大数据时代的地产数据应用-翟猛.pptVIP

* 通过对归一化处理后的小区案例数据进行关联分析，我们可以看到，在这组案例数据中以往被我们认为是“不好的”单西向朝向的分析结果是对该小区的房产单价存在“向上”影响趋势的，这就印证了大数据会告诉我们“是什么”而不是“为什么”！ * * * 通过将房地产交易案例数据通过测绘技术中的经纬度计算及各类坐标系的转换，能够实现城市内任意房产坐落（或街道）的基于GIS平台的实时动态建模成果，如图可以看到，在地图上任意框选的区域内，自动给出区域内的案例列表，并由后台计算模块得出此区域内的地理曲面价格模型公式，整个计算过程完全在地图上操作，一气呵成。 * 地理价格等高线可用于支持政府宏观决策，GIS楼盘表可用于统计任意区域内的居民数量、确权总面积等重要决策数据。 * * * * * * * * * 房地产数据整体解决方案。 * 房地产数据整体解决方案。 * 房地产数据整体解决方案。 * 房地产数据整体解决方案。 * * 希望我的介绍能有助于大家对系统的理解，有任何问题，我们进行充分的沟通和讨论。谢谢大家。 大数据时代的房地产数据应用国信达房地产数据挖掘实践和探索 国信达集团 | 北京国信达房地产土地评估有限公司 WWW.GXDGROUP.COM.CN 数据挖掘主要分析方法 特征分析：挖掘一组数据的总体特征及原因 偏差分析：挖掘数据期望值与实际结果的偏差 关联分析：挖掘数据项之间关联性及关联度 回归分析：挖掘数据因变量与自变量的依存关系 钻取分析：挖掘数据深维度或高层次的价值 数据挖掘过程 表面的、无序的信息 整合的、结构化的数据仓库 海量的、复杂的房地产数据 获得多维度的有效信息 决策支持信息 寻找潜在的关联性和规律性 数据挖掘实践 房价分析 购房导向 动态建模 契税边际 风险评估 信用评估 地图挖掘 客户挖掘 趋势预测 数据挖掘实践—房价相关性分析 土地等级 商业繁华度 交通情况 重点校区 医院设施 人文景观 物业水平 楼层朝向 装修情况 是什么在影响房价？ 让数据来说话！ 成新度 数据挖掘实践—房价相关性分析 综合运用关联分析与偏差分析，通过对交易案例的单价、朝向、建筑面积、楼层、交易时间等因素去量纲化、归一化处理后，通过回归分析得出这组案例数据中特征因素对房价的“真实”影响关系。 样本总体均价 6550 楼层比分组 小于0.35 大于等于0.35小于0.6 大于等于0.6小于0.75 大于等于0.75小于1 等于1 楼层分组编号 A B C D E 楼层分组均价 6650 6758 6760 6597 5748 楼层量化值 1.0152 1.0162 1.0166 1.0071 0.8776 面积分组 小于35 大于等于35小于60 大于等于60小于90 大于等于90小于130 大于130 面积分组编号 A B C D E 面积分组均价 6866 6696 6422 6136 6468 朝向分组 东 南 西 北 东南 东西 东北 南北 西南 西北 --- --- --- 朝向分组编号 A B C D E F G H I J --- --- --- 朝向分组均价 6481 6538 6646 6167 6629 6547 6496 6564 6247 6485 --- --- --- 朝向量化值 0.9894 0.9982 1.0146 0.9415 1.0121 0.9995 0.9918 1.0021 0.9538 0.9901 时序分组 6月 7月 8月 9月 10月 11月 12月 1月 2月 3月 4月 5 6 时序分组编号 A B C D E F G H I J K L M 时序分组均价 6554 6636 6616 6668 6557 6429 6344 --- --- --- --- --- --- 时序量化值 1.0006 1.0131 1.0101 1.018 1.0011 0.9816 0.9685 数据挖掘实践—契税边际决策 怎样在契税收入与和谐政务之间获得平衡一直是困扰各地税务部门的问题，在基于批量评估准确的估价结果的基础，如何在系统上线之间就获得市场价格与纳税人心理价位之间的分析结果也一直是一个难题，通过钻取分析就能够解决这个问题！ 数据挖掘实践—契税边际决策 1 2 3 提出“高估比率”理论 4 5 量化处理房产价格特征数据 建立特征价格模型 实际交易案例样本迭代验证 推导“争议率”辅助决策 我们通过传统的模型“误差率”，衍生出契税边际分析中的“高估比率”概念，又进而推导出“争议率”的概念，通过对这两项因素的大量计算，最终在拥有一定交易案例样本数量的区域范围内，我们能够提前的分析出该区域下最合理的契税打折比例即契税边际分析结果。 调价 标准 标准差 倍数 估价 下浮 争议 概率% 下浮 比