Разработка системы поддержки принятия решения на рынке недвижимости с использованием методов анализа статистических данных и машинного обучения

Цель исследования. Цель исследования состоит в разработке системы поддержки принятия решений в виде Telegram-бота, ориентированной на оценку инвестиционной привлекательности объектов недвижимости с использованием методов анализа статистических данных и прогнозирования.

Материалы и методы. Информационной базой исследования являются данные с платформы ЦИАН, содержащие сведения об объектах жилой недвижимости, предназначенных для продажи и аренды. Методологическая база исследования включает методы анализа статистических данных, машинного обучения, а также подходы к проектированию пользовательских интерфейсов в системах поддержки принятия решений. Все необходимые первичные расчеты и исследования выполняются с использованием функций языка программирования Python. Реализация системы поддержки принятия решений осуществлена в Google Colab с помощью библиотеки pyTelegramBotAPI

Результаты. Произведен сбор, очистка и предобработка информации по 16 городам России, проведено исследование цен аренды и продажи жилья. С помощью модели машинного обучения CatBoostRegressor были получены прогнозы стоимости аренды объектов, выставленных на продажу, что позволило рассчитать их ожидаемую доходность. Также был проведен анализ возможности использования ипотечного кредитования как инструмента повышения эффективности вложений. Реализована система поддержки принятия решений в виде Telegram-бота, способного выполнять оценку доходности объектов недвижимости и помогать пользователю в принятии решений на основе заданных параметров и прогнозных моделей. Работа Telegram-бота протестирована, продемонстрированы примеры использования, подтверждающие точность и полезность полученных расчетов.

Заключение. Разработанная система поддержки принятия решений способна давать рекомендации на основе анализа статистических данных рынка недвижимости и прогнозной модели. Система проста в использовании, ориентирована на частного инвестора, предлагает реальные объекты, представленные на рынке, автоматизирует процесс подбора и оценки объектов, позволяет сравнивать стратегии покупки с использованием ипотеки и без привлечения дополнительных средств.

1. Ковалевская Н.Ю. Методические подходы к оценке эффективности инвестиций в жилую недвижимость // Известия Байкальского государственного университета. 2020. Т. 30. № 1. С. 137–148.

2. Штарк Л.В., Саенко И.А., Шаропатова А.В. Теоретические основы оценки инвестиционной привлекательности жилой недвижимости // Russian Economic Bulletin. 2020. Т. 3. № 1. С. 84–87.

3. Официальный сайт ЦИАН [Электрон. ресурс] // Анализ рынка недвижимости. Режим доступа: https://www.cian.ru/analiz-rynkanedvizhimosti-b2b/.

4. Официальный сайт Росриэлт [Электрон. ресурс] // Аналитика рынка недвижимости. Режим доступа: https://rosrealt.ru/analytics/.

5. МакКинни У. Python for data analysis: data wrangling with pandas, NumPy, and IPython. O’Reilly Media, 2018. 541 с.

6. Жерон А. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media, 2019. 1065 с.

7. Azibo: Real Estate Investing Software: Your Guide to the 10 Best Solutions.

8. PyTelegramBotAPI [Электрон. ресурс] // Официальная документация библиотеки для работы с Telegram Bot API. Режим доступа: https://pypi.org/project/pyTelegramBotAPI/.

9. Официальный сайт GitHub [Электрон. ресурс] // Сбор данных с сайта объявлений Циан. Режим доступа: https://github.com/lenarsaitov/cianparseryu.

10. Официальный сайт ДОМ.РФ [Электрон. ресурс] // Ставки предложений по ипотеке. Режим доступа: https://наш.дом.рф/аналитика/ставки_предложений_по_ипотеке.