Інформаційна система покупки та продажу нерухомості на основі аналізу даних її ціноутворення
Автор: Шимоняк Андрій Анатолійович
Кваліфікаційний рівень: магістр
Спеціальність: Аналіз даних (Data Science)
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: Коректна оцінка вартості нерухомості відіграє вирішальну роль у процесі купівлі та продажу. Вартість визначається різними факторами, такими як розташування, площа кухні та кімнат, стан, рік забудови, зручності, інфраструктура поблизу, тренди розвитку району, ринкові тенденції, та багатьма іншими. Важливо отримати точну оцінку, щоб приймати обґрунтовані рішення та уникнути помилок, що можуть призвести до фінансових втрат [1]. Розроблена система допоможе продавцям отримати оцінку їхньої нерухомості за внесеними параметрами, що може слугувати відправною точкою для встановлення кінцевої вартості. Розуміючи ринкову вартість свого майна, продавці можуть визначити ціну та переконатися, що вони скористаються всіма можливостями для справедливого продажу. Для покупців цей сервіс буде актуальним, оскільки вони зможуть шукати нерухомість за введеними ними параметрами, що мають вигідну ціну для покупки. Система відображатиме нерухомість з оптимальною та заниженою ціною, що дасть можливість не переплатити за її покупку, а, можливо, навіть зекономити. Також такий підхід дасть змогу значно зменшити кількість нерухомості, яку варто розглянути, та відсіяти усі варіанти з явно завищеними показниками вартості. Таким чином, реалізація системи дасть змогу зробити ринок нерухомості більш прозорим. За коректної оцінки, продавці матимуть змогу встановити справедливу ціну і уникнути недооцінювання вартості нерухомості. А для покупців у свою чергу, завищена вартість нерухомості від продавця може слугувати підставою для подальшого торгу. Визначення вартості нерухомості історично ґрунтувалось переважно на методі аналізу даних вручну та суб’єктивних оцінках, що часто призводило до помилок і затримок. Застосування алгоритмів машинного навчання у вирішенні цієї проблеми виявилось ефективним, оскільки воно має низку переваг перед методом оцінки вручну, а саме: високий рівень точності, виключення суб’єктивності та упередженості в оцінках, ефективність у часі, зниження витрат, використання геопросторових даних і обґрунтування результатів [2]. Процес створення моделі машинного навчання умовно розкладено на чотири етапи, які включають в себе збір даних, їх фільтрування, обробку, доповнення, розбиття на різні вибірки і тренування моделі на основі цих даних. Прийнято рішення використати одразу декілька алгоритмів регресії для побудови моделей машинного навчання, для того щоб порівняти результати і обрати алгоритм, який найкраще підходить для вирішення поставленого завдання. Застосувавши алгоритми лінійної регресії, дерева прийняття рішень, метод найближчого сусіда, метод опорних векторів і випадковий ліс найкращі результати показав останній. Підібравши вручну гіперпараметри для цього алгоритму, досягнуто середнього значення абсолютної похибки прогнозованого значення, що складає 8,49%, а медіани 1,9%. Для реалізації даної системи було прийнято рішення використати мікросервісну архітектуру, що забезпечить простоту, гнучкість та масштабованість. Програмний продукт складатиметься з трьох окремих незалежних сервісів, що зв’язані між собою: “Data providing service”, “Backend service” та “Frontend service”. Кожен з цих сервісів виконує свою роль в роботі системи. Сервіси було контейнеризовано і зв’язки між ними налаштовано використовуючи засоби Docker. Об’єкт дослідження – процес ціноутворення нерухомості. Предмет дослідження – моделі, методи та засоби визначення вартості нерухомості за її фізичними параметрами та розташуванням, а також реалізації їх у інформаційній системі аналізу ціноутворення. Мета роботи – розробити онлайн систему, що надаватиме користувачам актуальні дані щодо вартості об’єктів нерухомості. Це дасть змогу продавцям визначити поточну вартість нерухомості залежно від параметрів та розташування, з метою подальшого встановлення ціни при продажу. Для покупців ця система буде актуальною, оскільки дасть змогу значно пришвидшити і спростити процес пошуку нерухомості, надаючи інструменти фільтрування, оцінки, рекомендації, аналізу та автоматичного сповіщення. Зібравши усі необхідні дані, відфільтрувавши і обробивши їх, натренувавши на їх основі модель машинного навчання і протестувавши її було виконано найважливішу частину роботи. Результати роботи моделі задовольнили вимоги системи, а тому можна вважати, що дослідження виявилось успішним. Ключові слова: аналіз, регресія, машинне навчання. Перелік використаних літературних джерел. 1. The Importance of Accurate Property Valuation in Real Estate. URL: https://sugermint.com/the-importance-of-accurate-property-valuation-in-real-estate/ (Last accessed: 12.08.2023). 2. AI in real estate property valuation: Is it really a game-changer? URL: https://mdevelopers.com/blog/ai-real-estate-property-valuation (Last accessed: 12.08.2023).