A1_U1
Jhon Alexander Rojas Tavera
2024-02-13
Informe Evaluación de la oferta inmobiliaria urbana
Presentado por Jhon Alexander Rojas Tavera
Problema
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.
Retos:
El reto principal consisten en realizar un análisis integral y multidimensional de la base de datos para obtener una comprensión del mercado inmobiliario urbano. Se requiere aplicar diversas técnicas de análisis de datos, incluyendo
- Análisis de Componentes Principales: Reducir la dimensionalidad del conjunto de datos y visualizar la estructura de las variables en componentes principales para identificar características clave que influyen en la variación de precios y oferta del mercado.
- Análisis de Conglomerados: Agrupar las propiedades residenciales en segmentos homogéneos con características similares para entender las dinámicas de las ofertas específicas en diferentes partes de la ciudad y en diferentes estratos socio económicos.
- Análisis de Correspondencia : Examinar la relación entre las variables categóricas (tipo de vivienda, zona y barrio), para identificar patrones de comportamiento de la oferta en mercado inmobiliario.
- Visualización de resultados: Presentar gráficos, mapas y otros recursos visuales para comunicar los hallazgos de manera clara y efectiva a la dirección de la empresa.
Analisis exploratorio de datos
En este primer paso tal como se muestra en el momento de acción en Brightspace, se explora a continuación el conjunto de datos para conocer la dimensión del mismo y sus atributos de forma compacta, cabe destacar que aquí la base vivienda cuenta con 8,322 filas y 13 columnas, dato esencial para reconocer la particularidad de los datos según lo observado en la unidad de analisis multivariado.
## spc_tbl_ [8,322 × 13] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ id : num [1:8322] 1147 1169 1350 5992 1212 ...
## $ zona : chr [1:8322] "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ piso : chr [1:8322] NA NA NA "02" ...
## $ estrato : num [1:8322] 3 3 3 4 5 5 4 5 5 5 ...
## $ preciom : num [1:8322] 250 320 350 400 260 240 220 310 320 780 ...
## $ areaconst : num [1:8322] 70 120 220 280 90 87 52 137 150 380 ...
## $ parqueaderos: num [1:8322] 1 1 2 3 1 1 2 2 2 2 ...
## $ banios : num [1:8322] 3 2 2 5 2 3 2 3 4 3 ...
## $ habitaciones: num [1:8322] 6 3 4 3 3 3 3 4 6 3 ...
## $ tipo : chr [1:8322] "Casa" "Casa" "Casa" "Casa" ...
## $ barrio : chr [1:8322] "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...
## $ longitud : num [1:8322] -76.5 -76.5 -76.5 -76.5 -76.5 ...
## $ latitud : num [1:8322] 3.43 3.43 3.44 3.44 3.46 ...
## - attr(*, "spec")=
## .. cols(
## .. id = col_double(),
## .. zona = col_character(),
## .. piso = col_character(),
## .. estrato = col_double(),
## .. preciom = col_double(),
## .. areaconst = col_double(),
## .. parqueaderos = col_double(),
## .. banios = col_double(),
## .. habitaciones = col_double(),
## .. tipo = col_character(),
## .. barrio = col_character(),
## .. longitud = col_double(),
## .. latitud = col_double()
## .. )
## - attr(*, "problems")=<externalptr>En este apartado se puede evidenciar que según la muestra de información el campo piso presenta valores faltantes y estos pueden verse asociados al tipo denominado casa, sin embargo, esta primer inferencia no es del todo cierta toda vez que si existen registros del mismo tipo de vivienda que cuentan con dicha información.
