Actividad 1 Evaluación de la oferta inmobiliaria urbana
Willy Corzo
2024-08-09
Análisis de Mercado Inmobiliario de Cali
Para realizar el análisis del mercado inmobiliario en la ciudad de Cali se parte de la base de datos suministrada “vivienda” la cual consta de 9 atributos y 8,322 registros.
| Name | vivienda |
| Number of rows | 8322 |
| Number of columns | 13 |
| _______________________ | |
| Column type frequency: | |
| character | 4 |
| numeric | 9 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| zona | 3 | 1.00 | 8 | 12 | 0 | 5 | 0 |
| piso | 2638 | 0.68 | 2 | 2 | 0 | 12 | 0 |
| tipo | 3 | 1.00 | 4 | 11 | 0 | 2 | 0 |
| barrio | 3 | 1.00 | 4 | 29 | 0 | 436 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| id | 3 | 1.00 | 4160.00 | 2401.63 | 1.00 | 2080.50 | 4160.00 | 6239.50 | 8319.00 | ▇▇▇▇▇ |
| estrato | 3 | 1.00 | 4.63 | 1.03 | 3.00 | 4.00 | 5.00 | 5.00 | 6.00 | ▅▆▁▇▆ |
| preciom | 2 | 1.00 | 433.89 | 328.65 | 58.00 | 220.00 | 330.00 | 540.00 | 1999.00 | ▇▂▁▁▁ |
| areaconst | 3 | 1.00 | 174.93 | 142.96 | 30.00 | 80.00 | 123.00 | 229.00 | 1745.00 | ▇▁▁▁▁ |
| parqueaderos | 1605 | 0.81 | 1.84 | 1.12 | 1.00 | 1.00 | 2.00 | 2.00 | 10.00 | ▇▁▁▁▁ |
| banios | 3 | 1.00 | 3.11 | 1.43 | 0.00 | 2.00 | 3.00 | 4.00 | 10.00 | ▇▇▃▁▁ |
| habitaciones | 3 | 1.00 | 3.61 | 1.46 | 0.00 | 3.00 | 3.00 | 4.00 | 10.00 | ▂▇▂▁▁ |
| longitud | 3 | 1.00 | -76.53 | 0.02 | -76.59 | -76.54 | -76.53 | -76.52 | -76.46 | ▁▅▇▂▁ |
| latitud | 3 | 1.00 | 3.42 | 0.04 | 3.33 | 3.38 | 3.42 | 3.45 | 3.50 | ▃▇▅▇▅ |
barrasPiso = ggplot(vivienda, aes(x = piso)) +
geom_bar(fill = "#0073C2FF")+
labs(title = "Cantidad de Viviendas por Piso", x = "Viviendas por Piso", y = "Frecuencia") +
theme_minimal()
barrasPiso
barrasParqueadero = ggplot(vivienda, aes(x = as.factor(parqueaderos))) +
geom_bar(fill = "#0073C2FF")+
labs(title = "Cantidad de Viviendas por Parqueadero", x = "Viviendas por Parqueadero", y = "Frecuencia") +
theme_minimal()
barrasParqueadero
Al realizar un análisis inicial de la base de datos se encuentran registros con datos faltantes los cuales serán eliminados para continuar con el análisis, conservando un 57.8% de la data original.
# Convertir 'parqueaderos' y'piso' de factor a numérico
vivienda$parqueaderos = as.numeric(as.character(vivienda$parqueaderos))
vivienda$piso = as.numeric(as.character(vivienda$piso))
# Preparar los datos eliminando columnas no representativas
datos_limpios = vivienda
datos_limpios = subset(datos_limpios, select = -c(barrio, longitud, latitud))
datos_limpios = na.omit(datos_limpios)
summary(datos_limpios) id zona piso estrato
Min. : 1 Length:4808 Min. : 1.000 Min. :3.000
1st Qu.:2479 Class :character 1st Qu.: 2.000 1st Qu.:4.000
Median :4474 Mode :character Median : 3.000 Median :5.000
Mean :4427 Mean : 3.886 Mean :4.838
3rd Qu.:6413 3rd Qu.: 5.000 3rd Qu.:6.000
Max. :8316 Max. :12.000 Max. :6.000
preciom areaconst parqueaderos banios
Min. : 58.0 Min. : 40.0 Min. : 1.000 Min. : 0.000
1st Qu.: 244.5 1st Qu.: 85.0 1st Qu.: 1.000 1st Qu.: 2.000
Median : 350.0 Median : 123.0 Median : 2.000 Median : 3.000
Mean : 457.2 Mean : 174.8 Mean : 1.815 Mean : 3.219
3rd Qu.: 560.0 3rd Qu.: 225.0 3rd Qu.: 2.000 3rd Qu.: 4.000
Max. :1999.0 Max. :1500.0 Max. :10.000 Max. :10.000
habitaciones tipo
Min. : 0.000 Length:4808
1st Qu.: 3.000 Class :character
Median : 3.000 Mode :character
Mean : 3.564
3rd Qu.: 4.000
Max. :10.000 Análisis de componentes principales - PCA
Para el análisis de componentes principales se tienen encuentra solo las variables cuantitativas: Piso, Preciom, Areaconst, Parqueaderos, Banios y Habitaciones.
