В Черемушках начинается расселение двух домов
Жители дома 25, корпуса 2 на улице Гарибальди и дома 37 на Профсоюзной улице приступают к переезду в рамках программы реновации.
Они получили новые квартиры в новостройке по адресу: Новочеремушкинская улица, дом 56/3. Об этом рассказал руководитель Департамента градостроительной политики Москвы Сергей Левкин.
Дом переменной этажности состоит из трех секций, в нем есть подземная автостоянка. Фасад здания сделали вентилируемым и облицевали керамогранитными плитами. Территорию возле дома благоустроили.
«Для удобства жителей первый этаж нового дома оставили нежилым. Сейчас там располагается центр информирования по переселению, где участникам программы реновации окажут бесплатную помощь на всех этапах переезда в новое жилье. Центр начнал прием с 29 февраля», — отметил Сергей Левкин.
На первом этаже новостройки также откроются объекты социально-бытовой инфраструктуры, которыми смогут воспользоваться не только новоселы, но и жители близлежащих домов.
«Специалисты Департамента городского имущества подготовили предложения равнозначных квартир для 396 жителей двух старых домов на улицах Профсоюзной и Гарибальди. Уже 29 февраля первые москвичи приступят к их осмотру. Всего в районе Черемушки правообладателями жилья по программе реновации стали более 830 человек», — рассказал министр Правительства Москвы, руководитель Департамента городского имущества Максим Гаман.
На данный момент к переселению готовятся жители семи домов. Им предложили современные квартиры в четырех новостройках. Первый этап программы реновации в Черемушках полностью выполнен. Всего в районе предусмотрено расселение 119 домов, в которых проживают более 24 тысяч человек.
В ВТБ создали и масштабировали на всю Россию сервис аналитики для оценки новостроек.
В основе — универсальная платформа геоаналитики, позволяющая сопоставлять более 1000 слоев данных из банковской сферы, телекома и digital-сервисов. В решении используется обезличенная информация о жителях аналогичных домов, а также районов со схожей транспортной инфраструктурой, имеющих похожие интересы, структуру доходов, расходов и так далее.
Оценка рыночной стоимости строящейся недвижимости играет для банка важную роль в принятии решения о финансировании проектов. Новая разработка помогает повысить оперативность на этапе рассмотрения заявки на финансирование застройщика и получить более объективные и точные данные. Для застройщиков очень важна скорость и сроки. Использование программы позволило в 3 раза сократить сроки от обращения клиента до подписания кредитного договора.
В разных городах различные факторы оказывают влияние на определение цены на жилье. Рынок постоянно идет вперед, меняется инфраструктура, которая влияет на стоимость. Какие-то параметры устаревают, какие-то добавляются или обновляются. Сложность задачи по оценке недвижимости в масштабах России заключается в учете региональной специфики, макроэкономических колебаниях, большом разнообразии в качестве и расположении строительных объектов, что в свою очередь обуславливает выбор инструментов и способов моделирования.
«Программа учитывает множество факторов и показывает независимую от экспертного мнения оценку, что играет важную роль в общем процессе согласования сделки всеми участвующими подразделениями. Наиболее значимые конкурентные преимущества сервис дает в ситуации, когда строящийся жилой объект не имеет рядом аналогов, и оценить его, используя только метод сравнения с похожими соседствующими объектами, невозможно» — рассказал Максим Коновалихин, руководитель департамента анализа данных и моделирования, старший вице-президент банка ВТБ.
Проект строится на базе трех платформ: платформы гео-аналитики (Geo), платформы автоматического обучения моделей (AutoML) и MLOps-платформы (scibox). У каждой из них своя задача в рамках бизнес-процесса. Их объединение помогло достичь синергии и внести дополнительную ценность.
Проект стартовал с сегмента среднего и малого бизнеса. Следующая стадия — это использование программы как для целей крупного бизнеса, так и розничного ипотечного кредитования. Специфика проекта позволяет не только масштабировать его, но и применять в других сферах. Например, посчитать необходимое количество банкоматов в конкретном районе и количество наличных средств в каждом из них. Отлично подходит, когда на основе аналогичных данных нужно построить прогноз чего-нибудь нового.