“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.”
Para dar alcance a los retos que representa el problema planteado, se elabora inicialmente un análisis exploratorio del conjunto de datos para luego aplicar técnicas estadísticas avanzadas como el Análisis de Componentes Principales (ACP), Análisis de Conglomerados y Análisis de Correspondencias, que permitirán identificar las variables más importantes en la segmentación de las viviendas urbanas, además de descubrir patrones influyentes para la toma de decisiones de la compañía.
El conjunto de datos está compuesto por 8.322 registros y 13 variables, entre las que se incluyen el identificador de la vivienda, su localización geográfica, estrato, precio, área construida, cantidad de habitaciones, baños y parqueaderos. Con el fin de tener un acercamiento de las variables y registros que contiene, se valida si existe información faltante, atípica o redundante.
faltantes <- colSums(is.na(vivienda))
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
duplicates = vivienda2[duplicated(vivienda2), ]
duplicate_counts = table(vivienda2[duplicated(vivienda2), ])
duplicates
var_num = vivienda2 %>% select('estrato', 'preciom', 'areaconst', 'banios', 'longitud', 'latitud')
correlation.matrix <- cor(var_num, use = "complete.obs")
Matriz de correlaciones
Mediante la técnica estadística ACP, se pretende simplificar la complejidad de espacios de datos de alta dimensión, resaltando las características más significativas que explican la mayor parte de la variabilidad en el conjunto de datos, al transformar el conjunto original de variables en un nuevo conjunto de variables no correlacionadas (componentes principales), logrando a su vez, identificar patrones o estructuras ocultas en los datos.
Para este proceso se estandarizan las variables, restando el promedio y diviendo por la desviación estándar de cada una, asegurando así que todos los valores sean comparables entre sí, independientemente de su escala original. Luego se crea el ACP y se genera un scree plot que facilita la identificación del número óptimo de componentes principales para reducir la dimensionalidad del conjunto de datos y explicar la mayor variabilidad de los mismos.
datos_z <- scale(var_num)
res.pca <- PCA(datos_z, ncp=6,graph = F)
fviz_eig(res.pca, addlabels = TRUE, barcolor = "#063C6C", barfill = "#0E599B")
Número óptimo de componentes principales
La primera componente logra explicar el 48.7% de la varianza, mientras que la segunda explica el 19.6%, logrando un acumulado del 68.3% del total de la variabilidad en los datos. Reteniendo las tres primeras componentes se logra capturar el 81.5% de esta variabilidad.
fviz_pca_var(res.pca, col.var="contrib",
gradient.cols = c("#00AFF9", "#E7B800", "#FC4E07"),
repel = TRUE # Avoid text overlapping
) + theme_minimal() + ggtitle("ACP - Variables") + theme(axis.text = element_text(size = 8), axis.title = element_text(size = 6))
Contribución de Variables
Contribución de variables a la primera componente principal:
fviz_contrib(res.pca, choice = "var", axes = 1, top = 10, fill = "#0E599B") + theme_minimal() + theme(axis.text = element_text(size = 8), axis.title = element_text(size = 6))
Contribución de Variables - CP 1
Se observa que para la primera componente las variables más influyentes son el precio, cantidad de baños, área construida y estrato socioeconómico de la vivienda. De otra parte, la segunda componente se explica principalmente por la latitud y longitud donde se ubica la vivienda. Dado lo anterior, se podrían resumir los resultados en dos grupos principales que explican el mercado inmobiliario:
Este análisis permite la creación de grupos o segmentos que comparten características similares entre sí, pero son distintivamente diferentes de los miembros de otros conglomerados. Al agrupar objetos o casos basándose en la proximidad de sus atributos, facilita la identificación de patrones subyacentes y la estructuración de los datos en categorías más manejables. Para este caso se selecciona el algoritmo K-means que particiona el conjunto de datos en K grupos distintos basándose en la distancia entre los puntos de datos y los centroides de los clusters. Este método asigna cada punto al cluster cuyo centroide es el más cercano, iterando este proceso hasta que la ubicación de los centroides se estabiliza y la asignación de puntos a clusters ya no cambia significativamente.
En primera instancia, tomando en cuenta los resultados obtenidos en el ACP, se crea un modelo para los valores k = 2, k = 3 y k = 4:
set.seed(1234)
km0 <- kmeans(datos_z, 2, nstart = 25)
km1 <- kmeans(datos_z, 3, nstart = 25)
km2 <- kmeans(datos_z, 4, nstart = 25)
K means resultado / comparación
Se muestra que cuando k = 2 o k = 3 hay más consistencia en la separación de los segmentos, mientras que en el caso de k = 4 el cuarto grupo es más difuso entre los demás segmentos.