#PCA
#Se identifican como variables cuantitativas Piso, Preciom, Areaconst, Parqueaderos, Banios y Habitaciones
datosPCA = subset(datos_limpios, select = -c(id, zona, estrato, tipo))
datosZ = scale(datosPCA)
res.pca = PCA(datosZ, ncp = 3, graph = FALSE)
# Gráfico de individuos
fviz_pca_ind(res.pca,
geom.ind = "point", # Mostrar individuos como puntos
col.ind = "cos2", # Color por calidad de representación
gradient.cols = c("#0073C2FF", "#E7B800", "#FC4E07"), # Gradiente de color
repel = TRUE, # Evita la superposición de textos
addEllipses = TRUE, # Agrega elipses de confianza
ellipse.level = 0.95, # Nivel de confianza
label = "var", # Etiquetas de variables
title = "Gráfico de Individuos - PCA")
# Gráfico de variables
fviz_pca_var(res.pca,
col.var = "contrib", # Color por contribución al PCA
gradient.cols = c("#0073C2FF", "#E7B800", "#FC4E07"), # Gradiente de color
repel = TRUE, # Evita la superposición de textos
title = "Gráfico de Variables - PCA")
La dimensión 1 o el componente principal 1 explica cerca del 56% de la varianza total de los datos, este componente se encuentra fuertemente relacionado con las variables preciom, areaconst, parqueadero y banios.
Mientras que el componente principal 2 explica el 17.8% de la varianza total de los datos, este componente está relacionado con las variables piso y habitaciones.
Entre las variables Preciom y piso parece haber una relación linealmente independiente ya que forman un ángulo de 90° en el gráfico.
# Graficar la varianza explicada por cada componente principal
fviz_eig(res.pca,
addlabels = TRUE,
ylim = c(0, 100),
main = "Explicación de la Varianza por Componentes",
xlab = "Número de Componentes Principales",
ylab = "Varianza Explicada (%)",
barfill = "#0073C2FF",
barcolor = "#0073C2FF")
Se puede reducir el modelo de datos en 2 dimensiones simplificando la complejidad del modelo y obteniendo el 73.8% de la varianza total del modelo sumando la varianza de los primeros 2.
eigenvalue percentage of variance cumulative percentage of variance
comp 1 3.3619994 56.033324 56.03332
comp 2 1.0691744 17.819573 73.85290
comp 3 0.7316149 12.193581 86.04648
comp 4 0.3460375 5.767291 91.81377
comp 5 0.3047888 5.079814 96.89358
comp 6 0.1863850 3.106417 100.00000$coord
Dim.1 Dim.2 Dim.3
piso -0.2390693 0.86046275 0.44263091
preciom 0.8360373 0.33344522 -0.22622334
areaconst 0.8797799 -0.04425612 0.00773951
parqueaderos 0.7913655 0.24521109 -0.32348601
banios 0.8775113 0.03536707 0.17583625
habitaciones 0.6599914 -0.39275261 0.59067271
$cor
Dim.1 Dim.2 Dim.3
piso -0.2390693 0.86046275 0.44263091
preciom 0.8360373 0.33344522 -0.22622334
areaconst 0.8797799 -0.04425612 0.00773951
parqueaderos 0.7913655 0.24521109 -0.32348601
banios 0.8775113 0.03536707 0.17583625
habitaciones 0.6599914 -0.39275261 0.59067271
$cos2
Dim.1 Dim.2 Dim.3
piso 0.05715414 0.740396139 1.959221e-01
preciom 0.69895845 0.111185715 5.117700e-02
areaconst 0.77401271 0.001958604 5.990001e-05
parqueaderos 0.62625929 0.060128479 1.046432e-01
banios 0.77002616 0.001250830 3.091839e-02
habitaciones 0.43558868 0.154254613 3.488942e-01
$contrib
Dim.1 Dim.2 Dim.3
piso 1.700005 69.2493341 26.779406959
preciom 20.789963 10.3992124 6.995073955
areaconst 23.022393 0.1831885 0.008187369
parqueaderos 18.627585 5.6238234 14.303044847
banios 22.903816 0.1169902 4.226047005
habitaciones 12.956239 14.4274513 47.688239865Para la dimensión 1 se puede observar que las variables que tienen una mayor contribución son areaconst, banios, preciom y parqueaderos por encima del 18% de contribución.
