Análisis del Mercado Inmobiliario en Cali
Ruben Dario Rodriguez Camargo
2023-08-14
Introduccion
En Colombia, la evolución del mercado inmobiliario para el año 2023, tiene una proyección positiva, según la Cámara Colombiana de Construcción (Camacol), se espera un aumento del 6.6% en comparación del año 2022, siendo un aumento significativo en comparación del cierre del año pasado que fue del 0.8%.
Para la ciudad de Cali, capital del departamento del Valle del Cauca (Colombia), siendo el tercer centro económico de Colombia y paso obligado para el comercio desde y hacia el sur del país, y frontera de Ecuador y conectado con el puerto de Buenaventura constituido como uno de los puertos marítimos más importantes de Colombia (Se moviliza cerca del 45% de la carga internacional del país) [1]. El mercado inmobiliario de la ciudad a tenido un aumento significativo puesto que las inversiones han sido productivas y el valor por metro cuadrado es estable, manteniendo una buena confianza en la valorización para el desarrollo de la ciudad a mediano plazo, adicionalmente al aumento de la población, la inversión extranjera directa y el aumento proyectos inmobiliarios.
El desarrollo de la ciudad y el precio de los inmuebles son factores importantes al momento de invertir en finca raíz, por lo cual la empresa B&C (Bienes y Casas) agencia de bienes raíces en la ciudad de Cali, recolecto información de vivienda, incluyendo ubicación, precio, tipo de vivienda y características con el fin de poder análisis detalladamente la informacion y asi generar estrategias de ventas.
Objetivos
General:
Realizar análisis descriptivo, de la inversión inmobiliaria en Cali
Específicos:
Definir el nicho de mercado más rentable para la inversión inmobiliaria en la ciudad de Cali. Análisis el costo por metro cuadrado y el tipo de vivienda de la ciudad, encontrando un promedio de inversión. Definir el tipo y las características de vivienda mas buscadas en la ciudad, adicionalmente la zona con mayor desarrollo inmobiliario
Métodos
Se desarrollará un análisis descriptivo de los datos suministrados por la empresa B&C, esta base de datos cuenta con 8.330 registros, los cuales cuentan con la ubicación, costo, tipo, área construida y características importantes de cada vivienda.
Se realiza la limpieza de la base de datos, identificando las inconsistencias de información, validando los registros adecuados y valores duplicados para su análisis
Resultados
Depuracion de la base de datos de viviendas faltantes
Inicialmente realizamos la verificación de registros inicialmente son 8330 registros, verificamos los duplicados identificando 10 registros, quedando para el análisis 8.320 registros sin embargo evidenciamos un registro sin información, quedando 8.319 registros.
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionvivienda_faltantes <- read.csv("C:/Javeriana/Estadistica/vivienda_faltantes.csv")
length(vivienda_faltantes$id) ## Total base vivienda faltantes## [1] 8330Vivienda_depurada <- unique(vivienda_faltantes)
length(unique(Vivienda_depurada$id)) ## Total base vivienda sin duplicados## [1] 8320Vivienda_depurada2 <- Vivienda_depurada %>% filter(id != "na")
length(unique(Vivienda_depurada2$id)) ## Total base vivienda sin registros vacios## [1] 8319La tabla nos muestra la completitud por variable
library("mice")##
## Attaching package: 'mice'## The following object is masked from 'package:stats':
##
## filter## The following objects are masked from 'package:base':
##
## cbind, rbindvivienda_faltantes <- read.csv("C:/Javeriana/Estadistica/vivienda_faltantes.csv")
grafico <-md.pattern(Vivienda_depurada2, rotate.names = TRUE)
title(main="Tabla 1. Evaluacion de los campos vacios")
Para la variable parquea identificamos 1602 registros que no cuentan con
parqueadero y 2635 registros que no cuentan con el piso.
Finalmente homologamos la variable tipo, con el fin de poder desarrollar un análisis estandarizado
library(dplyr)
Vivienda_depurada2 <- Vivienda_depurada2 %>% mutate(tipo=recode(tipo,"apto"="Apartamento","CASA"="Casa","casa"="Casa", "APARTAMENTO"="Apartamento"))Analisis de las zonas mas vendidas en cali
Analizamos la zona de Cali con mayor compra de casas y apartamentos, evidenciando que el 61% de los registros corresponden a los apartamentos y el otro 39 corresponde a las casa, sin embargo podemos evidenciar que el 61% de las viviendas se encuentran en la zona sur de la ciudad, constituyendo esta zona como la mas comercializada en la ciudad de Cali, la segunda zona de preferencia de los clientes de vivienda de la ciudad es la norte con el 23.1%, por lo cual el 80% del comercio de viviendas en Cali está concentrado en estas dos zonas.