Para determinar el número óptimo de grupos a seleccionar se utiliza el coeficiente de silhouette (rango -1, 1) que mide la consistencia entre los segmentos y los datos, al evaluar cuán bien se ha agrupado cada objeto y cuánto se asemeja a su propio cluster en comparación con los otros clusters.
fviz_nbclust(datos_z, kmeans, method = "silhouette")
Coeficiente de silhouette
Si bien el coeficiente sugiere tomar solo los dos primeros componentes, se decide seleccionar k = 3 ya que se retiene mayor cantidad de varianza para explicar el comportamiento de la oferta inmobiliaria urbana. La distribución de los tres grupos se muestra en la siguiente tabla:
| Cluster | Cantidad | Porcentaje |
|---|---|---|
| 1 | 3,994 | 48.01% |
| 2 | 2,102 | 25.27% |
| 3 | 2,223 | 26.72% |
| Total | 8,319 | 100.00% |
| Cluster | Avg_precio | Avg_area | Avg_banios | Avg_habit | Avg_estrato | Moda_zona | Moda_tipo_vivienda | Moda_barrio |
|---|---|---|---|---|---|---|---|---|
| 1 | $296,71 | 112,86 | 3 | 3 | 5 | Zona Sur | Apartamento | Valle Del Lili |
| 2 | $253,75 | 132,42 | 2 | 4 | 4 | Zona Norte | Apartamento | La Flora |
| 3 | $850,75 | 326,66 | 5 | 4 | 6 | Zona Sur | Casa | Ciudad Jardín |
Segmento 1 - Confort Urbano. Las caracteristicas de las viviendas que lo conforman son: apartamentos de $296 millones, con área de 112m2, 3 baños, 3 habitaciones, estrato 5, en la zona sur y en el barrio Valle del Lili. Con un equilibrio entre área, número de baños y habitaciones sugiere una opción confortable y práctica para vivir.
El segmento 2 - Espacio y Comodidad, se caracteriza por estar compuesto principalmente por apartamentos cuyo valor promedio es de $253 millones de pesos, con un área construida promedio de 132m2, 2 baños, 4 habitaciones, estrato socioeconómico 4, en la zona norte de la ciudad y especialmente en el barrio La Flora. Este segmento representa una combinación de espacio y comodidad en un estrato socioeconómico medio-alto.
El segmento 3 - Lujo Residencial. Lo conforman en su mayoría casas con valor promedio de $850 millones, 326m2, 5 baños, 4 habitaciones, estrato 6, en la zona sur de la ciudad y en el barrio Ciudad Jardín. Este segmento destaca por incluir casas de lujo en el estrato más alto, con la mayor área promedio, y ubicación en una prestigiosa zona de la ciudad.
Este análisis ayuda a explorar y visualizar las relaciones entre las categorías de las variables tipo de vivienda, zona y estrato, para identificar patrones y asociaciones en los datos mediante la creación de un mapa de correspondencias, facilitando así la interpretación de cómo las categorías de una variable se relacionan con las categorías de otra, permitiendo una comprensión más profunda de las interacciones dentro del conjunto de datos. La tabla de contingencia para este caso de correspondencias múltiples se muestra a continuación.
ftable(vivienda2$tipo, vivienda2$zona, vivienda2$estrato)
## 3 4 5 6
##
## Apartamento Zona Centro 14 7 3 0
## Zona Norte 337 246 498 117
## Zona Oeste 29 58 231 711
## Zona Oriente 58 2 1 1
## Zona Sur 201 1091 1033 462
## Casa Zona Centro 91 7 1 1
## Zona Norte 235 161 271 55
## Zona Oeste 25 26 59 59
## Zona Oriente 282 6 1 0
## Zona Sur 181 525 652 581
En primer lugar se aplica la prueba de independencia para variables categóricas chi-cuadrado para comprobrar la asociación por pares de variables de ineterés, en este caso para el tipo de vivienda vs estrato socioeconómico, y zona de ubicación de la vivienda vs estrato.
Las proporciones de la distribución del tipo de viviendas por estratos se muestra a continuación:
Tipo de vivienda vs estrato
Luego se crea una tabla de contingencias que contiene las frecuencias de las dos variables y se realiza la prueba Chi-cuadrado que contrasta las hipótesis:
\[ \begin{aligned} & H_0: \text{El tipo de vivienda y el estrato son independientes} \\ & \qquad vs \\ & H_1: \text{El tipo de vivienda y el estrato no son independientes} \end{aligned} \]
tabla_1 <- table(vivienda2$tipo, vivienda2$estrato)
chisq.test(tabla_1)
##
## Pearson's Chi-squared test
##
## data: tabla_1
## X-squared = 224.33, df = 3, p-value < 0.00000000000000022
El resultado indica que, con \(\alpha=0.05\), se rechaza la hipótesis de independencia de las variables, es decir que existe una asociación entre el tipo de vivienda, si es casa o apartamento, y el estrato socioeconómico.
Se comparan las variables zona y estrato de la vivienda:
Zona vs estrato
El contraste de hipótesis es:
\[ \begin{aligned} & H_0: \text{La zona y el estrato son independientes} \\ & \qquad vs \\ & H_1: \text{La zona y el estrato no son independientes} \end{aligned} \]
tabla_2 <- table(vivienda2$zona, vivienda2$estrato)
chisq.test(tabla_2)
##
## Pearson's Chi-squared test
##
## data: tabla_2
## X-squared = 3830.4, df = 12, p-value < 0.00000000000000022
El valor-p obtenido sugiere que hay una asociación significativa entre las variables, rechazando la hipótesis de independencia, es decir, existe una asociación entre la zona donde se encuentra la vivienda y su estrato.
