1. Introducción

En los últimos años, Cali se ha convertido en referente para el sector inmobiliario y presenta unas favorables dinámicas de mercado, lo que ha permitido una amplia oferta de proyectos. Según Camacol Valle, los precios por metro cuadrado en estratos medios oscilan entre 3,5 y 6 millones de pesos, muy por debajo de otras cuidades como Bogotá, a esto se suma la biodiversidad de Cali, con amplias zonas verdes, buena infraestructura vial y una población amable. En el siguiente informe, analizaremos el estado actual de la oferta de viviendas en Cali, podremos observar los precios de las viviendas por zonas, los tipos de viviendas mas ofertadas y las características más relevantes de dicha oferta.

2. Objetivos

  1. Realizar un análisis de la base de datos y estandarizar la información donde aplique.
  2. Analizar la información de los precios y demás características relevantes de las viviendas ofertadas.
  3. Estudiar los tipos de vivienda disponibles en cada zona.

3. Métodos

Iniciaremos el analisis con una revision de los datos y limpieza de los mismos.

Creamos una tabla con la variable “Tipo”, encontramos que no hay homogeneidad con los nombres, hay 3 formas distintas de escribir apartamento y casa.

library(paqueteMETODOS)
library(dplyr)
data(vivienda_faltantes)
Vivienda_faltantes_copia = vivienda_faltantes
table(vivienda_faltantes$tipo)
## 
## Apartamento APARTAMENTO        apto        casa        Casa        CASA 
##        5032          61          13          14        3195          12

Procedemos con la estandarización:

Vivienda_faltantes_copia$tipo = gsub("apto", "Apartamento", Vivienda_faltantes_copia$tipo)
Vivienda_faltantes_copia$tipo = gsub("APARTAMENTO", "Apartamento", Vivienda_faltantes_copia$tipo)
Vivienda_faltantes_copia$tipo = gsub("CASA", "Casa", Vivienda_faltantes_copia$tipo)
Vivienda_faltantes_copia$tipo = gsub("casa", "Casa", Vivienda_faltantes_copia$tipo)

Luego de la normalización, la variable ha quedado de la siguiente forma:

table(Vivienda_faltantes_copia$tipo)
## 
## Apartamento        Casa 
##        5106        3221

Ahora, para la definición del nicho de mercado, podemos identificar la zona de la ciudad con la mayor oferta de viviendas:

table(Vivienda_faltantes_copia$zona)
## 
##  Zona Centro   Zona Norte   Zona Oeste Zona Oriente     Zona Sur 
##          124         1922         1204          351         4726

Encontramos que en la Zona Sur contamos con 4726 ofertas de vivienda, sin embargo, es importante validar cual es el comportamiento de los precios en cada Zona de la ciudad.

En la siguiente tabla podemos validar la media de los precios para cada zona de la ciudad, podriamos considerar este dato como el más determinante al momento de adquirir una vivienda, el valor más alto es para la zona oeste con $686.6, seguido de la zona sur con $426.5.

tM = aggregate(Vivienda_faltantes_copia$preciom, list(Vivienda_faltantes_copia$zona), FUN=mean) 
colnames(tM)=c("Zona", "Media")
tM

Validemos en gráficos de dispersión si los indicadores de centro para los precios son precisos:

precio_zonacentro = subset(Vivienda_faltantes_copia$preciom, 
                    Vivienda_faltantes_copia$zona=="Zona Centro")
precio_zonanorte = subset(Vivienda_faltantes_copia$preciom, 
                   Vivienda_faltantes_copia$zona=="Zona Norte")
precio_zonaoeste = subset(Vivienda_faltantes_copia$preciom,
                   Vivienda_faltantes_copia$zona=="Zona Oeste")
precio_zonaoriente = subset(Vivienda_faltantes_copia$preciom, 
                     Vivienda_faltantes_copia$zona=="Zona Oriente")
precio_zonasur = subset(Vivienda_faltantes_copia$preciom,
                 Vivienda_faltantes_copia$zona=="Zona Sur")

preciodfzc = data.frame(precio_zonacentro)
preciodfzn = data.frame(precio_zonanorte)
preciodfzoeste = data.frame(precio_zonaoeste)
preciodfzoriente = data.frame(precio_zonaoriente)
preciodfzs = data.frame(precio_zonasur)

#Diagrama de dispercion para zona centro
ggplot(preciodfzc, aes(x=precio_zonacentro, y="")) + 
  geom_jitter(size=2, alpha=0.9)

ggplot(preciodfzn, aes(x=precio_zonanorte, y="")) + 
  geom_jitter(size=2, alpha=0.9)

ggplot(preciodfzoeste, aes(x=precio_zonaoeste, y="")) + 
  geom_jitter(size=2, alpha=0.9)

ggplot(preciodfzoriente, aes(x=precio_zonaoriente, y="")) + 
  geom_jitter(size=2, alpha=0.9)

ggplot(preciodfzs, aes(x=precio_zonasur, y="")) + 
  geom_jitter(size=2, alpha=0.9)