options(tibble.width = Inf)
kable(head(vivienda))| id | zona | piso | estrato | preciom | areaconst | parqueaderos | banios | habitaciones | tipo | barrio | longitud | latitud |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1147 | Zona Oriente | NA | 3 | 250 | 70 | 1 | 3 | 6 | Casa | 20 de julio | -76.51168 | 3.43382 |
| 1169 | Zona Oriente | NA | 3 | 320 | 120 | 1 | 2 | 3 | Casa | 20 de julio | -76.51237 | 3.43369 |
| 1350 | Zona Oriente | NA | 3 | 350 | 220 | 2 | 2 | 4 | Casa | 20 de julio | -76.51537 | 3.43566 |
| 5992 | Zona Sur | 02 | 4 | 400 | 280 | 3 | 5 | 3 | Casa | 3 de julio | -76.54000 | 3.43500 |
| 1212 | Zona Norte | 01 | 5 | 260 | 90 | 1 | 2 | 3 | Apartamento | acopi | -76.51350 | 3.45891 |
| 1724 | Zona Norte | 01 | 5 | 240 | 87 | 1 | 3 | 3 | Apartamento | acopi | -76.51700 | 3.36971 |
En este apartado se pretende conocer el resumen estadístico básico del conjunto de datos, en este se puede observar que las columnas: zona, piso, tipo y barrio son variables categóricas.
| id | zona | piso | estrato | preciom | areaconst | parqueaderos | banios | habitaciones | tipo | barrio | longitud | latitud | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Min. : 1 | Length:8322 | Length:8322 | Min. :3.000 | Min. : 58.0 | Min. : 30.0 | Min. : 1.000 | Min. : 0.000 | Min. : 0.000 | Length:8322 | Length:8322 | Min. :-76.59 | Min. :3.333 | |
| 1st Qu.:2080 | Class :character | Class :character | 1st Qu.:4.000 | 1st Qu.: 220.0 | 1st Qu.: 80.0 | 1st Qu.: 1.000 | 1st Qu.: 2.000 | 1st Qu.: 3.000 | Class :character | Class :character | 1st Qu.:-76.54 | 1st Qu.:3.381 | |
| Median :4160 | Mode :character | Mode :character | Median :5.000 | Median : 330.0 | Median : 123.0 | Median : 2.000 | Median : 3.000 | Median : 3.000 | Mode :character | Mode :character | Median :-76.53 | Median :3.416 | |
| Mean :4160 | NA | NA | Mean :4.634 | Mean : 433.9 | Mean : 174.9 | Mean : 1.835 | Mean : 3.111 | Mean : 3.605 | NA | NA | Mean :-76.53 | Mean :3.418 | |
| 3rd Qu.:6240 | NA | NA | 3rd Qu.:5.000 | 3rd Qu.: 540.0 | 3rd Qu.: 229.0 | 3rd Qu.: 2.000 | 3rd Qu.: 4.000 | 3rd Qu.: 4.000 | NA | NA | 3rd Qu.:-76.52 | 3rd Qu.:3.452 | |
| Max. :8319 | NA | NA | Max. :6.000 | Max. :1999.0 | Max. :1745.0 | Max. :10.000 | Max. :10.000 | Max. :10.000 | NA | NA | Max. :-76.46 | Max. :3.498 | |
| NA’s :3 | NA | NA | NA’s :3 | NA’s :2 | NA’s :3 | NA’s :1605 | NA’s :3 | NA’s :3 | NA | NA | NA’s :3 | NA’s :3 |
Aquí se desprende un análisis e identificación de valores faltantes o ausentes por lo que se procede a realizar un zoom y evidenciar gráficamente el impacto de los mismo. Se puede observar que en la tabla anterior el resumen estadistico presentaba un sesgo debido que resume que el campo parqueadero era el campo con el mayor volumen de datos ausentes para un total de 1605, sin embargo al revisar los pasos anteriores se detectó que la columna Piso en vez de presentar datos ausentes presentaba un relleno en su diligenciamiento de información con la cadena de texto “NA” por lo que en los pasos siguientes se pretende asegurar esta información.
| Columna | Valores_Faltantes | |
|---|---|---|
| id | id | 3 |
| zona | zona | 3 |
| piso | piso | 2638 |
| estrato | estrato | 3 |
| preciom | preciom | 2 |
| areaconst | areaconst | 3 |
| parqueaderos | parqueaderos | 1605 |
| banios | banios | 3 |
| habitaciones | habitaciones | 3 |
| tipo | tipo | 3 |
| barrio | barrio | 3 |
| longitud | longitud | 3 |
| latitud | latitud | 3 |
Debido que todas las columnas del conjunto de datos presentan valores faltantes, se procede a dimensionar gráficamente la participación de los mismos.
