1. Introducción

Desde el año 2015, la empresa Lafaurie & asociados, se dedica al análisis exhaustivo de la información relacionada con la compra y venta de bienes raíces en todas las regiones de Colombia. A partir del año 2020, nuestros mayores esfuerzos se centran en el departamento de Valle del Cauca, especialmente, en la ciudad de Cali.

Lo anterior, motivado por la tendencia al alza del nivel de ventas de inmuebles que se presentan en esta región, que acorde a los últimos informes publicados, se establece que en 2021, las ventas del sector en Cali llegaron a $6.700 millones COP y en 2022 a $6.100 mil millones COP.

Es por esto, que agradecemos a B&C, y en especial a los directivos, la confianza puesta en nuestra empresa, para la realización del informe del análisis de mercado inmobiliario en Cali, a partir, de la base de datos que nos remitió, donde se relaciona información asociada con estrato, valor de inmueble, localización, entre otros aspectos importantes.

Este informe, a partir de la base de datos, detalla el proceso de análisis de la misma, presentación de objetivos, métodos implementados y entrega de resultados (basados en análisis estadísticos). Esto, con el fin de poder generar en ustedes, un valor agregado en comparación con la competencia del mercado de bienes raíces, al brindarles información que fortalezca su poder de toma de decisiones y desarollo de estrategias de marketing.

2. Objetivos

2.1. General

  • Entregar a la empresa B&C un informe detallado en relación al análisis descriptivo del mercado inmobiliario en la ciudad de Cali, a partir de la base de datos remitida por el cliente.

2.2 Específicos

  • Implementar un análisis exploratorio de los datos remitidos por medio del uso de plataformas de lenguaje de programación R.
  • Presentar análisis obtenidos y sus correspondientes conclusiones por medio de una sección de discusión y resultados.

3. Métodos

Para la debida entrega de los resultados, nuestro procedimiento de análisis establece el uso de la implementación del software Rstudio. En él, será procesada la base de datos remitida por ustedes, para la debida interpretación por medio de los siguientes métodos:

  - Establecimiento de validación interna y externa
  - Identificación de colección de la información
  - Metodología estadística implementada
  - Análisis estadísitico por variable de interés

4. Resultados

En esta sección se presentarán los resultados de los análisis estadísticos de las variables, y la representación gráfica más adecuada para la visualización de su comportamiento. No contiene conclusiones. Éstas, serán detalladas en la siguiente sección.

  • Establecimiento de validación estadística

    Validación interna: Se evalúa la calidad de los datos suministrados en la base de datos, por medio, de la identificación de posibles errores, verificación de formatos, consistencia de la información, entre otros.

    Validación externa: Se identifica que los resultados a presentar en las siguientes secciones, pueden ser aplicables a una población más amplia.

  • Identificación de colección de la información

    Muestreo

  • Metodología estadística implementada

    Descriptiva

  • Análisis estadísitico por variable de interés

  • Variable Precio (Millones de pesos):

# Obtener un resumen estadístico de la variable "preciom" y capturar el resultado
resumen_preciom <- capture.output(summary(vivienda_faltantes$preciom))

# Obtener una descripción de la estructura de la variable "preciom" y capturar el resultado
descripcion_estructura_preciom <- capture.output(str(vivienda_faltantes$preciom, vec.len = 2))

# Mostrar el resumen estadístico y la descripción de la estructura de "preciom" en el informe
cat("Resumen estadístico de la variable 'Precio':\n")
## Resumen estadístico de la variable 'Precio':
cat(resumen_preciom, sep = "\n")
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    58.0   220.0   330.0   434.2   540.0  1999.0       2
# Calcular la frecuencia de la variable "preciom"
frecuencia_preciom <- table(vivienda_faltantes$preciom)
    
# Crear un dataframe con los datos para el gráfico
datos_grafico <- data.frame(Preciom = as.numeric(names(frecuencia_preciom)),
                                Frecuencia = as.numeric(frecuencia_preciom))
    
# Cargar la librería ggplot2
library(ggplot2)

# Histograma de la variable "preciom" sin valores no válidos
ggplot(vivienda_faltantes, aes(x = preciom)) +
  geom_histogram(binwidth = 1, fill = "steelblue", color = "blue", na.rm = TRUE) +
  labs(title = "Histograma de la variable 'Precio'",
       x = "Precio (Millones de pesos)",
       y = "Frecuencia")

