Una empresa inmobiliaria líder en una gran ciudad está buscando comprender en profundidad el mercado de viviendas urbanas para tomar decisiones estratégicas más informadas. La empresa posee una base de datos extensa que contiene información detallada sobre diversas propiedades residenciales disponibles en el mercado. Se requiere realizar un análisis holístico de estos datos para identificar patrones, relaciones y segmentaciones relevantes que permitan mejorar la toma de decisiones en cuanto a la compra, venta y valoración de propiedades.
# Cargar paquetes necesarios
library(paqueteMODELOS)
library(paqueteMET)
library(dplyr)
library(ggplot2)
library(FactoMineR)
## Warning: package 'FactoMineR' was built under R version 4.3.2
library(factoextra)
## Warning: package 'factoextra' was built under R version 4.3.2
library(cluster)
# Cargar los datos de la BD Vivienda
head(vivienda)
## # A tibble: 6 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1147 Zona O… <NA> 3 250 70 1 3 6
## 2 1169 Zona O… <NA> 3 320 120 1 2 3
## 3 1350 Zona O… <NA> 3 350 220 2 2 4
## 4 5992 Zona S… 02 4 400 280 3 5 3
## 5 1212 Zona N… 01 5 260 90 1 2 3
## 6 1724 Zona N… 01 5 240 87 1 3 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>
valores_faltantes <- colSums(is.na(vivienda))
# Mostrar el número de valores faltantes por columna
print(valores_faltantes)
## id zona piso estrato preciom areaconst
## 3 3 2638 3 2 3
## parqueaderos banios habitaciones tipo barrio longitud
## 1605 3 3 3 3 3
## latitud
## 3
# Eliminar registros donde la columna zona = "NA"
vivienda_rest <- subset(vivienda, zona != "NA")
# Reemplazar NA por 0 en la columna "parqueaderos"
vivienda_rest$parqueaderos <- ifelse(is.na(vivienda_rest$parqueaderos), 0, vivienda_rest$parqueaderos)
# Reemplazar NA por 0 en la columna "piso"
vivienda_rest$piso <- ifelse(is.na(vivienda_rest$piso), 0, vivienda_rest$piso)
# Normalizar valores "Apartamento" y "apto" en la columna tipo
vivienda_rest$tipo <- ifelse(vivienda_rest$tipo == "apto", "Apartamento", vivienda_rest$tipo)
# Configurar el diseño del gráfico
par(mfrow = c(3, 3)) # 3 filas y 3 columnas para 6 histogramas
hist(vivienda_rest$estrato, main = "Estratos", xlab = "estrato", ylab = "Estratificación")
hist(vivienda_rest$preciom, main = "Precios", xlab = "preciom", ylab = "Cantidad")
hist(vivienda_rest$areaconst, main = "Área_construida", xlab = "areaconst", ylab = "Mts2")
hist(vivienda_rest$parqueaderos, main = "Parqueaderos", xlab = "parqueaderos", ylab = "Cantidad")
hist(vivienda_rest$banios, main = "Baños", xlab = "banios", ylab = "cantidad")
hist(vivienda_rest$habitaciones, main = "Habitaciones", xlab = "habitaciones", ylab = "Cantidad")
El análisis de histogramas ofrece una visión de la distribución de los datos y su frecuencia en diferentes valores. Se detectan patrones peculiares en cada variable, indicando una distribución no simétrica. Algunos valores atípicos destacan, señalando posibles fenómenos inusuales o errores de medición. Estos hallazgos subrayan la necesidad de comprender la estructura y comportamiento de los datos.
