Дипломная работа: Разработка информационно-аналитической системы оценочной компании

Рисунок 1.3. Интерфейс 1С: Предприятие 8

Рассмотрим вторую систему - Галактика ERP. Данная система разработана российской компанией. Галактика предоставляет возможность автоматизировать бизнес-процессы предприятия. В системе доступны функции такие как: управление запасами и продажами, управление персоналом, бухгалтерский и налоговый учёт, планирование и управление финансами. На рис. 1.4 представлен интерфейс системы.

Поскольку разработчик Галактики в основном предоставляет свою систему компаниям из России, то и все функции данной системы соответствуют принятому законодательству и своевременно обновляются. Систему нельзя корректировать или дорабатывать под конкретную компанию. Если необходимо что-то изменить, то придётся обратиться к разработчику системы. По сравнению с 1С доработки потребуют значительных финансовых трат и займут больше времени. Поскольку Галактика больше нацелена на крупные предприятия её стоимость на пять рабочих мест обойдётся в 148700 руб.

Рисунок 1.4. Интерфейс Галактика ERP

Следующий аналог разрабатываемой системы - Парус-Предприятие 7. Как и предыдущие аналоги, данная система предназначена для автоматизации предприятий. Система позволяет автоматизировать учёт товаров и услуг, работу бухгалтерии и вычисление зарплаты. Основные функции практически не отличаются от двух предыдущих аналогов. К отличиям можно отнести то, что изменить что-то в системе или перепрограммировать какой-то её компонент нельзя. Систему могут изменять только сами разработчики Парус. Также необходимо отметить, что хоть покупка лицензии системы обойдётся дешевле, чем при покупке аналогов, необходимо будет докупить лицензию для базы данных Oracle Database, поскольку она необходима для работы системы. Стоимость системы Парус на пять рабочих мест - 51922 рублей. На рис. 1.5 представлен интерфейс системы.

Рисунок 1.5. Интерфейс Парус-Предприятие 7

Предпоследний аналог - система SAP. Данная система разработана в Германии и занимает значительную долю российского рынка информационно-аналитических систем и ближе к 1С по возможностям. Она также состоит из различных модулей, которые могут быть приобретены отдельно, и нацелена на использование на крупных предприятиях, таких как Норильский никель, РЖД и Евросеть. Система легко масштабируется, но из-за того, что разработана она, в первую очередь, не для российских компаний, то применение её затруднено. Если что-то меняется в российском законодательстве, правилах оформления или правилах хранения документов, то необходимо ждать больше времени до обновления системы, чем у других аналогов. Стоимость данной системы слишком высока для компаний малого бизнеса, поскольку производится она за рубежом и стоимость конвертируется по курсу валют. Средняя стоимость одной лицензии SAP начинается от €2000, что по курсу отношения этой валюты с рублём во время написания данного материала будет 144197 рублей. Не стоит забывать и про поддержку системы, каждый год пользователь должен отчислять 6% от стоимости купленных лицензий, что ещё сильнее усугубляет возможность окупить внедрение системы через несколько лет. Как и у предыдущих аналогов, SAP не имеет возможности использования нейросетей для примерной оценки стоимости квартиры. На рис. 1.6 представлен интерфейс системы.

Рисунок 1.6. Интерфейс SAP

Последний рассмотренный аналог информационно-аналитических систем - Microsoft Dynamics 365. Как и предыдущий аналог, Dynamics произведена не российской компанией, а широко известной компанией Microsoft из США. Данная система предназначена для использования в компаниях среднего и крупного бизнесов и представляет собой ERP систему. Dynamics позволяет управлять процессом производства и автоматизировать финансовый менеджмент. Систему будет несколько сложнее адаптировать к российскому рынку, чем, к примеру, 1С, ввиду особенностей документооборота. К преимуществам системы можно отнести широкие возможности интеграции данной системы с другими продуктами Microsoft, такими как Excel, Outlook и другие.