  • Variable Estrato:
# Obtener un resumen estadístico de la variable "estrato" y capturar el resultado
resumen_estrato <- capture.output(summary(vivienda_faltantes$estrato))

# Obtener una descripción de la estructura de la variable "estrato" y capturar el resultado
descripcion_estructura_estrato <- capture.output(str(vivienda_faltantes$estrato, vec.len = 2))

# Mostrar el resumen estadístico y la descripción de la estructura de "estrato" en el informe
cat("Resumen estadístico de la variable 'Estrato':\n")
## Resumen estadístico de la variable 'Estrato':
cat(resumen_estrato, sep = "\n")
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   3.000   4.000   5.000   4.634   5.000   6.000       3
# Crear una tabla de frecuencia de la variable "estrato"
tabla_estrato <- table(vivienda_faltantes$estrato)

# Crear un gráfico de torta para la distribución de estratos
ggplot(data = as.data.frame(tabla_estrato), aes(x = "", y = Freq, fill = Var1)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar("y", start = 0) +
  labs(title = "Distribución de Estratos",
       fill = "Estrato",
       x = NULL,
       y = NULL) +
  theme_minimal() +
  theme(legend.position = "right")

  • Variable Piso:
    # Obtener un resumen estadístico de la variable "piso" y capturar el resultado
    resumen_piso <- capture.output(summary(vivienda_faltantes$piso))

    # Obtener una descripción de la estructura de la variable "piso" y capturar el resultado
    descripcion_estructura_piso <- capture.output(str(vivienda_faltantes$piso, vec.len = 2))

    # Mostrar el resumen estadístico y la descripción de la estructura de "piso" en el informe
    cat("Resumen estadístico de la variable 'Piso':\n")
## Resumen estadístico de la variable 'Piso':
    cat(resumen_piso, sep = "\n")
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   1.000   2.000   3.000   3.772   5.000  12.000    2641
    # Crear un gráfico de densidad para la variable "Piso"
ggplot(vivienda_faltantes, aes(x = piso)) +
  geom_density(fill = "steelblue") +
  labs(title = "Distribución de Valores de Piso",
       x = "Cantidad de Pisos",
       y = "Densidad") +
 scale_x_continuous(breaks = seq(0, 12, by = 1))+
  geom_vline(xintercept = seq(0, 12, by = 1), linetype = "dashed", color = "gray") #   establece los cortes del eje x en números enteros desde 0 hasta 12, con un intervalo de 1 unidad entre cada corte agrega líneas verticales en las posiciones especificadas en xintercept, que corresponden a los cortes en el eje x.  La opción linetype = "dashed" establece el tipo de línea y color = "gray" define el color de las líneas trazadas.
## Warning: Removed 2641 rows containing non-finite values (`stat_density()`).

  • Variable Área construida:
    # Obtener un resumen estadístico de la variable "areaconst" y capturar el resultado
    resumen_areaconst <- capture.output(summary(vivienda_faltantes$areaconst))

    # Obtener una descripción de la estructura de la variable "piso" y capturar el resultado
    descripcion_estructura_areaconst <- capture.output(str(vivienda_faltantes$areaconst, vec.len = 2))

    # Mostrar el resumen estadístico y la descripción de la estructura de "areaconst" en el informe
    cat("Resumen estadístico de la variable 'Área construida':\n")
## Resumen estadístico de la variable 'Área construida':
    cat(resumen_areaconst, sep = "\n")
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##      30      80     123     175     229    1745       3
    # Calcular la frecuencia de la variable "areaconst"
    frecuencia_areaconst <- table(vivienda_faltantes$areaconst)
    
    # Crear un dataframe con los datos para el gráfico
    datos_grafico <- data.frame(Areaconst = as.numeric(names(frecuencia_areaconst)),
                                Frecuencia = as.numeric(frecuencia_areaconst))
    