# Se seleccionan las variables numericas
vivienda_pca <- vivienda_rest %>%
select(estrato, preciom, areaconst, parqueaderos, banios, habitaciones, longitud, latitud)
# Se estandarizan als variables
estandarizado <- scale(vivienda_pca)
# Se aplica PCA
resultados <- PCA(estandarizado, graph = FALSE)
# Se presentan los resultados de pca
summary(resultados)
##
## Call:
## PCA(X = estandarizado, graph = FALSE)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7
## Variance 3.609 1.503 0.904 0.694 0.436 0.427 0.240
## % of var. 45.117 18.782 11.294 8.671 5.454 5.334 2.998
## Cumulative % of var. 45.117 63.899 75.193 83.865 89.318 94.652 97.649
## Dim.8
## Variance 0.188
## % of var. 2.351
## Cumulative % of var. 100.000
##
## Individuals (the 10 first)
## Dist Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3
## 1 | 2.704 | -1.180 0.005 0.190 | 2.027 0.033 0.562 | -0.735
## 2 | 2.174 | -1.750 0.010 0.648 | 0.764 0.005 0.123 | 0.097
## 3 | 2.072 | -0.891 0.003 0.185 | 1.222 0.012 0.348 | 0.056
## 4 | 2.222 | 1.121 0.004 0.255 | 0.291 0.001 0.017 | 0.346
## 5 | 1.838 | -1.304 0.006 0.503 | 0.053 0.000 0.001 | 1.027
## 6 | 1.700 | -0.719 0.002 0.179 | -0.670 0.004 0.155 | -0.846
## 7 | 1.672 | -1.302 0.006 0.607 | -0.124 0.000 0.005 | 0.235
## 8 | 1.129 | 0.175 0.000 0.024 | -0.493 0.002 0.191 | -0.701
## 9 | 2.532 | 0.347 0.000 0.019 | 1.767 0.025 0.487 | 0.768
## 10 | 2.602 | 0.860 0.002 0.109 | 0.837 0.006 0.103 | 1.997
## ctr cos2
## 1 0.007 0.074 |
## 2 0.000 0.002 |
## 3 0.000 0.001 |
## 4 0.002 0.024 |
## 5 0.014 0.312 |
## 6 0.010 0.248 |
## 7 0.001 0.020 |
## 8 0.007 0.386 |
## 9 0.008 0.092 |
## 10 0.053 0.589 |
##
## Variables
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## estrato | 0.660 12.081 0.436 | -0.537 19.169 0.288 | 0.233 6.023
## preciom | 0.882 21.563 0.778 | -0.048 0.153 0.002 | 0.207 4.752
## areaconst | 0.781 16.908 0.610 | 0.365 8.891 0.134 | 0.001 0.000
## parqueaderos | 0.760 15.988 0.577 | -0.130 1.131 0.017 | 0.183 3.714
## banios | 0.843 19.667 0.710 | 0.272 4.940 0.074 | -0.101 1.124
## habitaciones | 0.474 6.220 0.224 | 0.706 33.213 0.499 | -0.332 12.188
## longitud | -0.466 6.005 0.217 | 0.524 18.275 0.275 | 0.095 0.990
## latitud | -0.238 1.569 0.057 | 0.462 14.228 0.214 | 0.802 71.209
## cos2
## estrato 0.054 |
## preciom 0.043 |
## areaconst 0.000 |
## parqueaderos 0.034 |
## banios 0.010 |
## habitaciones 0.110 |
## longitud 0.009 |
## latitud 0.643 |
# Grafica
fviz_eig(resultados, addlabels = TRUE)
El análisis de la proporción de varianza explicada reveló que las dos primeras componentes principales capturan alrededor del 63.9% (45.1% + 18.8%) de la variabilidad total en los datos. Esto significa que estas dos componentes son capaces de explicar casi dos tercios de la variabilidad presente en todo el conjunto de datos. Esta proporción sustancial sugiere que al reducir la dimensionalidad de los datos a través de estas dos componentes principales, aún conservamos una gran parte de la información original contenida en los datos. En otras palabras, aunque hemos reducido la complejidad del conjunto de datos, aún mantenemos una representación significativa de su variabilidad original.
# Se crea grafico de circulo
circulo <- factoextra::fviz_pca_var(resultados,
col.var = "contrib",
repel = TRUE)
# Mostrar el gráfico de círculo de correlación
print(circulo)
La variable “parqueaderos” se encuentra cerca del centro del círculo, lo que sugiere una correlación débil con las primeras componentes principales. Esto implica que esta variable tiene una influencia limitada en las propiedades capturadas por estas componentes.