A continuación se grafican a mi criterio las principales visualizacones acerca del negocio inmobiliario presentado:
Para este primer gráfico se identifica que existen muchos registros en los rangos 167 - 234; 301 - 368 respecto al precio, por lo que para cuantificar dichos inmuebles es necesario en el preprocesamiento excluir los valores NA para tal operación;
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Aquí podemos observar que con los datos ácidos el conjunto de datos revela que las zonas mas representativas con registros de viviendas son la zona sur con una participación de 56,8% y la zona norte con una participación de 20,1% para un gran total de 76,9%, por tanto la acción comercial fuerte se ubica en estas zonas estrategicas de operación.
En este siguiente grafico la concentración de puntos alrededor de la
coordenada (250, 500) indica que hay una gran cantidad de viviendas con
un área construida alrededor de 250 unidades y un precio alrededor de
500 unidades. Esto puede sugerir que hay una tendencia común en el
mercado inmobiliario para este tipo de viviendas, donde se establece un
precio promedio basado en el área construida.
En este se determina que en general, las viviendas clasificadas en el
estrato 6 tienen precios más altos en comparación con otras categorías
de estratos. Mientras que las viviendas del estrato 5 tienen precios en
un rango más bajo en comparación con el estrato 6, pero aún así,
relativamente más altos que otros estratos inferiores.
En los siguientes gráficos se presenta la distribución de tipo de vivienda, en este primero, se observa que si bien existen mas apartamentos que casas en el conjunto de datos, el segundo gráfico nos da cuenta que existe al menor por tipo de vivienda una mayor área construida en las casas.
Preprocesamiento de datos:
A partir de este momento con el conocimiento del conjunto de datos, se procede a la eliminación de la columna ID,longitud y latitud que a mi concepto no aportan valor al informe. De otra parte se da el tratamiento correspondiente a los valores ausentes o faltantes que en el análisis exploratorio de datos impidieron que se analizara la correlación por estar presentes.