Ahora analizaremos las zonas con mayor cantidad de viviendas con parqueaderos, como sabemos, esta es una característica muy valorada por los compradores:

porcentajeparqzc = round(64*100 / 124)
porcentajeparqzn = round(1289*100 / 1922)
porcentajeparqzoeste = round(1103*100 / 1204)
porcentajeparqzoriente = round(163*100 / 351)
porcentajeparqzsur = round(4101*100 / 4726)

cat("Porcentaje de viviendas con parqueadero en la Zona Oeste =", porcentajeparqzoeste,"%","\n")
## Porcentaje de viviendas con parqueadero en la Zona Oeste = 92 %
cat("Porcentaje de viviendas con parqueadero en la Zona Sur =", porcentajeparqzsur,"%","\n")
## Porcentaje de viviendas con parqueadero en la Zona Sur = 87 %
cat("Porcentaje de viviendas con parqueadero en la Zona Norte =", porcentajeparqzn,"%","\n")
## Porcentaje de viviendas con parqueadero en la Zona Norte = 67 %
cat("Porcentaje de viviendas con parqueadero en la Zona Centro =", porcentajeparqzc,"%","\n")
## Porcentaje de viviendas con parqueadero en la Zona Centro = 52 %
cat("Porcentaje de viviendas con parqueadero en la Zona Oriente =", porcentajeparqzoriente,"%")
## Porcentaje de viviendas con parqueadero en la Zona Oriente = 46 %

En la siguiente tabla se encuentra la relacion de la media con respecto al tamaño de las viviendas en cada zona:

tM = aggregate(Vivienda_faltantes_copia$areaconst, list(Vivienda_faltantes_copia$zona), FUN=mean) 
colnames(tM)=c("Zona", "Media en M2" )
tM

Ahora analizaremos por medio de un gráfico de barras, la relación de tipos de viviendas por zona.

tiposvivienda = table(Vivienda_faltantes_copia$tipo, Vivienda_faltantes_copia$zona)
barplot(tiposvivienda, main="Tipos de viviendas disponibles por zona",  
        col=c("#0d3b66","#f4d35e"),
        xlab="Cali",
        ylab="Cantidad",
        las=1, ylim = c(0,5000), 
        names.arg=c("Zona Centro","Zona Norte","Zona Oeste","Zona Oriente","Zona Sur"))

legend("topleft",                       
       c("Apartamentos","Casas"),              
       fill = c("#0d3b66","#f4d35e"),         
       text.font = 7,                   
       bg='#E5E7E9'                  
      )

4. Resultados

Luego del estudio de la información, tenemos los siguientes resultados:

  1. Cantidad de viviendas en oferta por zona:
    1. Zona Sur = 4726
    2. Zona Norte = 1922
    3. Zona Oeste = 1204
    4. Zona Oriente = 351
    5. Zona Centro = 124
  2. La media de precios por zona se encuentra de siguiente forma:
    1. Zona Oeste = $678.6
    2. Zona Sur = $426.5
    3. Zona Norte = $345.7
    4. Zona Centro = $309.6
    5. Zona Oriente = $228.5
  3. La disponibilidad de parqueaderos en cada zona con respecto a la oferta se encuentra así:
    1. Zona Oeste = 92 %
    2. Zona Sur = 87 %
    3. Zona Norte = 67 %
    4. Zona Centro = 52 %
    5. Zona Oriente = 46 %
  4. La relación de la media en metros cuadrados por zona es la siguiente:
    1. Zona Oeste = 196.5 m2
    2. Zona Centro = 194 m2
    3. Zona Oriente = 192.3 m2
    4. Zona sur = 173.3 m2
    5. Zona Norte = 162.2 m2
  5. En la ciudad de Santiago de Cali hay una mayor oferta de apartamentos con respecto a las casas, en total son 5106 apartamentos ofertados versus 3221 casas, por lo cual se sugiere dirigir una estrategia de negocio enfocada a ese nicho, resaltando las bondades que brindan ese tipo de viviendas, como la seguridad, y espacios de esparcimiento para niños y adultos.

5. Conclusiones

Es posible concluir que la Zona Sur tiene un gran potencial como nicho de mercado, debido a su oferta superior, cuenta con 87% de disponibilidad de parqueaderos, el tamaño promedio es de 173.3 m2, no dista mucho de la zona con tamaño superior y hay una amplia oferta de apartamentos, el reto es negociar el precio superior, ya que se encuentra en segunda posición con respecto a esta variable, solo superada por el oeste.

Por otra parte, si la compañía desea un mercado más moderado, la Zona Norte es considerada la segunda mejor opción, aunque la oferta es un poco menos de la mitad con respecto a la zona sur, cuenta con un 67% de disponibilidad de parqueaderos, un tamaño menor, en promedio de 162.2 m2, pero unos precios más competitivos que rondan los $345.7.

Finalmente, es pertinente complementar la información con otros datos relevantes como el comportamiento de las ventas en la actualidad y agregar otros detalles que pueden apalancar o limitar las ventas en una zona, como el índice de seguridad, fácil acceso a la compra de víveres, hospitales y transporte publico cercano. De esta forma se podrían construir nuevos análisis con más información de impacto.