Informe Ejecutivo para B&C (Bines y Casas)

Introducción

B&C (Bines y Casas) es una agencia de bienes raíces con sede en Cali, Colombia, que ha operado en el mercado inmobiliario durante los últimos 10 años. Fundada por Sandra Milena, la empresa ha crecido junto con el dinámico mercado inmobiliario de la ciudad. En los últimos años, Cali ha visto un incremento significativo en la demanda de propiedades, impulsado por el crecimiento de la población, la inversión extranjera directa y el desarrollo de nuevos proyectos inmobiliarios. Este informe tiene como objetivo proporcionar un análisis estadístico detallado de los precios de viviendas, los tipos de inmuebles más ofertados y las características clave de la oferta inmobiliaria en la ciudad. Esta información será crucial para que B&C pueda definir su nicho de mercado, desarrollar estrategias de marketing efectivas, establecer precios competitivos y ofrecer servicios personalizados a sus clientes.

Objetivos

Definir el precio promedio de las viviendas en diferentes zonas de Cali.
Identificar el tipo de vivienda más ofertado en el mercado.
Analizar las características promedio de las viviendas en cada zona.
Proporcionar recomendaciones para ayudar a B&C a definir su nicho de mercado, desarrollar estrategias de marketing, establecer precios de venta y ofrecer servicios personalizados.

Métodos

Para llevar a cabo este análisis, se utilizó la base de datos recopilada por B&C, que incluye información sobre precios, ubicación, características físicas y detalles de venta de viviendas en Cali. El análisis se realizó utilizando técnicas estadísticas descriptivas, con agrupación de datos por zona y tipo de vivienda. Se calcularon promedios para las principales variables de interés, como precio, estrato, área construida, número de parqueaderos, baños y habitaciones.

Discusión

El análisis de los datos revela varias tendencias importantes en el mercado inmobiliario de Cali:

Precios por Zona: La Zona Oeste destaca como la más costosa, lo que sugiere un mercado dirigido a un segmento de alto poder adquisitivo. Por otro lado, la Zona Oriente es la más accesible, lo que podría indicar oportunidades para atraer a compradores de primera vivienda o inversionistas interesados en propiedades más económicas.
Tipos de Vivienda: Los apartamentos dominan la oferta, lo cual sugiere una mayor demanda para este tipo de vivienda. La presencia de diversas denominaciones para tipos similares de vivienda (e.g., “Apartamento” vs. “APARTAMENTO”) sugiere la necesidad de normalizar los datos para mejorar la calidad del análisis.
Características por Zona: Las zonas Norte y Oeste presentan viviendas con características más exclusivas, como un mayor número de parqueaderos y baños, así como un estrato más alto. Esto refuerza la idea de que estas áreas están orientadas a un mercado de gama alta. Las zonas Centro y Oriente, en cambio, muestran características más modestas, lo que sugiere un enfoque en mercados de clase media y baja.

Conclusiones

Definir Nicho de Mercado: B&C podría enfocarse en la Zona Oeste para atraer a un segmento premium, mientras que en la Zona Oriente podría captar un mercado masivo con propiedades más económicas.
Desarrollar Estrategias de Marketing: Se recomienda centrar las campañas de marketing en la promoción de apartamentos, especialmente en zonas donde este tipo de vivienda es más popular.
Establecer Precios de Venta: Alinear los precios con las tendencias de cada zona, considerando tanto la competencia como el perfil socioeconómico de los compradores.
Ofrecer Servicios Personalizados: Se sugiere mejorar la gestión de la base de datos y personalizar los servicios según las preferencias y necesidades de los clientes.

Anexos

Gráficos de Distribución de Precios por Zona.
Tablas de Frecuencia para Tipos de Viviendas.
Resumen de Características Promedio por Zona.

Instalando git_hub

devtools::install_github("centromagis/paqueteMETODOS")

## Skipping install of 'paqueteMETODOS' from a github remote, the SHA1 (1c22a249) has not changed since last install.
##   Use `force = TRUE` to force installation

Cargando datos

data("vivienda_faltantes")

Datos faltantes

summarytools::freq(vivienda_faltantes$piso)

## Frequencies  
## vivienda_faltantes$piso  
## Type: Numeric  
## 
##               Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
##           1    861     15.13          15.13     10.34          10.34
##           2   1450     25.49          40.62     17.41          27.74
##           3   1097     19.28          59.91     13.17          40.91
##           4    607     10.67          70.57      7.29          48.20
##           5    568      9.98          80.56      6.82          55.02
##           6    245      4.31          84.87      2.94          57.96
##           7    207      3.64          88.50      2.48          60.44
##           8    211      3.71          92.21      2.53          62.98
##           9    146      2.57          94.78      1.75          64.73
##          10    130      2.29          97.06      1.56          66.29
##          11     84      1.48          98.54      1.01          67.30
##          12     83      1.46         100.00      1.00          68.30
##        <NA>   2641                              31.70         100.00
##       Total   8330    100.00         100.00    100.00         100.00

Calculculando el promedio del precio por zona

El análisis de precios de viviendas en las distintas zonas de Cali muestra las siguientes tendencias:

precio_por_zona <- vivienda_faltantes %>%
  group_by(zona) %>%
  summarize(precio_por_zona = mean(preciom, na.rm = TRUE)) %>%
  arrange(desc(precio_por_zona))
# print
print(precio_por_zona)

## # A tibble: 6 × 2
##   zona         precio_por_zona
##   <chr>                  <dbl>
## 1 Zona Oeste              679.
## 2 Zona Sur                427.
## 3 Zona Norte              346.
## 4 <NA>                    330 
## 5 Zona Centro             310.
## 6 Zona Oriente            229.