## zona piso estrato preciom
## Length:8322 Length:8322 Min. :3.000 Min. : 58.0
## Class :character Class :character 1st Qu.:4.000 1st Qu.: 220.0
## Mode :character Mode :character Median :5.000 Median : 330.0
## Mean :4.634 Mean : 433.9
## 3rd Qu.:5.000 3rd Qu.: 540.0
## Max. :6.000 Max. :1999.0
## NA's :3 NA's :2
## areaconst parqueaderos banios habitaciones
## Min. : 30.0 Min. : 1.000 Min. : 0.000 Min. : 0.000
## 1st Qu.: 80.0 1st Qu.: 1.000 1st Qu.: 2.000 1st Qu.: 3.000
## Median : 123.0 Median : 2.000 Median : 3.000 Median : 3.000
## Mean : 174.9 Mean : 1.835 Mean : 3.111 Mean : 3.605
## 3rd Qu.: 229.0 3rd Qu.: 2.000 3rd Qu.: 4.000 3rd Qu.: 4.000
## Max. :1745.0 Max. :10.000 Max. :10.000 Max. :10.000
## NA's :3 NA's :1605 NA's :3 NA's :3
## tipo barrio
## Length:8322 Length:8322
## Class :character Class :character
## Mode :character Mode :character
##
##
##
## ## tibble [4,808 × 10] (S3: tbl_df/tbl/data.frame)
## $ zona : chr [1:4808] "Zona Sur" "Zona Norte" "Zona Norte" "Zona Norte" ...
## $ piso : chr [1:4808] "02" "01" "01" "01" ...
## $ estrato : num [1:4808] 4 5 5 4 5 5 5 4 5 6 ...
## $ preciom : num [1:4808] 400 260 240 220 310 320 780 625 750 520 ...
## $ areaconst : num [1:4808] 280 90 87 52 137 150 380 355 237 98 ...
## $ parqueaderos: num [1:4808] 3 1 1 2 2 2 2 3 2 2 ...
## $ banios : num [1:4808] 5 2 3 2 3 4 3 5 6 2 ...
## $ habitaciones: num [1:4808] 3 3 3 3 4 6 3 5 6 2 ...
## $ tipo : chr [1:4808] "Casa" "Apartamento" "Apartamento" "Apartamento" ...
## $ barrio : chr [1:4808] "3 de julio" "acopi" "acopi" "acopi" ...1. Análisis de Componentes Principales (PCA):
Para efectos de este analisis, se presentan a continuación los valores de desviación estándar indican la cantidad de variabilidad en los datos explicada por cada componente principal. Además para facilitar este paso se escogieron unicamente las variables numericas, en donde; la proporción de varianza y la proporción acumulativa de varianza indican la cantidad de variabilidad total en los datos explicada por cada componente principal y por las componentes principales anteriores, respectivamente. En este caso:
La primera componente principal (PC1) explica aproximadamente el 59.32% de la varianza total en los datos. Las dos primeras componentes principales (PC1 y PC2) explican aproximadamente el 79.06% de la varianza total en los datos. Las tres primeras componentes principales (PC1, PC2 y PC3) explican aproximadamente el 87.12% de la varianza total en los datos. Las cuatro primeras componentes principales (PC1, PC2, PC3 y PC4) explican aproximadamente el 92.83% de la varianza total en los datos. Las cinco primeras componentes principales (PC1, PC2, PC3, PC4 y PC5) explican aproximadamente el 96.94% de la varianza total en los datos. Todas las seis componentes principales explican el 100% de la varianza total en los datos, lo cual es esperado ya que estamos utilizando todas las variables en el análisis.
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6
## Standard deviation 1.8866 1.0884 0.69530 0.58528 0.49647 0.42886
## Proportion of Variance 0.5932 0.1974 0.08057 0.05709 0.04108 0.03065
## Cumulative Proportion 0.5932 0.7906 0.87117 0.92827 0.96935 1.00000En este caso, el resumen del PCA muestra seis componentes, pero se
observa que la mayoría de la varianza se explica con las dos primeras
componentes principales (PC1 y PC2), que capturan el 79.06% de la
varianza total. Esto sugiere que solo las dos primeros componentes
principales se pueden considerar para simplificar el análisis, ya que
representan la mayor parte de la variabilidad en los datos.
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
De acuerdo al material de la asignatura y lo observado en literatura se
puede aplicar la “regla del codo” en el análisis de componentes
principales, en esta se calculara la varianza explicada por cada
componente principal y se trazaría un gráfico para identificar el punto
en el que se produce un cambio significativo en la pendiente (el
“codo”), en este se observa que la curva se genera para el primer y
segun componente para confirmar lo observado anteriormente.
2. Análisis de Conglomerados (Clustering):
## Warning: package 'factoextra' was built under R version 4.3.2## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa## preciom areaconst
## 1 2.4677661 2.1167169
## 2 -0.5434125 -0.5423895
## 3 0.4802026 0.5818992
Los resultados muestran tres centroides de los clusters identificados por el algoritmo K-means en función de las variables preciom (precio por metro cuadrado) y areaconst (área construida). Los centroides de los clusters se pueden entender como:
Cluster 1: Caracterizado por valores moderadamente bajos tanto en preciom como en areaconst. Cluster 2: Caracterizado por valores moderadamente altos tanto en preciom como en areaconst. Cluster 3: Caracterizado por valores relativamente altos tanto en preciom como en areaconst.
3.Análisis de Correspondencia:
El análisis de correspondencia múltiple (ACM) realizado revela información importante sobre las relaciones entre las variables categóricas en el conjunto de datos. Las dimensiones principales identificadas muestran la estructura subyacente en los datos y cuánto de la varianza total de los datos explican.
