теории информации и кибернетике. М. Иностранная литература, 1963