1. MPM Soft
Софтуер за анализ и автоматизирани
оценки на недвижими имоти

2. Как става една първоначална оценка на жилищно
имущество в повечето български банки?

3. Банката възлага екпертна оценка на оценител. 1

4. Прави се оглед. 2

5. Оценителя търси информация за оценката 3
Пазарни аналози от Imot.bg
Приходна стойност от Imot.bg
Разходен (неприложим)

6. ... описва, принтира, подписва, сканира, складира ... 4

7. ... което струва на клиента 100 лв и няколкоседмично чакане, 5
а при нужда от преоценка, целият процес започва отново...

8. Какви са проблемите?
● Неточна и оскъдна информация за вземане на решение
● Бавен и трудоемък процес за изготвяне на доклад
● Преоценки най-често веднъж годишно
● Субективни решения и възможност за корупция

9. Как ще решим проблемите?

10. квадратура
местоположение
инфраструктура
обзавеждане
изложение
адрес
КРАЙНА
ПАРАМЕТРИ ДАННИ АНАЛИЗИ ОЦЕНКА

11. КРАЙНА
ПАРАМЕТРИ ДАННИ АНАЛИЗИ ОЦЕНКА

12. ПРИВЛЕКАТЕЛНОСТ НА
МЕСТОПОЛОЖЕНИЕТО
СРЕДЕН СРОК ЗА
ПРОДАЖБА
ЦЕНА НА ИМОТ
СХОДНИ ИМОТИ
И ТЕХНИТЕ ЦЕНИ
КРАЙНА
ПАРАМЕТРИ ДАННИ АНАЛИЗИ ОЦЕНКА

13. КРАЙНА
ПАРАМЕТРИ ДАННИ АНАЛИЗИ
ОЦЕНКА

14. При сключване на договор за
кредит се анкетира
кредитополучатела за реалната
На каква цена цена на покупко пордажба.
купихте имота?

15. По всяко време може да се
направи преоценка без оглед

16. Защо това не е просто база от данни?

17. Защо това не е просто база от данни?
1. Статистически модели за
прогнозиране
2. Алгоритъм изчисляващ
привлекателност на региона
3. Готова форма за анализ
по трите метода на оценка
4. Най-пълната информация
в България

18. Защо това не е просто база от данни?
1. Статистически модели за
прогнозиране
2. Алгоритъм изчисляващ
привлекателност на региона
3. Готова форма за анализ
по трите метода на оценка
- Използвайки координатите на имота и
цена се определя точно регионът със
4. Най-пълната информация сходни цени;
- На база близката инфрастркутура се
в България определя привлекателност на региона.

19. Защо това не е просто база от данни?
1. Статистически модели за
прогнозиране
2. Алгоритъм изчисляващ
привлекателност на региона
3. Готова форма за анализ
по трите метода на оценка
4. Най-пълната информация
в България

20. Защо това не е просто база от данни?
1. Статистически модели за
прогнозиране
2. Алгоритъм изчисляващ
привлекателност на региона
3. Готова форма за анализ
по трите метода на оценка
4. Най-пълната информация
в България

21. Какво сме постигнали на текущия етап?

22. Какво сме постигнали на текущия етап?
1. Демо на база от данни
2. Алгоритъм за изчисляване
на привлекателност на имот
3. Алгоритъм за извличане
на координати от адрес
4. Модел за прогнозиране
на цена

23. Какво сме постигнали на текущия етап?
1. Демо на база от данни
2. Алгоритъм за изчисляване
на привлекателност на имот
3. Алгоритъм за извличане
на координати от адрес
4. Модел за прогнозиране
на цена

24. Какво сме постигнали на текущия етап?
1. Демо на база от данни
2. Алгоритъм за изчисляване
на привлекателност на имот x
3. Алгоритъм за извличане y
на координати от адрес
4. Модел за прогнозиране
на цена

25. Какво сме постигнали на текущия етап?
1. Демо на база от данни
2. Алгоритъм за изчисляване
на привлекателност на имот
3. Алгоритъм за извличане
на координати от адрес
4. Модел за прогнозиране
на цена

26. Кои сме ние?

27. Кои сме ние?
МАРИЯ
- Докторант по информационни
технологии и факир по програмиране с
опит в областта на бизнес приложения.
МИРО
- Докторант по информационни
технологии и факир по програмиране с
опит в областта на бизнес приложения.
ПЛАМЕН
- 3 години банков опит, професионален
опит в разработка на статистичекси
модели и магистър по приложна
математика.