Стоимость системы несколько труднее сравнить с другими аналогами, поскольку приобрести её можно только по ежемесячной подписке стоимостью в 4062 рубля за одного пользователя, что выглядит не так уж и дорого. Но если предположить, что для работы оценочной компании необходимо иметь три лицензии и посчитать расход на систему за год использования, то получится 146232 рублей. Как и в случае с SAP, иностранные решения не подойдут для малой российской компании по большей части ввиду финансовых затрат. На рис. 1.7 представлен интерфейс системы.

Рисунок 1.7. Интерфейс Microsoft Dynamics 365

Все аналоги рассчитаны на работу с базами данных, поэтому имеют достаточно схожий функционал. Для выявления сильных и слабых сторон конкурентов составим таблицу, в которую запишем функции, которые мы бы хотели видеть в системе для оценочной компании. Результаты сравнения указаны в табл. 1.1.

Таблица 1.1. Результаты сравнения аналогов

Сравнив аналоги, можно сделать вывод, что они удовлетворяют не всем требованиям, предъявляемым к системе для автоматизации процесса контроля работ компании-заказчика. Например, существующие аналоги не позволяют вычислять приближённую стоимость квартиры. Кроме того, немаловажно, что системы являются довольно дорогими, причём стоит учитывать, что все аналоги требуют обеспечения ежемесячной платной технической поддержки.

1.3 Разработка технического задания

Создание технического задания для разрабатываемой системы позволит чётко определить предъявляемые требования, поэтому так важно создать техническое задание до разработки приложения. Техническое задание создано согласно ГОСТ 19.201-78. Техническое задание представлено в приложении А.

Глава 2. Проектирование нейронной сети для оценки стоимости квартиры

Поскольку одним из требований к разрабатываемой системе является приблизительная оценка стоимости квартиры по входным данным было решено использовать для решения этой задачи нейросеть. Оценщик может оценить квартиру по её характеристикам, но для этого требуется время. Необходимо посмотреть все характеристики квартиры, определить состояние рынка недвижимости и сравнить квартиру с аналогами, применить несколько типов оценки для увеличения достоверности. Поскольку придумать самостоятельно формулу, которая бы использовала все эти данные и выдавала неплохой результат невозможно, необходимо использовать нейросеть. Нейронная сеть воспроизводит работу человеческого мозга с помощью математических моделей. Она итерационно подбирает множители и веса для входных параметров, постепенно уменьшая ошибку в вычислениях выходного параметра. Обучение нейросети производится на специально подготовленном наборе данных. Если модель нейросети покажет удовлетворительный результат, её модель экспортируют и встраивают в систему [15, 16].

В качестве методики формирования модели был выбран следующий алгоритм:

1. Постановка задачи.

2. Формирование примеров для обучения и тестирования сети.

3. Проектирование сети.

4. Обучение сети.

5. Проверка и оптимизация сети.

2.1 Постановка задачи

Целью построения модели является получение стоимости квартиры в Перми. Поскольку планируется использовать нейросеть продолжительное время, недостаточно только включить статические параметры квартир (жилая площадь, количество комнат, этаж и т.д.) [12]. Рынок недвижимости России зависит также от различных экономических показателей, которые меняются с течением времени. Добавление таких параметров в модель позволит использовать её при различных изменениях на рынке недвижимости. Также, зная прогнозы изменения рынка недвижимости, с помощью нейросети можно оценить стоимость квартиры в будущем [10].

Таким образом были выбраны следующие входные параметры:

· Жилая площадь., кв. м.

· Площадь кухни, кв. м.

· Число комнат.

· Этаж.

· Количество этажей.

· Местоположение.

· Год постройки.

· Материал стен.

· Ставка рефинансирования, установленная Банком России.

· Средняя зарплата в Перми, руб.

· ВВП России, млрд руб.

· Индекс РТС.

· Курс доллара, руб. за 1 доллар.

· Цена нефти марки Brent, руб.

· Ввод жилья в Перми.

· Выданные кредиты в Перми, млрд руб.

Выходной параметр модели - стоимость квартиры в рублях.