    # Cargar la librería ggplot2
# Cargar la librería ggplot2
library(ggplot2)

# Histograma de la variable "areaconst" sin valores no válidos y rango y valores de aumento personalizados en el eje y
ggplot(vivienda_faltantes, aes(x = areaconst)) +
  geom_histogram(binwidth = 1, fill = "steelblue", color = "steelblue", na.rm = TRUE) +
  labs(title = "Histograma de la variable 'Área construida (m2)'",
       x = "Área construida (m2)",
       y = "Frecuencia") +
  scale_y_continuous(limits = c(0, 150), breaks = seq(0, 150, 30)) # Ajusta los límites del eje y a 0 y 200, con valores de aumento cada 50 unidades

  • Variable Parqueaderos:
    # Obtener un resumen estadístico de la variable "parquea" y capturar el resultado
    resumen_parquea <- capture.output(summary(vivienda_faltantes$parquea))

    # Obtener una descripción de la estructura de la variable "parquea" y capturar el resultado
    descripcion_estructura_parquea <- capture.output(str(vivienda_faltantes$parquea, vec.len = 2))

    # Mostrar el resumen estadístico y la descripción de la estructura de "parquea" en el informe
    cat("Resumen estadístico de la variable 'Parqueadero':\n")
## Resumen estadístico de la variable 'Parqueadero':
    cat(resumen_parquea, sep = "\n")
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   1.000   1.000   2.000   1.836   2.000  10.000    1606
    # Calcular la frecuencia de la variable "parquea"
    frecuencia_parquea <- table(vivienda_faltantes$parquea)
    
    # Crear un dataframe con los datos para el gráfico
    datos_grafico <- data.frame(Parquea = as.numeric(names(frecuencia_parquea)),
                                Frecuencia = as.numeric(frecuencia_parquea))
    
    # Cargar la librería ggplot2
    library(ggplot2)
    
    # Crear el gráfico de barras con las etiquetas
    grafico <- ggplot(datos_grafico, aes(x = factor(Parquea), y = Frecuencia)) +
               geom_bar(stat = "identity", fill = "steelblue") +
               geom_text(aes(label = Frecuencia), vjust = -0.5, color = "black", size = 3.5) +
               labs(title = "Histograma de la variable 'Parqueadero'",
                    x = "Cantidad de Parqueaderos",
                    y = "Frecuencia")
    
    # Mostrar el gráfico en el documento
    print(grafico)

  • Variable Habitación:
    # Obtener un resumen estadístico de la variable "habitac" y capturar el resultado
    resumen_habitac <- capture.output(summary(vivienda_faltantes$habitac))

    # Obtener una descripción de la estructura de la variable "habitac" y capturar el resultado
    descripcion_estructura_habitac <- capture.output(str(vivienda_faltantes$habitac, vec.len = 2))

    # Mostrar el resumen estadístico y la descripción de la estructura de "habitac" en el informe
    cat("Resumen estadístico de la variable 'Habitación':\n")
## Resumen estadístico de la variable 'Habitación':
    cat(resumen_habitac, sep = "\n")
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   0.000   3.000   3.000   3.605   4.000  10.000       3
   # Crear un gráfico de densidad para la variable "Habitación"
ggplot(vivienda_faltantes, aes(x = habitac)) +
  geom_density(fill = "green") +
  labs(title = "Distribución de Valores de Habitaciones",
       x = "Cantidad de Habitaciones",
       y = "Densidad") +
 scale_x_continuous(breaks = seq(0, 10, by = 1)) +
  geom_vline(xintercept = seq(0, 10, by = 1), linetype = "dashed", color = "gray") #   establece los cortes del eje x en números enteros desde 0 hasta 12, con un intervalo de 1 unidad entre cada corte agrega líneas verticales en las posiciones especificadas en xintercept, que corresponden a los cortes en el eje x.  La opción linetype = "dashed" establece el tipo de línea y color = "gray" define el color de las líneas trazadas.
## Warning: Removed 3 rows containing non-finite values (`stat_density()`).

