Informe Estadístico - Análisis de Bienes Raíces en Cali

1. Introducción

La empresa B&C (Bines y Casas) está inmersa en la búsqueda de nuevos análisis que les permitan determinar y tomar decisiones fundamentadas para su negocio. El notorio crecimiento que han experimentado en los últimos años les ha llevado a implementar métodos de análisis avanzados para descubrir patrones concretos en el mercado. Este enfoque les posibilitará tomar decisiones estratégicas con respecto a la dirección que deben tomar para impulsar sus ventas. El objetivo final es brindar a B&C un panorama claro y perspicaz sobre las dinámicas del mercado en los años recientes. Este análisis permitirá a la empresa tomar decisiones informadas y estratégicas, identificando oportunidades y áreas que requieren mayor enfoque en sus esfuerzos comerciales.

2. Objetivos

3. Métodos

Se empleó una base de datos proporcionada por la empresa B&C, la cual abarcó las ventas de los años 2021 y 2022. Se realizó una exhaustiva limpieza y depuración de los datos a fin de asegurar la calidad y confiabilidad de la información. Posteriormente, se aplicaron diversas herramientas estadísticas, como gráficos y tablas, con el propósito de visualizar y analizar el comportamiento de las distintas variables presentes en los datos y observar sus relaciones.

Durante este proceso se identificaron variables de alta relevancia, las cuales se convirtieron en el enfoque central de nuestro análisis. Estas variables clave incluyeron el precio, la ubicación, las características y las ventas de las viviendas en Cali.

Para llevar a cabo este análisis de manera efectiva, se utilizó el lenguaje de programación R. La elección de R permitió aplicar una variedad de técnicas estadísticas y crear visualizaciones impactantes que facilitaron la comprensión de los patrones y tendencias presentes en los datos. Esta combinación de herramientas y enfoque nos permitió proporcionar a la empresa B&C una visión profunda y valiosa de su situación en el mercado inmobiliario de Cali.

4. Resultados

  1. Precio de las Viviendas en Diferentes Zonas de Cali: Se observaron diferencias significativas en los precios de las viviendas según la zona. En la zona oeste, se encuentran los precios mas altos del mercado, con 678.68 pesos el metro, Nos damos cuenta que a comparación de las demas zonas, posee una diferencia bastante significativa del precio. Por otro lado la Zona Oriente posee los precios mas bajos en el mercado con 228.53 pesos el metro.

  2. Tipos de Viviendas Más Vendidas: Se encontró que los apartamentos son los tipos de viviendas más vendidos en Cali con el 61% de viviendas vendidas, seguidos de las casas con un 39% de participación. Los compradores muestran preferencia por opciones compactas y de fácil mantenimiento.

  3. Características Más Buscadas en las Viviendas: Entre las características más buscadas que influyeron en las decisiones de compra de viviendas, destacaron elementos como la ubicación en barrios específicos, el número de habitaciones y de baños. Estos parámetros desempeñaron un papel crucial para los clientes al momento de tomar sus elecciones de compra.

    Mediante el análisis realizado, pudimos determinar que, dentro de este período de estudio, los cinco barrios con las ventas más significativas estuvieron encabezados por Valle de Lili, seguido por Ciudad Jardín. Asimismo, observamos que las viviendas adquiridas tendieron a poseer, en su mayoría, un promedio de tres habitaciones, indicador que denota una alta prevalencia de propiedades con esta cantidad de habitaciones. Además, se identificó que las preferencias también recaían en propiedades con dos baños. Estos hallazgos revelan algunas de las características fundamentales en las cuales los compradores centran su atención al momento de decidir por la compra de su vivienda.

  4. Evolución del Mercado de Bienes Raíces: Al llevar a cabo un análisis exploratorio de las zonas residenciales y los tipos de viviendas, se evidenció que las mayores ventas se registraron en la zona sur de la ciudad, seguida de cerca por la zona norte. Es notorio que, si bien es cierto que el valor promedio de las casas genera un margen de ganancia significativo, es en la zona sur donde se concentran las ventas más notables de este tipo de propiedades. Además, resulta relevante mencionar que esta zona ocupa el segundo lugar en el escalafón de precios de venta más altos, con un valor de 426 pesos por metro.

    Analizando esta perspectiva, se infiere que la empresa ha sabido enfocarse con éxito en el segmento de mercado que les brinda el mayor aporte tanto en términos económicos como en el número de clientes. No obstante, se vislumbra la posibilidad de intensificar la atención en el mercado de la zona oeste, que se erige como la de mayor precio de venta. Esta dirección podría potenciar aún más la posición estratégica de la empresa y ampliar su alcance en el mercado inmobiliario.

5. Discusión

Los resultados sugieren que B&C podría enfocarse en la promoción de apartamentos y casas en zona oeste para maximizar sus ventas. La empresa también debería considerar la inclusión de características como la cercanía a servicios y la seguridad en su estrategia de marketing. La disminución en las ventas en 2022 podría atribuirse a factores económicos temporales y no a una tendencia a la baja en el mercado.