Para esta etapa del análsis, se decide implementar un muestreo aleatorio estratificado por estratos socioeconómicos (30% del total de datos), que permita mayor eficiencia y rendimiento computacional en la generación de gráficos como resultado de las asociaciones detectadas. Posteriormente se crea el análisis de correspondencias múltiples haciendo uso de la función MCA de la librería FactoMineR.
mca = MCA(muestra_estrat, ncp = 4, graph = FALSE)
plot1 = fviz_screeplot(mca, addlabels = TRUE, ylim = c(0, 40))
plot2 = fviz_mca_var(mca, choice = "mca.cor",repel = TRUE, ggtheme = theme_minimal())
grid.arrange(plot1, plot2, nrow = 1, ncol = 2)
AC Múltiple
El scree plot muestra el porcentaje de varianza explicada, y como se evidencia, las primeras dos dimensiones explican aproximadamente el 38.5% de la varianza (21.3% por la primera dimensión y 17.2% por la segunda), lo que es típico en los datos categóricos donde la varianza se distribuye entre varias dimensiones. Para este caso la elección de las dimensiones a tomar podría darse entre 3 a 4 ya que es el punto en el que los valores propios comienzan a mostrar un cambio menos pronunciado. De otra parte, el biplot muestra que el tipo de vivienda está fuertemente asociada con la dimensión 1 y no tanto con la dimensión 2, lo que sugiere que esta variable contribuye significativamente a la variación en la primera dimensión, mientras que las variables zona y estrato contribuyen en ambas dimensiones, pero tienen una asociación más fuerte con la dimensión 2.
Seguidamente se muestra la distribución de las categorías en el plano cartesiano conformado por las dimensiones 1 y 2, de forma conjunta.
categorias_coords <- mca$var$coord
coord = as.data.frame(categorias_coords[, 1:2])
coord = rownames_to_column(coord, var = "Categoria")
Las categorías de la variable zona parecen estar dispersas a lo largo de ambas dimensiones, lo que indica diferenciaciones claras en la asociación entre zonas y estratos socioeconómicos.
Las categorías relacionadas con el tipo de vivienda (Apartamento y Casa) están dispuestas en direcciones opuestas a lo largo de la Dimensión 1, lo que sugiere que esta dimensión podría estar capturando la variabilidad en el tipo de vivienda.
Los Estratos 3, 4 y 5 se ubican más cerca de las zonas Centro, Norte y Sur respectivamente, lo que puede reflejar una tendencia de estos estratos en dichas zonas.
Con el análisis realizado se extrae información valiosa para la adecuada toma de decisiones, pues como se observó de los resultados del Análisis de conglomerados, se distinguen tres segmentos de vivienda importantes para la distribución de características de las mismas, indicando que en el segmento 2 se prefiere más el espacio mientras que en el segmento 3 se destaca la oferta de lujo, y finalmente en el 1 se aprecia más la ubicación y el confort de los apartamentos de la zona sur.
En cuanto a los resultados del ACP, se precisa de dos grupos que reúnen información de las 11 variables consideradas, determinando que para el primer grupo las variables como el precio, área y cantidad de espacios son las más relevantes, mientras que el segundo grupo prioriza la distribución geográfica de las viviendas en la ciudad.
Finalmente, el ACM complementa los resultados anteriores, identificando las asociaciones entre las categorías de las variables zona, tipo de vivienda y estrato socioeconómico, donde se resalta la influencia del estrato por cada zona de la ciudad, y a su vez, según el tipo de vivienda.
En resumen, los resultados brindan insights valiosos para la compañía, permitiendo caracterizar a los clientes por zonas de la ciudad y por especificaciones propias de las viviendas, lo que permite dirigir de forma más efectiva las estrategias de mercadeo y facilita la creación de nuevos proyectos acorde a las necesidades de la ciudadanía.
Diseñar y ejecutar campañas de marketing diferenciadas para cada segmento identificado, destacando los atributos preferidos: el espacio en el segmento 2, la oferta de lujo en el segmento 3 y la ubicación junto con el confort de los apartamentos en el segmento 1.
Orientar el desarrollo de nuevos proyectos inmobiliarios para satisfacer las demandas específicas de cada zona de la ciudad, priorizando el lujo y las amplias áreas en la Zona Oriente y enfocándose en la comodidad y la ubicación en la Zona Sur.
Proporcionar un servicio al cliente personalizado que se alinee con las expectativas y preferencias reveladas en los análisis. Esto podría incluir asesoramiento especializado para clientes en busca de viviendas de lujo en áreas específicas o asistencia en la búsqueda de apartamentos que ofrezcan un balance entre ubicación y confort.