1. Introducción

El presente informe ejecutivo muestra un análisis de información sobre el mercado inmobiliario de la ciudad de Cali. El foco de este documento apunta a cuatro topicos de interés de la compañia B&C:

  1. El precio de las viviendas en diferentes zonas de ciudad.

  2. El tipo de viviendas más vendidas.

  3. Características más demandadas.

  4. Evolución del mercado de bienes raíces en Cali.

Para contextualizar la situación del mercado inmobiliario en la actualidad es preciso tener presente que se espera que este sector continúe creciendo en el largo plazo debido al comportamiento del mercado en los últimos años. En 2021, las ventas del sector en Cali llegaron a $6700 millones y en 2022 a $6100 mil millones. Adicionalmente, la coyuntura ecónomica nos permite ser optimistas en vista que variables relevantes como la inversión extranjera directa, la confianza del consumidor y la sostenibilidad de la economía regional apalancan este optimismo, no en vano apesar del desarrollo sostenido del sector inmobiliario la demanada del sector no se reduce, por el contrario se proyecta siga creciendo.

2. Objetivos

Mediante este documento se busca facilitar la toma de desiciones de la compañia B&C acercandoles información concisa y veraz sobre el mercado inmobiliario. Esta información permitirá encontrar el nicho de mercado y desarrollar las estratregias de mercadeo óptimas que permitan ubicar los potenciales clientes gracias a un servicio personalizado y precios atractivos.

3. Métodos

Los métodos utilizados en este estudio permiten garantizar un apropiado uso de la información disponible y un acercamiento de alta presición a la realidad del mercado. Los métodos utilizados parra generar este reporte se resumen así:

3.1 Parametrización de la base de datos

Primero se depuraron los registros sin información.

Segundo se quitaron registros duplicados.

Tercero se estandarizaron los datos de las variables.

El anterior ejercicio se conoce como preprocesamiento, como está relacionado se quitaron registros con datos faltantes en todas sus variables lo cual hace que los registros fueran irrelevantes, se quitaron los registros con datos duplicados en todas sus variables y por último, se parametrizaron los datos de las variables.

El resultado de este ejercicio permitirá trabajar desde la base ajustada con 8319 registros de los 8330 registros iniciales. Los registros con datos faltantes serán tratados más adelante y se hará un apartado especial para esta acción.

3.2 Manejo de datos faltantes

Es quizás el mayor desafío de este desarrollo y por ende, se hace un acercamiento con diferentes estrategías que garanticen que el resultado es el mejor posible con la información disponible.

3.3 Estadísica Descriptiva

Se realiza un acercamiento estadístico a tráves de herramientas como tablas descriptivas de datos y uso de gráficos descriptivos.

Gracias a este desarrollo se tendrá el entendimiento general del sector mediante herramientas visuales de facil compresión.

4. Resultados

4.1 Base de Datos

Primero se presenta la base de datos con la cual se va a trabajar.

file.choose()
## [1] "C:\\Users\\edwin\\OneDrive\\Documentos\\MAESTRIA CIENCIA DE DATOS\\METODOS Y SIMULACION ESTADISTICA\\vivienda_faltantes.csv"
bbdd_viviendas=read.csv("C:\\Users\\edwin\\OneDrive\\Documentos\\MAESTRIA CIENCIA DE DATOS\\METODOS Y SIMULACION ESTADISTICA\\vivienda_faltantes.csv")

#Primero visualizamos el tamaño de la bbdd, las variables, el tipo de variables

str(bbdd_viviendas)
## 'data.frame':    8330 obs. of  13 variables:
##  $ id       : int  8312 8311 8307 8296 8297 8298 8299 8300 8286 8287 ...
##  $ zona     : chr  "Zona Oeste" "Zona Oeste" "Zona Oeste" "Zona Sur" ...
##  $ piso     : int  4 1 NA 2 NA NA 2 NA NA 2 ...
##  $ estrato  : int  6 6 5 3 5 5 6 5 5 5 ...
##  $ preciom  : int  1300 480 1200 220 330 1350 305 480 275 285 ...
##  $ areaconst: num  318 300 800 150 112 390 125 280 74 120 ...
##  $ parquea  : int  2 1 4 1 2 8 2 4 1 2 ...
##  $ banios   : int  4 4 7 2 4 10 3 4 2 4 ...
##  $ habitac  : int  2 4 5 4 3 10 3 4 3 3 ...
##  $ tipo     : chr  "Apartamento" "Casa" "Casa" "Casa" ...
##  $ barrio   : chr  "arboleda" "normandía" "miraflores" "el guabal" ...
##  $ longitud : num  -76576 -76571 -76568 -76565 -76565 ...
##  $ latitud  : num  3454 3454 3455 3417 3408 ...