  • Variable Baños:
    # Obtener un resumen estadístico de la variable "banios" y capturar el resultado
    resumen_banios <- capture.output(summary(vivienda_faltantes$banios))

    # Obtener una descripción de la estructura de la variable "banios" y capturar el resultado
    descripcion_estructura_banios <- capture.output(str(vivienda_faltantes$banios, vec.len = 2))

    # Mostrar el resumen estadístico y la descripción de la estructura de "banios" en el informe
    cat("Resumen estadístico de la variable 'Baños':\n")
## Resumen estadístico de la variable 'Baños':
    cat(resumen_banios, sep = "\n")
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   0.000   2.000   3.000   3.112   4.000  10.000       3
    # Crear un gráfico de densidad para la variable "Baños"
ggplot(vivienda_faltantes, aes(x = banios)) +
  geom_density(fill = "pink") +
  labs(title = "Distribución de Valores de Baños",
       x = "Cantidad de Baños",
       y = "Densidad") +
 scale_x_continuous(breaks = seq(0, 12, by = 1)) +
  geom_vline(xintercept = seq(0, 12, by = 1), linetype = "dashed", color = "gray") #   establece los cortes del eje x en números enteros desde 0 hasta 12, con un intervalo de 1 unidad entre cada corte agrega líneas verticales en las posiciones especificadas en xintercept, que corresponden a los cortes en el eje x.  La opción linetype = "dashed" establece el tipo de línea y color = "gray" define el color de las líneas trazadas.
## Warning: Removed 3 rows containing non-finite values (`stat_density()`).

  • Variable Zona:
# Tabla de frecuencias de la variable "zona"
tabla_frecuencias <- table(vivienda_faltantes$zona)
print(tabla_frecuencias)
## 
##  Zona Centro   Zona Norte   Zona Oeste Zona Oriente     Zona Sur 
##          124         1922         1204          351         4726
# Cargar la librería ggplot2
library(ggplot2)

# Gráfico de torta de la variable "zona" con etiquetas de valores sin advertencia
ggplot(vivienda_faltantes, aes(x = "", fill = zona)) +
  geom_bar(width = 1) +
  coord_polar("y") +
  geom_text(stat="count", aes(label=after_stat(count)), position=position_stack(vjust=0.5)) +
  labs(title = "Distribución de la variable 'Zona'",
       fill = "Zona")

  • Variable Tipo de inmueble:
# Cargar la librería dplyr sin mostrar mensajes de conflicto
library(dplyr, warn.conflicts = FALSE)

# Recodificar los valores de la variable "tipo" para considerar "apto" igual que "apartamento"
vivienda_faltantes <- vivienda_faltantes %>% 
  mutate(tipo = recode(tipo, apto = "apartamento"))

# Convertir todos los valores de "zona" a minúsculas para el análisis estadístico
vivienda_faltantes$tipo <- tolower(vivienda_faltantes$tipo)

# Tabla de frecuencias de la variable "tipo" después de recodificar
tabla_frecuencias <- table(vivienda_faltantes$tipo)
tabla_frecuencias <- as.data.frame(tabla_frecuencias)
tabla_frecuencias$Var1 <- factor(tabla_frecuencias$Var1, levels = unique(tabla_frecuencias$Var1))
print(tabla_frecuencias)
##          Var1 Freq
## 1 apartamento 5106
## 2        casa 3221
# Cargar la librería ggplot2
library(ggplot2)

# Gráfico de torta de la variable "tipo" con etiquetas de valores sin advertencia
ggplot(vivienda_faltantes, aes(x = "", fill = tipo)) +
  geom_bar(width = 1) +
  coord_polar("y") +
  geom_text(stat="count", aes(label=after_stat(count)), position=position_stack(vjust=0.5)) +
  labs(title = "Distribución de la variable 'Tipo de inmueble'",
       fill = "Zona")

5. Discusión y Conclusiones

  • La información recolectada, se considera un muestreo, teniendo en cuenta que corresponde a una parte de la población de Cali que está realizando la venta de su inmueble.

  • Consideramos importante recomendar para futuras solicitudes de análisis de batos recolectadas por su empresa, como parte del análisis estadístico, no mezclar resultados de variables, de carácter cuantitativas, con cualitativas. Es decir, recomendamos establecer un criterio unánime para el establecimiento de los valores que puede adquirir cada variable a consultar.

  • A la variable piso, se le recomienda un nuevo proceso de recolección de información por parte de sus agentes inmobiliarios, o la persona encargada. Lo anterior, teniendo en cuenta que esta, contiene un total de 2.641 registros con información registrada como N.A.. Este valor, es equivalente a un 31.7% del valor total de la muestra, por lo tanto, es relevante para la toma de decisiones, y puede ser información de vital importancia, al no poder incluirla en la personalización del portafolio a sus clientes.