Por otro lado, las variables “habitaciones” y “baños” están ubicadas en la parte superior derecha del círculo y alejadas del centro. Esto indica una correlación positiva y una contribución significativa a las componentes principales. Sugiere que estas variables tienen un impacto notable en las propiedades representadas por las componentes.
Además, las variables “areaconst”, “preciom” y “estrato” también están alejadas del centro y posicionadas en direcciones diferentes. Esto sugiere que cada una de estas variables contribuye a diferentes aspectos de las propiedades representadas por las componentes principales, mostrando una diversidad en sus influencias.
# Seleccionamos las variables numéricas
variables_num <- vivienda_rest[, c('estrato', 'preciom', 'areaconst', 'parqueaderos', 'banios', 'habitaciones', 'longitud', 'latitud')]
# Normalizamos los datos
normalizados <- scale(variables_num)
# Resultados
summary(normalizados)
## estrato preciom areaconst parqueaderos
## Min. :-1.5872 Min. :-1.1437 Min. :-1.0138 Min. :-1.1920
## 1st Qu.:-0.6156 1st Qu.:-0.6508 1st Qu.:-0.6640 1st Qu.:-0.3876
## Median : 0.3560 Median :-0.3161 Median :-0.3633 Median :-0.3876
## Mean : 0.0000 Mean : 0.0000 Mean : 0.0000 Mean : 0.0000
## 3rd Qu.: 0.3560 3rd Qu.: 0.3228 3rd Qu.: 0.3782 3rd Qu.: 0.4169
## Max. : 1.3276 Max. : 4.7620 Max. :10.9822 Max. : 6.8521
## banios habitaciones longitud latitud
## Min. :-2.17847 Min. :-2.4702 Min. :-3.47989 Min. :-1.98516
## 1st Qu.:-0.77812 1st Qu.:-0.4148 1st Qu.:-0.74572 1st Qu.:-0.86422
## Median :-0.07794 Median :-0.4148 Median :-0.08013 Median :-0.03856
## Mean : 0.00000 Mean : 0.0000 Mean : 0.00000 Mean : 0.00000
## 3rd Qu.: 0.62224 3rd Qu.: 0.2704 3rd Qu.: 0.55844 3rd Qu.: 0.80575
## Max. : 4.82330 Max. : 4.3813 Max. : 3.77083 Max. : 1.87755
#Función para calcular la suma de los cuadrados internos
calcular_wcss <- function(data, k_max) {
wcss <- vector("numeric", length = k_max)
for (k in 1:k_max) {
model <- kmeans(data, centers = k, nstart = 10)
wcss[k] <- model$tot.withinss
}
return(wcss)
}
# Se establecen varios numeros de cluster y se aplica funcion
k <- 9
iter <- calcular_wcss(normalizados, k)
## Warning: Quick-TRANSfer stage steps exceeded maximum (= 415950)
# Graficamos la curva del codo
plot(1:k, iter, type = "b", pch = 19, frame = FALSE, xlab = "clústeres", ylab = "Suma de cuadrados internos")
La interpretación del gráfico sugiere que el número ideal de grupos se sitúa alrededor de 4 o 5, dado que más allá de ese punto, la reducción en la suma de cuadrados dentro de los grupos (WCSS) es más pronunciada.
#Se define el numero de cluster en base al grafico del codo
cluster <- 4
# K-means
kmeans <- kmeans(normalizados, centers = cluster, nstart = 10)
# resultado del clustering en data original
vivienda_rest$cluster <- as.factor(kmeans$cluster)
# viviendas por cluster
table(vivienda_rest$cluster)
##
## 1 2 3 4
## 3122 925 1099 3173
# Gráfico de barras de viivendas por cluster
ggplot(vivienda_rest, aes(x = factor(cluster))) +
geom_bar(fill = "#F67C6D") +
labs(title = " viviendas por clúster",
x = "Clúster",
y = "Cantidad de viviendas") +
theme_minimal() +
geom_text(stat='count', aes(label=..count..), vjust=-0.5)
## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# resumen de características por clúster
resumen <- vivienda_rest %>%
group_by(cluster) %>%
summarise(promedio_estrato = mean(estrato),
promedio_preciom = mean(preciom),
promedio_areaconst = mean(areaconst),
promedio_parqueaderos = mean(parqueaderos),
promedio_banios = mean(banios),
promedio_habitaciones = mean(habitaciones))
# Mostrar tabla resumen
print(resumen)