4.2 Depuración

Inicialmente se realiza depuración de los registros que tienen datos faltantes en todas sus variables.

#Generamos los datos faltantes

faltantes <- colSums(is.na(bbdd_viviendas))

#Visualizamos los datos faltantes

faltantes
##        id      zona      piso   estrato   preciom areaconst   parquea    banios 
##         3         3      2641         3         2         3      1606         3 
##   habitac      tipo    barrio  longitud   latitud 
##         3         3         3         3         3
#sin contar las variables piso y parquea, las variables tienen datos faltantes pero el número de registros no son representantivos en la base

bd_viviendas <- bbdd_viviendas[complete.cases(bbdd_viviendas[,1]),]

faltantes <- colSums(is.na(bd_viviendas))

#confirmamos que ya no hay datos faltantes 
faltantes
##        id      zona      piso   estrato   preciom areaconst   parquea    banios 
##         0         0      2638         0         0         0      1603         0 
##   habitac      tipo    barrio  longitud   latitud 
##         0         0         0         0         0

Posteriormente se realiza una depuración de registros cuyos datos estan duplicados en todas las variables

#depuramos duplicidad de registros

viviendas <- unique(bd_viviendas)

Ahora ejecutamos algunas acciones para ajustar los datos de las variables de cada registro en búsqueda de una base estandarizada.

#estandarizar los tipos de vivienda a solo dos clases de registros

viviendas$tipo <- str_replace(viviendas$tipo,"apto","Apartamento")
viviendas$tipo <- str_replace(viviendas$tipo,"APARTAMENTO","Apartamento")
viviendas$tipo <- str_replace(viviendas$tipo,"casa","Casa")
viviendas$tipo <- str_replace(viviendas$tipo,"CASA","casa")
viviendas$tipo <- str_replace(viviendas$tipo,"Casa","casa")

viviendas$barrio <- str_replace(viviendas$barrio,"ó","o")
viviendas$barrio <- str_replace(viviendas$barrio,"ñ","ñ")
viviendas$barrio <- str_replace(viviendas$barrio,"Ã-","i")
viviendas$barrio <- str_replace(viviendas$barrio,"é","e")
viviendas$barrio <- str_replace(viviendas$barrio,"á","a")
viviendas$barrio <- str_replace(viviendas$barrio,"é","e")
viviendas$barrio <- str_replace(viviendas$barrio,"í","i")
viviendas$barrio <- str_replace(viviendas$barrio,"ó","o")
viviendas$barrio <- str_replace(viviendas$barrio,"ú","u")
viviendas$barrio <- str_replace(viviendas$barrio,"√∫","u")
viviendas$barrio <- str_replace(viviendas$barrio,"el caney","caney")
viviendas$barrio <- str_replace(viviendas$barrio,"El Caney","caney")
viviendas$barrio <- str_replace(viviendas$barrio,"agua blanca","aguablanca")
viviendas$barrio <- str_replace(viviendas$barrio,"ñ","ñ")
viviendas$barrio <- str_replace(viviendas$barrio,"barrio ","")
viviendas$barrio <- str_replace(viviendas$barrio,"cali bella","calibella")
viviendas$barrio <- str_replace(viviendas$barrio,"ciudadela pasoancho","ciudadela paso ancho")
viviendas$barrio <- str_replace(viviendas$barrio,"pampa linda","pampa linda")

Ahora podemos ver la nueva base de datos y un resumen de los principales indicadores.