    Adicionalmente, informamos que para este estudio, se procedió a no tener en cuenta esta información para las conclusiones propuestas, dado que no existe una relación directa con otras variables, es decir, baños, habitaciones, estrato, entre otras,con el fin, de proponer un estadístico que permitiera rellenar esta información.

  • Este caso, de igual manera sucede para la variable parqueaderos, teniendo en cuenta que esta, contiene un total de 1.606 registros con información registrada como N.A.. Este valor, es equivalente a un 19.3% del valor total de la muestra. Por lo tanto, aplica el tratamiento y recomendaciones realizadas a la variable Piso.

  • A continuación, relacionamos datos generales obtenidos del análisis estadístico por variable (Sección 4. Resultados):

    • El valor promedio de avalúo es de $ 434.200.000 de pesos, con un máximo de $1.999.000.000 y un mínimo de $58.000.000
    • La mayor cantidad de inmuebles se encuentran en el estrato 5 (2.751 inmuebles). La menor cantidad, en el estrato 3 (1.453 inmuebles). La mayoría de inmuebles se ubican en los estratos 4 y 5.
    • El valor promedio del área construida de los inmuebles es de 175 m2, con un máximo de 1.745 m2 y un mínimo de 30 m2. La mayor cantidad de inmuebles se ubican entre 80 m2 y 250 m2.
    • El valor promedio de parqueaderos disponibles es de aproximadamente 2, con un máximo de 10 y un mínimo de 1. La mayor cantidad de inmuebles cuentan con 1 o 2 parquedaeros.
    • El valor promedio de habitaciones es de aproximadamente 4, con un máximo de 10 y un mínimo de 1. La mayor cantidad de inmuebles cuentan con 3 o 4 habitaciones.
    • El valor promedio de baños es de aproximadamente 3, con un máximo de 10 y un mínimo de 0. La mayor cantidad de inmuebles cuentan con entre 2 a 4 baños.
    • La mayor cantidad de inmuebles se ubican en la Zona Sur (4.726 inmuebles) y la menor cantidad en la Zona Centro (124 inmuebles)
    • La mayor cantidad de inmuebles corresponden a apartamentos (5.106 inmmuebles) y la menor cantidad a casas (3.221 inmuebles)

A continuación, se presenta la posible relación de comportamiento entre par de variables de estudio, que consideramos, son las de mayor incidencia para su análisis:

  • Teniendo en cuenta la información del diagrama de cajas a presentar, asociado a la relación de las variables Estrato y Precio, detallamos las siguientes conclusiones:
# Cargar la librería ggplot2
library(ggplot2)

# Convertir las variables en factores
vivienda_faltantes$estrato <- factor(vivienda_faltantes$estrato)

# Eliminar filas con valores NA en la variable "preciom" y "estrato"
vivienda_faltantes <- vivienda_faltantes[complete.cases(vivienda_faltantes$preciom, vivienda_faltantes$estrato),]

# Gráfico de dispersión para las variables "estrato" y "preciom" con vivienda_faltantes
ggplot(vivienda_faltantes, aes(x = estrato, y = preciom)) +
  geom_boxplot() +
  stat_summary(fun = mean, geom = "text", aes(label = round(after_stat(y), 2)),
               vjust = 0, color = "black", size = 4) +
  labs(title = "Gráfico de cajas entre Estrato y Precio",
       x = "Estrato",
       y = "Precio (Millones de Pesos)")

     1. El promedio de avalúos de los inmuebles es de $ 434.200.000 de pesos (Sección 4. Resultados - Variable Precio), y como se observa en el gráfico de cajas, el valor más cercano a este promedio se puede encontrar en el estrato 5. Por lo que esta zona, puede considerase atractiva para la venta de inmuebles cuyo avalúo, se encuentre definido en el rango establecido por el diagrama de cajas para esta zona. 
     
     2. Teniendo en cuenta que el promedio del precio en los estratos 3 y 4, está por debajo del valor promedio de la muestra, recomendamos no gestionar inmuebles cuyo avalúo, en estos estratos, supere el límite superior que detalla el gráfico de cajas, al ser datos atípicos en la zona. Lo anterior, bajo la premisa, que se puede reducir también la posibilidad de encontrar clientes en la zona, con poder adquisitivo para la compra de inmuebles con valor por fuera de los rangos determinados.  