2.2 Формирование примеров

Для формирования множества примеров были получены данные оценок квартир оценочной компании Перми с 2008 по 2018 год. Таким образом, в множество примеров были включены данные различных экономических состояний России: кризис (2008-2009 гг.), восстановление после кризиса (2010-2012 гг.), замедление роста (2013 г.), кризис (2014-2016 гг.), восстановление после кризиса (2017-2018 гг.). В течение этого десятилетнего периода ставка рефинансирования менялась от 7,25 до 12%, средняя зарплата в Перми - от 14740 до 26500 руб., ВВП - от 38800 до 93800 млрд. руб., котировки РТС - от 535 до 2044, курс доллара США - от 23,3 до 77,9 рублей, цена нефти марки Brent - от 1790 до 5515 руб., ввод жилья - от 200 до 530 тыс. кв. м., выданные кредиты по ипотеке - от 4,5 до 46,4 млрд. руб. [11].

Поскольку оценочная компания не имеет единого хранилища, было принято решение разработать программу. Полученные данные хранятся в файлах Word и имеют разную структуру на протяжении 10 лет. Из-за этого разработка программы для формирования массива записей оказалась нетривиальной задачей. В конечном счёте разработка программы закончилась успешно и было получено множество из 1769 записей. В отличии от таких городов, как Москва и Екатеринбург, которые имеют кольцевую планировку, город Пермь разделён широкой рекой, вдоль которой он вытянут и имеет большое количество оврагов. Для добавления в модель параметра местоположения было принято решение взять микрорайоны города Перми и дать каждому из них экспертную оценку стоимости квартир, в противовес расчёта расстояния от квартиры до центра города [5]. Определение ценовых зон и принадлежности микрорайонов к ним было проведено сертифицированным РОО оценщиком недвижимости и директором компании ООО «КСИ Консалтинг» Кукаркиным Андреем Владимировичем. Всего было выделено 7 ценовых зон. Результат экспертной оценки представлен на рисунке 2.1 [3].

Рисунок 2.1. Экспертная оценка стоимости квартир по микрорайонам Перми

Для определения принадлежности квартиры к ценовой зоне был сформирован массив уравнений прямой вида y = ax + b, ограничивающий область координат каждого микрорайона. Затем была написана небольшая программа, которая определяла координаты по адресу квартиры с помощью сервиса Яндекс и подставляла их в уравнения прямой для микрорайонов.

На данном этапе заполнены следующие входные параметры: жилая площадь., площадь кухни, число комнат, этаж, количество этажей, местоположение, год постройки, материал стен [4].

Следующим шагом были добавлены динамические показатели. Параметры средней зарплаты, ввода жилья и выданных кредитов брались для Перми. Для получения цены нефти была выбрана нефть марки Brent. Ставка рефинансирования и ВВП были взяты для России [1].

Значения для выходного параметра (стоимость квартиры) были также получены из данных оценочной компании.

Полученное множество из 1769 записей было разделено на обучающее и тестирующее. Поскольку рекомендуемый объём тестирующего множества - не менее 10%, было получено 1569 записей в обучающей выборке и 200 записей в тестирующей выборке. Данные тестовой выборки состоят не из идущих подряд записей исходного множества, а собраны из разных участков первоначальной выборки для более качественной оценки работы обученной нейросети [13].

2.3 Проектирование сети

Для получения количества нейронов на скрытом слое была использована формула (1) из теоремы Арнольда - Колмогорова - Хехт-Нильсена. Данная формула позволяет вычислить границы для количества синаптических связей нейронной сети, откуда уже получится количество нейронов на скрытом слое [2].

,

По формуле, указанной выше, для 16-ти входных (Nx), 1-го выходного нейрона (Ny) и 1569 записей (Q) были получены границы связей: от 135 до 1784. Затем получено количество нейронов: от 9 до 188 [14].

Количество скрытых слоёв на данном этапе было решено оставить равным единице.

2.4 Обучение сети

Для обучения сети был выбран алгоритм упругого распространения, число нейронов 3 и количество итераций, равное 1000. Результат обучения представлен на рисунке 2.2.

Для обучения сети использовался алгоритм упругого распространения. Количество итераций обучение равно 1000.

Рисунок 2.2. График обучения сети

В результате обучения были получены следующие параметры сети:

· квадратичная ошибка обучения - 0,61.

· квадратичная ошибка обобщения - 0,9.

· среднеквадратичное отклонение обучения - 4,1%.