En primer lugar, las dimensiones principales capturan el grado de asociación entre las categorías de las variables. Por ejemplo, la Dimensión 1, con una varianza explicada del 0.711 y que representa el 0.770% de la varianza total, muestra una relación entre el tipo de propiedad (apartamento o casa) y la zona geográfica (centro, norte, oeste, oriente, sur), con valores de contraste significativos.
La Dimensión 2, con una varianza explicada del 0.663 y que representa el 0.718% de la varianza total, revela una asociación diferente, destacando la relación entre la zona geográfica y otras variables categóricas específicas, como “3 de julio”, “acopi”, y “aguablanca”.
La Dimensión 3, con una varianza explicada del 0.658 y que representa el 0.713% de la varianza total, proporciona información adicional sobre la distribución espacial y las características particulares de ciertas zonas en relación con otras variables categóricas.
Además, el análisis individual de las categorías muestra cómo cada una contribuye a las dimensiones principales y su relación con otras categorías. Por ejemplo, la categoría “Casa” se asocia positivamente con la Dimensión 1, mientras que la categoría “Zona Sur” tiene una fuerte relación positiva con la Dimensión 2.
## Warning: package 'FactoMineR' was built under R version 4.3.2
##
## Call:
## MCA(X = df_corr)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7
## Variance 0.711 0.663 0.658 0.645 0.446 0.333 0.333
## % of var. 0.770 0.718 0.713 0.699 0.483 0.361 0.361
## Cumulative % of var. 0.770 1.488 2.201 2.900 3.383 3.744 4.105
## Dim.8 Dim.9 Dim.10 Dim.11 Dim.12 Dim.13 Dim.14
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 4.466 4.827 5.188 5.549 5.910 6.271 6.633
## Dim.15 Dim.16 Dim.17 Dim.18 Dim.19 Dim.20 Dim.21
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 6.994 7.355 7.716 8.077 8.438 8.799 9.160
## Dim.22 Dim.23 Dim.24 Dim.25 Dim.26 Dim.27 Dim.28
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 9.521 9.882 10.243 10.604 10.965 11.326 11.687
## Dim.29 Dim.30 Dim.31 Dim.32 Dim.33 Dim.34 Dim.35
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 12.048 12.409 12.770 13.131 13.492 13.853 14.214
## Dim.36 Dim.37 Dim.38 Dim.39 Dim.40 Dim.41 Dim.42
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 14.575 14.936 15.297 15.658 16.019 16.380 16.741
## Dim.43 Dim.44 Dim.45 Dim.46 Dim.47 Dim.48 Dim.49
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 17.102 17.463 17.824 18.185 18.546 18.907 19.268
## Dim.50 Dim.51 Dim.52 Dim.53 Dim.54 Dim.55 Dim.56
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 19.629 19.990 20.351 20.712 21.073 21.434 21.795
## Dim.57 Dim.58 Dim.59 Dim.60 Dim.61 Dim.62 Dim.63
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 22.156 22.517 22.878 23.239 23.600 23.961 24.322
## Dim.64 Dim.65 Dim.66 Dim.67 Dim.68 Dim.69 Dim.70
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 24.683 25.044 25.405 25.766 26.127 26.488 26.849
## Dim.71 Dim.72 Dim.73 Dim.74 Dim.75 Dim.76 Dim.77
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 27.210 27.571 27.932 28.293 28.654 29.015 29.376
## Dim.78 Dim.79 Dim.80 Dim.81 Dim.82 Dim.83 Dim.84
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 29.737 30.098 30.459 30.820 31.181 31.542 31.903
## Dim.85 Dim.86 Dim.87 Dim.88 Dim.89 Dim.90 Dim.91
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 32.264 32.625 32.986 33.347 33.708 34.069 34.430
## Dim.92 Dim.93 Dim.94 Dim.95 Dim.96 Dim.97 Dim.98
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 34.791 35.152 35.513 35.874 36.235 36.596 36.957
