Trabajo1
Juan Sebastian Meza Buchely
2023-10-08
Informe descriptivo
Introducción
El presente trabajo tiene como objetivo desarrollar un estudio descriptivo de las estadísticas del sector inmobiliario de Cali con el objetivo de ofrecer una visión clara y profunda de las principales tendencias que tiene este nicho de mercado y a partir de ello facilitar a la inmobiliaria B&C tomar decisiones que le permitan posicionar las estrategias de marketing y de negocio. A partir de ello, se pretende mostrar la importancia de las estadística en los modelos de negocio y cómo se puede aprovechar esta ciencia para aplicaciones de la vida real
Objetivos
Objetivo General
Realizar un estudio descriptivo del mercado inmobiliario en la ciudad de Cali para ayudar a la toma decisiones de la empresa B&C
Objetivos Específicos
1. Realizar una limpieza de la base datos
2. Realizar un análisis descriptivo de las variables de interés
3. Desarrollar algunos análisis bivariados
Métodos
Para la realización del presente estudio, se procede a analizar la base de datos “PaqueteMET” suministrado por el curso de la maestría. A partir de ello, se utilizó el programa R para la limpieza, análisis e imputación de datos. Para ello, se empieza a desarrollar un proceso analítico que permita analizar la naturaleza de los datos para identificar datos fsaltantes, variables de interés, comportamiento de las principales estadísticas descriptivas. Posterior a ello, se procedió a determinar qué variables se van a realizar para el análisis univariado considerando los procedimientos previos de imputación de datos y los objetivos de la empresa B&C. Finalmente, se realiza un análisis bivariado de los principales datos
Resultados y discusión
En la primera parte del estudio estadístico, se procede a realizar el análisis inicial de la base de datos. Para ello, se procede a un reconocimiento previo de la base de datos y a partir de ello, se identifica los datos faltantes dentro de la base de datos. Para ello, se utilizaron las herramientas del paquete “dplyr” que permite eliminar los datos faltantes. En ese orden de ideas, se procedió a eliminar las variables parqueadero y piso porque existen una gran cantidad de registros faltantes en dichas variables, a partir de ello, no es factibe realizar una imputación de datos de las mismas porque al tratar de reemplazar los datos faltantes con la media o con cero se genera una variación importante en los estadísticos que no permite ofrecer una fiabilidad de los datos. De igual manera, se realizó el procedimiento para limpiar base de datos y reemplazar
## spc_tbl_ [8,000 × 13] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ id : num [1:8000] 122 190 880 1663 1401 ...
## $ zona : chr [1:8000] "Zona Norte" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ piso : num [1:8000] 1 4 1 NA NA 1 7 NA 2 4 ...
## $ estrato : num [1:8000] 3 3 3 4 4 5 5 3 5 3 ...
## $ preciom : num [1:8000] 150 360 250 375 150 270 290 235 450 125 ...
## $ areaconst: num [1:8000] 93 420 210 74 57 75 93 122 252 72 ...
## $ parquea : num [1:8000] NA 1 NA 1 NA 1 1 1 2 NA ...
## $ banios : num [1:8000] 1 6 4 5 2 2 3 2 2 2 ...
## $ habitac : num [1:8000] 4 9 4 5 3 3 3 5 7 3 ...
## $ tipo : chr [1:8000] "Casa" "Casa" "Apartamento" "Casa" ...
## $ barrio : chr [1:8000] "la rivera" "las ceibas" "morichal de comfandi" "calicanto viii" ...
## $ longitud : num [1:8000] -76.5 -76.5 -76.5 -76517 -76.5 ...
## $ latitud : num [1:8000] 3.48 3.46 3.4 3373 3.38 ...
## - attr(*, "spec")=List of 3
## ..$ cols :List of 13
## .. ..$ id : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ zona : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ piso : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ estrato : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ preciom : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ areaconst: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ parquea : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ banios : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ habitac : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ tipo : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ barrio : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ longitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ latitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
## ..$ delim : chr ","
## ..- attr(*, "class")= chr "col_spec"
## - attr(*, "problems")=<externalptr>## id zona piso estrato preciom areaconst parquea banios
## 3 3 2540 3 2 3 1533 3
## habitac tipo barrio longitud latitud
## 3 3 3 3 3
## /\ /\
## { `---' }
## { O O }
## ==> V <== No need for mice. This data set is completely observed.
## \ \|/ /
## `-----'
## Frequencies
## precio.intervalo
## Type: Factor
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ------------------------- ------ --------- -------------- --------- --------------
## (-7,728] 728 9.10 9.10 9.10 9.10
## (728,1.46e+03] 727 9.09 18.19 9.09 18.19
## (1.46e+03,2.18e+03] 727 9.09 27.27 9.09 27.27
## (2.18e+03,2.91e+03] 727 9.09 36.36 9.09 36.36
## (2.91e+03,3.64e+03] 727 9.09 45.45 9.09 45.45
## (3.64e+03,4.36e+03] 728 9.10 54.55 9.10 54.55
## (4.36e+03,5.09e+03] 727 9.09 63.64 9.09 63.64
## (5.09e+03,5.82e+03] 727 9.09 72.72 9.09 72.72
## (5.82e+03,6.55e+03] 727 9.09 81.81 9.09 81.81
## (6.55e+03,7.27e+03] 727 9.09 90.90 9.09 90.90
## (7.27e+03,8.01e+03] 728 9.10 100.00 9.10 100.00
## <NA> 0 0.00 100.00
## Total 8000 100.00 100.00 100.00 100.00##
## apartamento apto casa
## 3058 3 1562##
## 3 4 5 6
## 417 1164 1791 1251##
## 0 1 2 3 4 5 6 7 8 9 10
## 17 34 459 2361 1050 359 154 79 43 42 25
Al observar las gráficas anteriores podemos encontrar que los apartamentos son los tipos de vivienda más demandados por las personas en el sector inmobiliario de Cali. De igual manera, se debe reconocer que las casas tienen una participación de cerca de 1.500 unidades en la base de datos.
Por otro lado, se debe reconocer que al indagar sobre los principales estratos donde se comercializan las principales viviendas en el sector inmobiliario de Cali, se evidenció que el estrato 5 era el principal sector. En efecto, es importante reconocer que la mayor parte de los datos están en los estratos altos, es decir de 4 a 6, razón por la cual una estrategia efectiva por parte de la inmobiliaria B&C sería enfocar sus estrategias de marketing en los sectores más altos donde la empresa puede tener un mercado potencial muy grande al considerar los resultados del presente análisis descriptivo.
#Análisis bivariado 