6. Conclusiones

A través de este análisis, se ha revelado que la empresa B&C (Bines y Casas) ha adoptado una perspectiva visionaria al enfocarse en la búsqueda de análisis que impulsen decisiones fundamentadas para su negocio. El destacado crecimiento que ha experimentado en los últimos años ha servido de catalizador para implementar métodos de análisis avanzados, detectando patrones concretos en el mercado. Este enfoque proactivo les brinda la capacidad de tomar decisiones estratégicas informadas, lo que contribuye directamente a la dirección que deben seguir para fortalecer y dinamizar sus ventas. El propósito fundamental de este informe ha sido proporcionar a B&C una visión clara y perspicaz de las dinámicas del mercado en los años más recientes. A través de los analisis hechos a los precios, tipos de viviendas y preferencias de los compradores, se ha logrado una comprensión mas abierta sobre los proximos enfoque que B&C deberia de tener para los proximos años. y con esto tomar decisiones más acertadas y estratégicas, identificando tanto oportunidades de crecimiento como áreas que requieren una mayor atención.

7. Anexos

Los gráficos y tablas detallados generados durante el análisis fueron los siguientes.

Precio de las Viviendas en Diferentes Zonas de Cali

# Crea el gráfico de barras utilizando ggplot2
library(ggplot2)

# Ordena los datos de mayor a menor precio metro cuadrado

precio_promedio_por_zona <- aggregate(preciom ~ zona, data = vivienda_faltantes, FUN = mean)
grafico_barras <- ggplot(precio_promedio_por_zona, aes(x = reorder(zona,-preciom), y = preciom, fill = zona)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = sprintf("%0.2f", round(preciom, digits = 2))),position = position_stack(vjust = 1.05), color = "black",) +
  theme_minimal() +
  labs(title = "Precio Promedio de Viviendas por Zona",
       x = "Zona",
       y = "Precio Promedio") +
  scale_fill_brewer(palette = "Set1") 

# Muestra el gráfico

print(grafico_barras)

Tipos de Viviendas Más Vendidas

# limpiesa y organización variable tipo
vivienda_faltantes$tipo <- gsub("APARTAMENTO", "Apartamento", vivienda_faltantes$tipo)
vivienda_faltantes$tipo <- gsub("apto", "Apartamento", vivienda_faltantes$tipo)
vivienda_faltantes$tipo <- gsub("casa", "Casa", vivienda_faltantes$tipo)
vivienda_faltantes$tipo <- gsub("CASA", "Casa", vivienda_faltantes$tipo)

# Instala y carga el paquete ggplot2 
library(ggplot2)


t<-table(vivienda_faltantes$tipo)
por=100*t/sum(t)
eti=paste(names(t),round(por),"%",sep =" ")
pie(t,
    col = c("green","blue"),
    main = "Tipo de viviendas mas vendidas",
    clockwise = TRUE,
    init.angle=45,
    labels=eti)

Características Más Buscadas en las Viviendas

#BARRIO
# Calcular el recuento de cada tipo
recuento_barrio <- table(vivienda_faltantes$barrio)
barrios_mas_comunes <- names(head(sort(recuento_barrio, decreasing = TRUE), 5))

# Filtrar los datos para incluir solo los tipos más comunes
datos_filtrados <- vivienda_faltantes[vivienda_faltantes$barrio %in% barrios_mas_comunes, ]

# Crea la gráfica de barras con el recuento de los tipos más comunes utilizando ggplot2
grafico_barras <- ggplot(datos_filtrados, aes(x = barrio)) +
  geom_bar(fill = "blue", alpha = 0.7) +
  theme_minimal() +
  labs(title = "Recuento de los 5 Tipos Más Comunes", x = "Barrio", y = "Recuento")

# Muestra el gráfico
print(grafico_barras)

#HABITACIONES

recuento_variable <- table(vivienda_faltantes$habitac)

# Convertir los datos a un formato adecuado para ggplot2
datos_plot <- as.data.frame(recuento_variable)
colnames(datos_plot) <- c("habitac", "recuento")

# Crea la gráfica de barras con el recuento de la variable utilizando ggplot2
grafico_barras <- ggplot(datos_plot, aes(x = habitac, y = recuento)) +
  geom_bar(stat = "identity", fill = "green", alpha = 0.7) +
  geom_text(aes(label = recuento), vjust = -0.5, color = "black") +  # Agregar etiquetas
  theme_minimal() +
  labs(title = "Recuento de Variable", x = "Variable", y = "Recuento")

# Muestra el gráfico
print(grafico_barras)

#BAÑOS

recuento_variable1 <- table(vivienda_faltantes$banios)

# Convertir los datos a un formato adecuado para ggplot2
datos_plot1 <- as.data.frame(recuento_variable1)
colnames(datos_plot1) <- c("banios", "recuento1")

# Crea la gráfica de barras con el recuento de la variable utilizando ggplot2
grafico_barras2 <- ggplot(datos_plot1, aes(x = banios, y = recuento1)) +
  geom_bar(stat = "identity", fill = "pink", alpha = 0.7) +
  geom_text(aes(label = recuento1), vjust = -0.5, color = "black") +  # Agregar etiquetas
  theme_minimal() +
  labs(title = "Recuento de Variable", x = "Variable", y = "Recuento")

# Muestra el gráfico
print(grafico_barras2)

# Tabla de contingencia entre zona y tipo de vivienda
tabla_contingencia <- table(vivienda_faltantes$zona, vivienda_faltantes$tipo)

# Mostrar tabla de contingencia
print(tabla_contingencia)
##               
##                Apartamento Casa
##   Zona Centro           24  100
##   Zona Norte          1199  723
##   Zona Oeste          1035  169
##   Zona Oriente          62  289
##   Zona Sur            2786 1940
# Tabla de contingencia entre tipo de vivienda y precio
precio_promedio <- aggregate(preciom ~ tipo, data = vivienda_faltantes, FUN = mean)

print(precio_promedio)
##          tipo  preciom
## 1 Apartamento 367.6236
## 2        Casa 539.8758