## Dim.99 Dim.100 Dim.101 Dim.102 Dim.103 Dim.104 Dim.105
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 37.318 37.679 38.040 38.401 38.762 39.123 39.484
## Dim.106 Dim.107 Dim.108 Dim.109 Dim.110 Dim.111 Dim.112
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 39.846 40.207 40.568 40.929 41.290 41.651 42.012
## Dim.113 Dim.114 Dim.115 Dim.116 Dim.117 Dim.118 Dim.119
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 42.373 42.734 43.095 43.456 43.817 44.178 44.539
## Dim.120 Dim.121 Dim.122 Dim.123 Dim.124 Dim.125 Dim.126
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 44.900 45.261 45.622 45.983 46.344 46.705 47.066
## Dim.127 Dim.128 Dim.129 Dim.130 Dim.131 Dim.132 Dim.133
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 47.427 47.788 48.149 48.510 48.871 49.232 49.593
## Dim.134 Dim.135 Dim.136 Dim.137 Dim.138 Dim.139 Dim.140
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 49.954 50.315 50.676 51.037 51.398 51.759 52.120
## Dim.141 Dim.142 Dim.143 Dim.144 Dim.145 Dim.146 Dim.147
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 52.481 52.842 53.203 53.564 53.925 54.286 54.647
## Dim.148 Dim.149 Dim.150 Dim.151 Dim.152 Dim.153 Dim.154
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 55.008 55.369 55.730 56.091 56.452 56.813 57.174
## Dim.155 Dim.156 Dim.157 Dim.158 Dim.159 Dim.160 Dim.161
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 57.535 57.896 58.257 58.618 58.979 59.340 59.701
## Dim.162 Dim.163 Dim.164 Dim.165 Dim.166 Dim.167 Dim.168
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 60.062 60.423 60.784 61.145 61.506 61.867 62.228
## Dim.169 Dim.170 Dim.171 Dim.172 Dim.173 Dim.174 Dim.175
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 62.589 62.950 63.311 63.672 64.033 64.394 64.755
## Dim.176 Dim.177 Dim.178 Dim.179 Dim.180 Dim.181 Dim.182
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 65.116 65.477 65.838 66.199 66.560 66.921 67.282
## Dim.183 Dim.184 Dim.185 Dim.186 Dim.187 Dim.188 Dim.189
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 67.643 68.004 68.365 68.726 69.087 69.448 69.809
## Dim.190 Dim.191 Dim.192 Dim.193 Dim.194 Dim.195 Dim.196
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 70.170 70.531 70.892 71.253 71.614 71.975 72.336
## Dim.197 Dim.198 Dim.199 Dim.200 Dim.201 Dim.202 Dim.203
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 72.697 73.059 73.420 73.781 74.142 74.503 74.864
## Dim.204 Dim.205 Dim.206 Dim.207 Dim.208 Dim.209 Dim.210
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 75.225 75.586 75.947 76.308 76.669 77.030 77.391
## Dim.211 Dim.212 Dim.213 Dim.214 Dim.215 Dim.216 Dim.217
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 77.752 78.113 78.474 78.835 79.196 79.557 79.918
## Dim.218 Dim.219 Dim.220 Dim.221 Dim.222 Dim.223 Dim.224
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 80.279 80.640 81.001 81.362 81.723 82.084 82.445
## Dim.225 Dim.226 Dim.227 Dim.228 Dim.229 Dim.230 Dim.231
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 82.806 83.167 83.528 83.889 84.250 84.611 84.972
## Dim.232 Dim.233 Dim.234 Dim.235 Dim.236 Dim.237 Dim.238
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 85.333 85.694 86.055 86.416 86.777 87.138 87.499
## Dim.239 Dim.240 Dim.241 Dim.242 Dim.243 Dim.244 Dim.245
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 87.860 88.221 88.582 88.943 89.304 89.665 90.026
## Dim.246 Dim.247 Dim.248 Dim.249 Dim.250 Dim.251 Dim.252
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 90.387 90.748 91.109 91.470 91.831 92.192 92.553