#confirmamos el estado de la nueva base

str(viviendas)
## 'data.frame':    8319 obs. of  13 variables:
##  $ id       : int  8312 8311 8307 8296 8297 8298 8299 8300 8286 8287 ...
##  $ zona     : chr  "Zona Oeste" "Zona Oeste" "Zona Oeste" "Zona Sur" ...
##  $ piso     : int  4 1 NA 2 NA NA 2 NA NA 2 ...
##  $ estrato  : int  6 6 5 3 5 5 6 5 5 5 ...
##  $ preciom  : int  1300 480 1200 220 330 1350 305 480 275 285 ...
##  $ areaconst: num  318 300 800 150 112 390 125 280 74 120 ...
##  $ parquea  : int  2 1 4 1 2 8 2 4 1 2 ...
##  $ banios   : int  4 4 7 2 4 10 3 4 2 4 ...
##  $ habitac  : int  2 4 5 4 3 10 3 4 3 3 ...
##  $ tipo     : chr  "Apartamento" "casa" "casa" "casa" ...
##  $ barrio   : chr  "arboleda" "normandia" "miraflores" "el guabal" ...
##  $ longitud : num  -76576 -76571 -76568 -76565 -76565 ...
##  $ latitud  : num  3454 3454 3455 3417 3408 ...
summary(viviendas)
##        id           zona                piso           estrato     
##  Min.   :   1   Length:8319        Min.   : 1.000   Min.   :3.000  
##  1st Qu.:2080   Class :character   1st Qu.: 2.000   1st Qu.:4.000  
##  Median :4160   Mode  :character   Median : 3.000   Median :5.000  
##  Mean   :4160                      Mean   : 3.771   Mean   :4.634  
##  3rd Qu.:6240                      3rd Qu.: 5.000   3rd Qu.:5.000  
##  Max.   :8319                      Max.   :12.000   Max.   :6.000  
##                                    NA's   :2635                    
##     preciom         areaconst         parquea           banios      
##  Min.   :  58.0   Min.   :  30.0   Min.   : 1.000   Min.   : 0.000  
##  1st Qu.: 220.0   1st Qu.:  80.0   1st Qu.: 1.000   1st Qu.: 2.000  
##  Median : 330.0   Median : 123.0   Median : 2.000   Median : 3.000  
##  Mean   : 433.9   Mean   : 174.9   Mean   : 1.835   Mean   : 3.111  
##  3rd Qu.: 540.0   3rd Qu.: 229.0   3rd Qu.: 2.000   3rd Qu.: 4.000  
##  Max.   :1999.0   Max.   :1745.0   Max.   :10.000   Max.   :10.000  
##                                    NA's   :1602                     
##     habitac           tipo              barrio             longitud        
##  Min.   : 0.000   Length:8319        Length:8319        Min.   :-76576.00  
##  1st Qu.: 3.000   Class :character   Class :character   1st Qu.:-76507.00  
##  Median : 3.000   Mode  :character   Mode  :character   Median :   -76.54  
##  Mean   : 3.605                                         Mean   :-21866.06  
##  3rd Qu.: 4.000                                         3rd Qu.:   -76.52  
##  Max.   :10.000                                         Max.   :   -76.46  
##                                                                            
##     latitud        
##  Min.   :   3.333  
##  1st Qu.:   3.390  
##  Median :   3.449  
##  Mean   : 971.300  
##  3rd Qu.:3367.000  
##  Max.   :3497.000  
##

Desde aquí iniciaremos un tratamiento especial para las variables “piso” y ” parquea” que contienen 2635 y 1602 datos perdidos respectivamente. Se realizará un modelado para mantener la información de estos registros de las otras variables y mitigar la posibilidad de sesgos en la muestra si retiraramos estos registros de la base. Podemos observar con mayor claridad la situación descrita a través de la siguientes ilustraciones.

grafico <- md.pattern(viviendas, rotate.names = TRUE)

Este último gráfico nos brinda una visión más detallada de los datos perdidos en las variables respecto al total de la muestra. Se observa que 726 registros tienen datos faltantes para ambas variables en cuestión, 876 registros tienen datos faltantes en la variable parquea, 1909 registros tienen datos faltantes para la variable piso y 4808 registros no presentan datos faltantes.

Haremos un análisis descriptivo previo a la imputación de datos para medir el efecto de la imputación realizada.

4.3 Imputación

Analicemos la distribución de los datos dentro de la variable parquea.

hist(viviendas$parquea)

Es claro que la mayoría de los datos están concentrados a la izquierda de la distribucíon y que los datos son menores o iguales a 3. Esta información ratifica lo mostrado a través del resumen inicial donde observamos que la media se acerca a 2 y la mediana es dos incluso el tercer cuartil muestra que los datos son iguales o menores a dos. De acuerdo a esta evidencia es coherente reemplazar los datos faltantes con la mediana.

mediana_parquea <- median(viviendas$parquea, na.rm = TRUE)
viviendas$parquea[is.na(viviendas$parquea)] <- mediana_parquea

De manera similar observaremos la distribución de los datos de la variables piso.

hist(viviendas$piso)

observamos que el comportamiento de la distribución es similar a la variable parquea.

media_piso <- mean(viviendas$piso, na.rm = TRUE)
viviendas$piso[is.na(viviendas$piso)] <- media_piso

A continuación se puede confirmar que a través del reemplazo de los datos faltantes en la variable parquea con la mediana y el reemplazo de los datos faltantes en la variable piso con la media, hemos completado el proceso de estandarización de la base de datos.

gg_miss_var(viviendas)