La distribucion de las viviendas segun el tipo para las casas y los apartamentos su distribucion es muy similar la zona sur es la preferida por los clientes, lo cual podeemos verlos en la figura 1 y la figura 2.
library(dplyr)
Zona_Apt <- Vivienda_depurada2 %>% filter(tipo == "Casa")
pie(table(Zona_Apt$zona), main = "Figura 1. Distribucion de viviendas por las zonas de Cali por casas")
library(dplyr)
Zona_Apt <- Vivienda_depurada2 %>% filter(tipo == "Apartamento")
pie(table(Zona_Apt$zona), main = "Figura 2. Distribucion de viviendas por las zonas de Cali por apartamentos")
Analisis de precios
Analizando los precios de las viviendas, se encuentran en promedio de 330 millones entre las casa y los apartamentos, en la distribución de precios por tipo de vivienda podemos evidenciar en la figura 3, las casas en promedio son más costosas que los apartamentos, el promedio de los apartamentos es de 366 millones con una mediana de 280 millones, para lo cual tenemos que tener en cuenta que para los apartamentos tenemos datos extremos con valores máximo de 1.950 millones y para las casa el promedio es de 540 millones y una mediana de 430 millones, también tenemos datos extremos para las casas con valores de 1.999 millones
x=Vivienda_depurada2$preciom
mean(x) # media## [1] 433.9044median(x) # mediana## [1] 330(min(x)+max(x))/2 # rango medio## [1] 1028.5mean(x, 0.10) # media truncada## [1] 374.4786attach(Vivienda_depurada2)
quantile(preciom)## 0% 25% 50% 75% 100%
## 58 220 330 540 1999boxplot(Vivienda_depurada2$preciom~Vivienda_depurada2$tipo,
main="Figura 3. Distribucion de precios de las viviendas",
ylab = ("Precio x millon")
)
Se evidencia que el 72% de la concentración de viviendas por precio y
área se encuentren por debajo de los 500 millones y áreas por debajo de
150 metros con una mediana estimada de 123 metros cuadrados
library(paqueteMET)##
## Attaching package: 'paqueteMET'## The following object is masked _by_ '.GlobalEnv':
##
## vivienda_faltanteslibrary(naniar)
library("mice")
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ readr 2.1.4
## ✔ ggplot2 3.4.2 ✔ stringr 1.5.0
## ✔ lubridate 1.9.2 ✔ tibble 3.2.1
## ✔ purrr 1.0.1 ✔ tidyr 1.3.0## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ mice::filter() masks dplyr::filter(), stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(readxl)
library(dplyr)
ggplot(data = Vivienda_depurada2) + geom_point(mapping = aes(x =preciom, y =areaconst)) + labs(title = "Distribucion por precio y area", x = "Precio", y = "Área") 
Analisis por estrato
Como podemos observar el 33% de las viviendas se encuentran en el estrato 5, y el 26% en estrato 4, siendo los dos estratos con mayor comercio inmobiliario, seguido del estrato 6 y el estrato 3
barplot(prop.table(table(Vivienda_depurada2$estrato)))
title(main = "Figura 4. Distribucion por estrato")
Concluciones
Como un de los hallazgos más relevantes del análisis de la información, es que un potencial nicho de mercado son los inmuebles que se ubican al sur de Cali, tipo apartamento y que tengan las siguientes características, 3 habitaciones, 2 baños y un parqueadero; con un valor promedio de 330 millones y un área de 123 metros cuadrados, ubicado entre los estratos 4 y 5. Por lo tanto, se sugiere fortalecer la estrategia de marketing, dirigida a promover inmuebles con las características antes descritas y que se adapte a las necesidades de la población de estratos 4 y 5. A pesar que el porcentaje de las casas sea menor, la rentabilidad es mayor para la inmobiliaria B&C, por lo cual se sugiere realizar estrategias de venta que ofrezcan servicio personalizados, que permitan que permitan evaluar las necesidad de cada familia y realizar una búsqueda dirigida al tipo de inmueble casa para potenciar las ventas y generar mayor rentabilidad