## # A tibble: 4 × 7
## cluster promedio_estrato promedio_preciom promedio_areaconst
## <fct> <dbl> <dbl> <dbl>
## 1 1 3.85 209. 90.7
## 2 2 3.95 451. 303.
## 3 3 5.73 1074. 390.
## 4 4 5.23 429. 146.
## # ℹ 3 more variables: promedio_parqueaderos <dbl>, promedio_banios <dbl>,
## # promedio_habitaciones <dbl>
Se han descubierto 4 grupos coherentes dentro del mercado de viviendas residenciales en la ciudad, cada uno con características únicas.
La distribución de las viviendas en estos grupos difiere, lo que indica que hay diversas preferencias y demandas en distintas áreas y estratos socioeconómicos.
Además, se pueden observar patrones evidentes en la relación entre el precio de venta y el tamaño del área construida. Esto podría reflejar tendencias y preferencias particulares de los compradores en cada uno de los grupos identificados.
# Creamos un nueva tabla solo con las variables categóricas
categ <- table(vivienda_rest$zona, vivienda_rest$estrato)
resultados_ac <- CA(categ)
El gráfico nos permite identificar y confirmar las siguientes relaciones: La Zona Oeste alberga principalmente el estrato 6. Por otro lado, los estratos 4 y 5 se concentran mayormente en la Zona Sur. Mientras tanto, el estrato 3 se distribuye entre las Zonas Oriente y Centro.
valores_prop <-resultados_ac$eig ; valores_prop
## eigenvalue percentage of variance cumulative percentage of variance
## dim 1 0.32215213 69.965515 69.96551
## dim 2 0.12745096 27.680002 97.64552
## dim 3 0.01084108 2.354483 100.00000
fviz_screeplot(resultados_ac, addlabels = TRUE, ylim = c(0, 80))+ggtitle("")+
ylab("Porcentaje de varianza explicado") + xlab("Ejes")
La visualización gráfica obtenida nos ofrece una perspectiva importante sobre cómo se relacionan las variables de estrato y zona en el mercado inmobiliario. Al observar el gráfico, podemos detectar patrones significativos que nos permiten segmentar el mercado de manera más precisa y comprender mejor las preferencias de los compradores en diferentes áreas geográficas.
Este enfoque estadístico refuerza la validez de las tendencias identificadas visualmente y proporciona una base sólida para orientar las decisiones estratégicas en el sector inmobiliario. Al combinar el análisis visual con métodos estadísticos, podemos obtener una comprensión más completa y confiable de la dinámica del mercado y utilizar esta información para tomar decisiones informadas y estratégicas.
1- Utilizar las variables más importantes identificadas mediante el análisis de componentes principales (PCA) para mejorar la precisión en la valoración de las propiedades. Al centrarse en las variables que tienen una mayor influencia en el valor de una propiedad, se puede realizar una valoración más precisa y fundamentada, lo que es crucial para tomar decisiones de inversión informadas y estratégicas en el mercado inmobiliario.
2- Utilizar los resultados del análisis de agrupamiento para dividir el mercado en segmentos más específicos y homogéneos. Al comprender las características y preferencias de diferentes tipos de propiedades y compradores, se pueden desarrollar estrategias de marketing y ventas más efectivas y dirigidas, lo que ayuda a maximizar el rendimiento y la satisfacción del cliente.
3- Al utilizar el análisis de datos para obtener una comprensión más profunda y cuantificable del mercado inmobiliario, se pueden identificar oportunidades de inversión más rentables y estratégicas. Esto permite a los inversores optimizar sus decisiones de inversión y adaptarse más eficazmente a los cambios en el mercado, lo que les brinda una ventaja competitiva significativa.