Para la dimensión 2 las variables que tienen una mayor contribución serian piso y habitaciones con un 69% y un 14% respectivamente.
Análisis de Conglomerados
Para el análisis de conglomerados se tomo la base de datos normalizada utilizada para el analisis de componentes principales es decir se tuvieron en cuenta las variables cuantitativas: Piso, Preciom, Areaconst, Parqueaderos, Banios y Habitaciones.
# Conglomerados
# Calculo distancia euclidiana
dist_emp <- dist(datosZ, method = 'euclidean')
# Cluster jerarquico con el método complete
hc_emp <- hclust(dist_emp, method = 'complete')
# Determinamos a dónde pertenece cada observación
cluster_assigments <- cutree(hc_emp, k = 2)
datosZ_df <- as.data.frame(datosZ)
# Asignar los clústeres
assigned_cluster <- datosZ_df %>% mutate(cluster = as.factor(cluster_assigments))
ggplot(assigned_cluster, aes(x = areaconst, y = preciom, color = cluster)) +
geom_point(size = 1) +
geom_text(aes(label = cluster), vjust = -.8) +
theme_classic()
library(cluster)
# Asegúrate de que los clústeres están en un vector
clusters <- as.numeric(assigned_cluster$cluster)
# Calcular la distancia euclidiana usando los datos PCA (sin la columna de clústeres)
distances <- dist(datosZ)
# Calcular el coeficiente de Silhouette
sil <- silhouette(clusters, distances)
# Calcular el coeficiente de Silhouette promedio
sil_avg <- mean(sil[, 3])
# Imprimir el coeficiente de Silhouette promedio
cat("Coeficiente de Silhouette promedio k=2: ", sil_avg)Coeficiente de Silhouette promedio k=2: 0.5466439Dentro del análisis realizado se pudieron identificar 2 clusters de datos donde la mayoría de los individuos fueron identificados dentro del cluster 1, los individuos del cluster 2 se encuentran dispersos pero tienen la particularidad de que al tener un área mayor construida su precio no aumenta significativamente y se encuentra dentro de un rango de precios razonable por metro cuadrado construido pudiendo ser un posible target de mercado en la ciudad de Cali.
Análisis de correspondencia
#Analisis de correspondencia
#preparando bases de datos
tablaVivienda_zona = table(datos_limpios$estrato, datos_limpios$zona)
#colnames(tablaVivienda_zona) = c("Zona Centro", "Zona Norte", "Zona Oeste", "Zona Oriente", "Zona Sur")
tablaVivienda_zona
Zona Centro Zona Norte Zona Oeste Zona Oriente Zona Sur
3 33 141 19 94 147
4 3 184 51 2 973
5 0 482 181 1 1195
6 0 79 502 0 721
Pearson's Chi-squared test
data: tablaVivienda_zona
X-squared = 2172.8, df = 12, p-value < 2.2e-16Dado el valor extremadamente bajo del p-value, podemos concluir que hay una asociación significativa entre las variables en la tabla de contingencia. Es decir, la distribución de la variable de respuesta (como tipo de vivienda o barrio) varía significativamente según la zona.
Al revisar el grafico de correspondencia se puede concluir que:
Las Zonas Oriente y Centro se encuentran agrupadas cerca de la misma región en el gráfico, lo que sugiere que estas zonas tienen un comportamiento similar y mayormente están conformadas por viviendas de estrato 3.
Las Zonas Sur y Norte también se encuentran cercanas, presentar características similares y se encuentran conformadas por viviendas de estrato 4 y 5.
En la Zona Oeste se encuentra conformado por viviendas de estrato 6.
Conclusiones
El análisis de componentes principales (PCA) podría simplificar la complejidad de un modelo predictivo o de clasificación que se desee implementar sobre los datos analizados.
Dentro de las variables analizadas se encontró que las variables preciom, areaconst, parqueaderos y banios tiene una relación fuerte con el primer componente explicado cerca del 56% de la varianza total de los datos.
Los datos analizados pueden agruparse en 2 grupos principales , donde el cluster 2 presentan condiciones interesantes para el mercado como áreas grandes y precios razonables por metro cuadrado.
Las viviendas de estrato 6 se encuentran en su mayor parte en la Zona Oeste de la ciudad mientras hacia la Zona Centro y Oriente se encuentran viviendas de clase media.
Recomendaciones
- Realizar una segmentación de mercado asociando los perfiles de los clientes de acuerdo al estrato socioeconómico que desean comprar resaltando características claves de cada grupo de viviendas, es decir grandes espacios, zonas exclusivas o bajos precios de las viviendas y zonas accesibles o cercanas.
- Priorizar la compra y venta de viviendas caracterizadas como el cluster 2 donde se puede ofertar un área construida considerable a precios por metro cuadrado razonables.