4.3 Análisis de Información

Precio de las Viviendas Según la Zona de Ubicación

table(viviendas$zona, viviendas$tipo)
##               
##                Apartamento casa
##   Zona Centro           24  100
##   Zona Norte          1198  722
##   Zona Oeste          1029  169
##   Zona Oriente          62  289
##   Zona Sur            2786 1940
zona_vivi <- table(viviendas$tipo, viviendas$zona )

barplot(zona_vivi, main="Tipos de Vivivenda por Zonas",  
        xlab="Zona",
        col=c("#008B8B","#6E8B3D", "#8B3E2F", "#68228B", "#CDAD00"),
        legend = rownames(zona_vivi ),
        las=1, ylim = c(0,5000), 
        names.arg=c("Norte","Oriente","Centro","Occidente","Sur"))

Podemos apreciar que la gran mayoría de los inmuebles se encuentran ubicados en la zona sur así mismo se puede notar que la mayoría de los inmuebles son de tipo Apartamento.

table(viviendas$tipo)
## 
## Apartamento        casa 
##        5099        3220
Precio_v_zonas = aggregate(by = list(viviendas$zona,viviendas$tipo), viviendas$preciom, FUN=mean)
colnames(Precio_v_zonas)=c("Zona", "Tipo de vivienda", "Precio promedio de vivienda")
Precio_v_zonas <- Precio_v_zonas[with(Precio_v_zonas, order(-Precio_v_zonas$`Precio promedio de vivienda`)), ]
Precio_v_zonas
##            Zona Tipo de vivienda Precio promedio de vivienda
## 8    Zona Oeste             casa                    736.3550
## 3    Zona Oeste      Apartamento                    667.9271
## 10     Zona Sur             casa                    612.0077
## 7    Zona Norte             casa                    445.9058
## 6   Zona Centro             casa                    339.2400
## 5      Zona Sur      Apartamento                    297.3550
## 2    Zona Norte      Apartamento                    285.1619
## 9  Zona Oriente             casa                    244.8201
## 1   Zona Centro      Apartamento                    186.5833
## 4  Zona Oriente      Apartamento                    152.5968

Así mismo, podemos observar el precio promedio por tipos de inmuebles según las zonas de la ciudad.

caract <- table(viviendas$tipo, viviendas$piso)

barplot(caract, main="Piso por Tipo de Vivivenda",  
        xlab="Pisos",
        col=c("#B0E2FF","#CAE1FF"),
        legend = rownames(caract),
        las=1, ylim = c(0,5000))

Realizaremos un análisis para validar datos atípicos en las variables

boxplot(viviendas$parquea, vertical=TRUE, xlab="Parqueaderos")

par(mfrow=c(1,2))
boxplot(viviendas$piso, vertical=TRUE, xlab="Piso")
boxplot(viviendas$estrato, vertical=TRUE, xlab="Estrato")

boxplot(viviendas$preciom, vertical=TRUE, xlab="Precio")

boxplot(viviendas$areaconst, vertical=TRUE, xlab="Area Construida")

boxplot(viviendas$habitac, vertical=TRUE, xlab="Habitaciones")

boxplot(viviendas$banios, vertical=TRUE, xlab="Baños")

5. Conclusiones

Las variables parquea y piso so pena de tener una gran catidad de datos faltantes contenian información relevante y apesar de usar un método de imputación muy básico se logra obtener información significativa y con reducción de sesgos

El 56.7% de las viviendas está en la zona sur esto confirmar que es una zona m{as densamente poblada con un gran incentivo por estar ubicado en esta zona de la ciudad.

En promedio el 60.3 % de viviendas son Apartamentos y el 39.7 % son Casa.

El tipo de viviendas mas vendidas estan entre los pisos 3 y 4.

En la Zona Oeste se encuentran las Casas y Apartamentos con mayor costo promedio. 765 millones y 698 millones respectivamente.

En las Zonas Centro y Oriente se encuentran los inmuebles más económicos

En el diagrama de cajas para la variable estrato, variable baños y variable piso la mediana de estas se encuentra en dentro de la caja, pero en la parte superior por lo que tiene una leve tendencia a que existan valores atípicos.

En el diagrama de cajas para la variable preciom, variable parquea variable areaconst la mediana se encuentra en la mitad de la caja por lo que se concluye que la información es simétrica, a pesar de esto existen valores atípicos.

En el diagrama de cajas para la variable habitac la mediana esta por debajo del valor de la casa por lo que existe gran cantidad de datos sesgados, de igual manera para los datos atípicos se encuentra por encima y por debajo de la caja.