Metodologia wyceny mieszkań Snajp AVM

Dane

Mieszkania wyceniane są na podstawie ofert sprzedaży najbardziej podobnych mieszkań z ostatnich tygodni. Dane wejściowe systemu pochodzą z publicznie dostępnych źródeł. Przyjmuje się uzasadnione założenie, że cena ofertowa jest bardzo bliska cenie transakcyjnej. Brana jest tu poprawka -7% (1 września 2009).

Dane są starannie czyszczone przed dostaniem się do bazy. Każda oferta ("przykład" do wyceny) przechodzi test jakości i racjonalności. Pozwala to m.in. wykluczyć oferty omyłkowe i błędne.

Duplikaty są wykluczane. Oferta będzie figurowała jako jedna nawet jeśli została znaleziona w różnych źródłach ofert. Oferta może ponownie trafić do bazy jeśli zmieniła się jej cena (racjonalizacja) lub została zamieszczona ponownie po dłuższym czasie (wtedy oryginalna jest już w archiwum).

Uwaga: wycena w sensie prawnym nie może opierać się na cenach ofertowych. Narzędzie nie może być podstawą sporządzania operatu szacunkowego.

Algorytm

Do wyceny wykorzystywany jest autorski algorytm oparty na metodzie rdzennej regresji, zwanej też metodą Shepparda. W metodzie tej cena jest średnią ważoną najbardziej podobnych nieruchomości. Wagi są proporcjonalne do podobieństwa. Podobieństwo jest funkcją wszystkich atrybutów nieruchomości. Idea jest więc prosta. Kluczowym (i trudnym) zadaniem jest zdefiniowanie funkcji podobieństwa.

W praktyce funkcję tę definiuje się "ręcznie", na podstawie znajomości dziedziny problemu. Np. mieszkanie o powierzchni 55 m2 jest bardzo podobne do mieszkania 56m2, jeśli wszystkie inne atrybuty są identyczne. Jednocześnie mieszkanie w Warszawie nie jest podobne do mieszkania w Kaliszu, nawet jeśli wszystkie pozostałe atrybuty są takie same.

Przy definiowaniu funkcji podobieństwa mamy bardzo dużą elastyczność i tym samym pole do popisu. Stajemy przed pytaniami typu "bliższe są sobie mieszkania różniące się o jedno piętro, czy o 3m2?”. Odpowiedź bynajmniej nie jest oczywista. W jaki sposób sporządzić funkcję podobieństwa odpowiadającą rzeczywistości? Wydaje się to bardzo trudne, jednak...

Szczęśliwie istnieje obiektywny sposób określenia trafności wyceny, a tym samym jakości funkcji podobieństwa. Polega on na wycenianiu nieruchomości, których cenę skądinąd znamy. Wykonanie kilku tysięcy takich testowych wycen pozwala na obliczenie średniego błędu wyceny oraz odchylenia standardowego. W dziedzinie odkrywania wiedzy nazywamy to testowaniem hipotezy.

Celem jest oczywiście takie zdefiniowanie funkcji podobieństwa, aby błąd wyceny był jak najmniejszy. Skoro potrafimy (szybko) zmierzyć jakość wyceny, mamy bardzo wygodne narzędzie do definiowania funkcji podobieństwa. Na marginesie: ze względów obliczeniowych w praktyce używana jest funkcja odległości. Szczególy nie są skrywane przed użytkownikiem - wartość funkcji odległości widać w tabeli przykładów w kolumnie "Odl".

No dobrze, ale skąd wziąć nieruchomości ze znaną ceną? Odpowiedź okazuje się trywialna: można podzielić pierwotny zbiór trenujący na dwie części, po czym jednej używać do wyceny, a drugiej jako testów (przykładów ze znaną ceną).

Wiarygodność wyceny jest każdorazowo zależna od liczby i podobieństwa przykładów, z których obliczana jest średnia.