    3. Recomendamos no realizar procesos de comercialización en los inmuebles que pertenecen al estrato 6, y tienen avalúo superiores a $1.500.000.000 de pesos. Lo anterior, teniendo en cuenta que distan del valor promedio que se puede encontrar en este estrato, y puede que su venta sea un proceso de larga duración que no genere rentabilidad a su negocio. Hasta el punto, de no poder encontrar un cliente fácilmente.
  • Teniendo en cuenta la información del diagrama de cajas a presentar, asociado a la relación de las variables Zona y Precio, detallamos las siguientes conclusiones:
# Cargar la librería ggplot2
library(ggplot2)

# Convertir la variable "zona" en factor para que sea tratada como cualitativa
vivienda_faltantes$zona <- factor(vivienda_faltantes$zona)

# Gráfico de caja y bigotes para la variable "preciom" según la variable "zona"
ggplot(vivienda_faltantes, aes(x = zona, y = preciom, fill = zona)) +
  geom_boxplot() +
  stat_summary(fun = mean, geom = "text", aes(label = round(after_stat(y), 2)),
               vjust = 0, color = "black", size = 4)+
  labs(title = "Relación entre Zona y Precio",
       x = "Zona",
       y = "Precio (Millones de pesos") +
  theme_minimal()

    1. La Zona sur, es la que tiene un valor promedio de avalúo, más cercano al valor promedio de la muestra.
    
    2. La Zona Oriente, es donde se refleja el menor valor promedio de avalúos de todas las zonas, por lo tanto, se recomienda no gestionar inmuebles en esta área, cuyo valor supere los $500.000.000 de pesos, dado que podría ser una inversión que no genere rentabilidad a su empresa.
    
    3. Teniendo en cuenta la recomendación anterior, extendemos el análisis a las otras zonas:
      - Zona Centro: Se recomienda no gestionar inmuebles que superen el valor de $550.000.000 
      - Zona Norte: Se recomienda no gestionar inmuebles que superen el valor de $750.000.000 
      - Zona Oeste: Se recomienda no gestionar inmuebles que superen el valor de $1.500.000.000 
      - Zona Sur: Se recomienda no gestionar inmuebles que superen el valor de $1.000.000.000
  • Teniendo en cuenta la información del diagrama de cajas a presentar, asociado a la relación de las variables Estrato y Área construida, detallamos las siguientes conclusiones:
# Cargar la librería ggplot2
library(ggplot2)

# Convertir la variable "zona" en factor para que sea tratada como cualitativa
vivienda_faltantes$estrato <- factor(vivienda_faltantes$estrato)

# Gráfico de caja y bigotes para la variable "areaconst" según la variable "estrato"
ggplot(vivienda_faltantes, aes(x = estrato, y = areaconst, fill = estrato)) +
  geom_boxplot() +
  stat_summary(fun = mean, geom = "text", aes(label = round(after_stat(y), 2)),
               vjust = 0, color = "black", size = 4)+
    labs(title = "Relación entre Estrato y área construida",
       x = "Estrato",
       y = "Área construida (m2)") +
  theme_minimal()

    1. La relación de área construida y estrato, denota que cada zona de estudio, manejan valores de metraje que en promedio, no son muy distantes al comportamiento general de le evaluación de todos los predios. Por lo tanto, detallamos los valores a partir de los cuales, consideramos que ya se pueden convertir en casos atípicos en cada estrato, y pueden conllevar a un posible proceso lento de venta del inmueble:
    
      - Estrato 3, a partir de 300 m2
      - Estrato 4, a partir de 280 m2
      - Estrato 5, a partir de 300 m2
      - Estrato 6, a partir de 550 m2

Teniendo en cuenta toda la información presentada, recomendamos realizar una personalización de sus productos a posibles clientes, acorde al perfil, poder adquisitivo y necesidades del mismo. Ya que acorde a la muestra seleccionada, en Cali, podremos encontrar gran variedad de inmuebles, que incluyan a satifacción, requerimientos del cliente asociados a área construida, habitación, baños, entre otras variables.

Por último, agradecemos nuevamente la confianza en nuestra empresa y esperamos que el análisis presentado y sus correspondientes recomendaciones, permitan definir el nicho de mercado y desarrollo de sus estrategias de marketing.

6. Anexos

El presente informe no contiene anexos.