## Dim.253 Dim.254 Dim.255 Dim.256 Dim.257 Dim.258 Dim.259
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 92.914 93.275 93.636 93.997 94.358 94.719 95.080
## Dim.260 Dim.261 Dim.262 Dim.263 Dim.264 Dim.265 Dim.266
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.361
## Cumulative % of var. 95.441 95.802 96.163 96.524 96.885 97.246 97.607
## Dim.267 Dim.268 Dim.269 Dim.270 Dim.271 Dim.272 Dim.273
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.167
## % of var. 0.361 0.361 0.361 0.361 0.361 0.361 0.180
## Cumulative % of var. 97.968 98.329 98.690 99.051 99.412 99.773 99.954
## Dim.274 Dim.275 Dim.276 Dim.277
## Variance 0.023 0.008 0.008 0.003
## % of var. 0.025 0.009 0.009 0.003
## Cumulative % of var. 99.979 99.988 99.997 100.000
##
## Individuals (the 10 first)
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## 1 | 0.855 0.021 0.000 | -0.463 0.007 0.000 | -0.200 0.001
## 2 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 3 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 4 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 5 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## 6 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 7 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 8 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 9 | -0.005 0.000 0.000 | 1.448 0.066 0.027 | -0.792 0.020
## 10 | -0.461 0.006 0.003 | 1.433 0.064 0.026 | -0.794 0.020
## cos2
## 1 0.000 |
## 2 0.008 |
## 3 0.008 |
## 4 0.008 |
## 5 0.008 |
## 6 0.008 |
## 7 0.008 |
## 8 0.008 |
## 9 0.008 |
## 10 0.008 |
##
## Categories (the 10 first)
## Dim.1 ctr cos2 v.test Dim.2 ctr cos2
## Apartamento | -0.390 4.729 0.298 -37.867 | -0.013 0.005 0.000
## Casa | 0.764 9.254 0.298 37.867 | 0.025 0.010 0.000
## Zona Centro | 3.157 3.499 0.075 19.013 | 1.318 0.654 0.013
## Zona Norte | -0.428 1.584 0.041 -14.112 | 1.805 30.162 0.736
## Zona Oeste | -1.661 20.262 0.512 -49.634 | -0.177 0.246 0.006
## Zona Oriente | 3.587 12.169 0.265 35.687 | 2.802 7.959 0.162
## Zona Sur | 0.385 4.387 0.254 34.936 | -0.588 10.971 0.592
## 3 de julio | 1.014 0.010 0.000 1.014 | -0.569 0.003 0.000
## acopi | -0.349 0.025 0.001 -1.601 | 1.708 0.640 0.013
## aguablanca | -0.005 0.000 0.000 -0.005 | -0.607 0.004 0.000
## v.test Dim.3 ctr cos2 v.test
## Apartamento -1.230 | -0.002 0.000 0.000 -0.172 |
## Casa 1.230 | 0.003 0.000 0.000 0.172 |
## Zona Centro 7.938 | 1.385 0.727 0.014 8.340 |
## Zona Norte 59.470 | -0.970 8.784 0.213 -31.973 |
## Zona Oeste -5.281 | 1.470 17.137 0.401 43.921 |
## Zona Oriente 27.874 | 4.582 21.443 0.432 45.581 |
## Zona Sur -53.359 | -0.244 1.908 0.102 -22.167 |
## 3 de julio -0.569 | -0.247 0.001 0.000 -0.247 |
## acopi 7.843 | -0.960 0.204 0.004 -4.408 |
## aguablanca -0.607 | -0.252 0.001 0.000 -0.252 |
##
## Categorical variables (eta2)
## Dim.1 Dim.2 Dim.3
## tipo | 0.298 0.000 0.000 |
## zona | 0.894 0.995 0.987 |
## barrio | 0.941 0.995 0.987 |Conclusiones
Basadas en el análisis realizado, se extraen las siguientes conclusiones clave:
- Existe una fuerte asociación entre el tamaño de la vivienda, la ubicación y el precio.
- Se identificaron segmentos de mercado distintos a través del análisis de conglomerados, lo que sugiere la posibilidad de desarrollar estrategias de marketing personalizadas.
- Las preferencias del mercado varían según la zona geográfica y el barrio, lo que resalta la importancia de adaptar la oferta de viviendas a las necesidades locales.