Interpretación y Recomendaciones:

Zona Oeste es la más costosa, lo que sugiere un mercado dirigido a un segmento de alto poder adquisitivo. B&C podría enfocar sus esfuerzos en propiedades de lujo y en servicios premium en esta área. Zona Oriente presenta los precios más bajos, indicando un mercado más accesible. Aquí, B&C podría considerar estrategias que atraigan a compradores de primera vivienda o inversionistas interesados en propiedades más económicas. La Zona Sur y Zona Norte ofrecen precios intermedios, lo que sugiere oportunidades para un enfoque mixto, combinando propiedades de gama media con estrategias de marketing diferenciadas.

Graficas de barras precio de las viviendad

ggplot(precio_por_zona, aes(x = reorder(zona, -precio_por_zona), y = precio_por_zona)) +
  geom_bar(stat = "identity", fill = "turquoise") +
  labs(title = "Promedio de precios de viviendas por zona en Cali",
       x = "Zona",
       y = "Promedio de precio (en miles de COP)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Graficas de puntos precio de las viviendas

ggplot(precio_por_zona, aes(x = reorder(zona, -precio_por_zona), y = precio_por_zona)) +
  geom_point(color = "blue", size = 3) +
  geom_line(group = 1, color = "black") +
  labs(title = "Promedio de precios de viviendas por zona en Cali",
       x = "Zona",
       y = "Promedio de precio (en miles de COP)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Tipo de viviendas mas ofertadas en cali

El análisis de los tipos de viviendas más ofertadas reveló los siguientes resultados:

tipo_viviendas <- vivienda_faltantes %>%
  count(tipo) %>%
  arrange(desc(n))
print(tipo_viviendas)

## # A tibble: 7 × 2
##   tipo            n
##   <chr>       <int>
## 1 Apartamento  5032
## 2 Casa         3195
## 3 APARTAMENTO    61
## 4 casa           14
## 5 apto           13
## 6 CASA           12
## 7 <NA>            3

Interpretación y Recomendaciones:

Apartamentos dominan la oferta, con una considerable diferencia respecto a las casas. Esto sugiere una demanda más alta para este tipo de vivienda, lo cual podría ser aprovechado por B&C para centrar sus estrategias de marketing y ventas en apartamentos, especialmente en zonas donde estos son más populares. La repetición de tipos de viviendas con diferentes formatos en el nombre (e.g., “Apartamento” vs. “APARTAMENTO”) sugiere una necesidad de normalización de datos en la base de B&C, lo que facilitaría un análisis más preciso y eficiente. Considerar la realización de campañas que destaquen las características únicas de las casas disponibles, dado que aunque son menos ofertadas, pueden representar un segmento atractivo para familias o compradores que buscan mayor espacio.

Graficas de barras tipo de viviendas mas ofertadas en cali

ggplot(tipo_viviendas, aes(x = reorder(tipo, -n), y = n)) +
  geom_bar(stat = "identity", fill = "lightblue") +
  labs(title = "Cantidad de Viviendas por Tipo en Cali",
       x = "Tipo de Vivienda",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Graficas de puntos tipo de viviendas mas ofertadas en cali

ggplot(tipo_viviendas, aes(x = reorder(tipo, -n), y = n)) +
  geom_point(color = "pink", size = 4) +
  geom_line(group = 1, color = "black") +
  labs(title = "Cantidad de Viviendas por Tipo en Cali",
       x = "Tipo de Vivienda",
       y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Caracteristicas mas relevantes de la oferta de vivienda en cali

A continuación se presenta un resumen de las características promedio de las viviendas por zona:

caracteristicas_por_zona <- vivienda_faltantes %>%
  group_by(zona) %>%
  summarize(
    promedio_piso = mean(piso, na.rm = TRUE),
    promedio_estrato = mean(estrato, na.rm = TRUE),
    promedio_areaconst = mean(areaconst, na.rm = TRUE),
    promedio_parquea = mean(parquea, na.rm = TRUE),
    promedio_banios = mean(banios, na.rm = TRUE),
    promedio_habitac = mean(habitac, na.rm = TRUE)
  )
print(caracteristicas_por_zona)

## # A tibble: 6 × 7
##   zona        promedio_piso promedio_estrato promedio_areaconst promedio_parquea
##   <chr>               <dbl>            <dbl>              <dbl>            <dbl>
## 1 Zona Centro          2.26             3.20               194.             1.41
## 2 Zona Norte           3.99             4.28               161.             1.65
## 3 Zona Oeste           4.70             5.48               197.             2.15
## 4 Zona Orien…          2.13             3.04               192.             1.38
## 5 Zona Sur             3.61             4.72               173.             1.83
## 6 <NA>               NaN              NaN                  NaN            NaN   
## # ℹ 2 more variables: promedio_banios <dbl>, promedio_habitac <dbl>

Convertir el dataframe a formato largo y eliminar filas con valores faltantes

caracteristicas_long <- caracteristicas_por_zona %>%
  pivot_longer(cols = c(promedio_piso, promedio_estrato, promedio_areaconst, 
                        promedio_parquea, promedio_banios, promedio_habitac), 
               names_to = "caracteristica", 
               values_to = "promedio") %>%
  drop_na()  # Elimina las filas con valores faltantes

Verifica los primeros registros del dataframe en formato largo

head(caracteristicas_long)

## # A tibble: 6 × 3
##   zona        caracteristica     promedio
##   <chr>       <chr>                 <dbl>
## 1 Zona Centro promedio_piso          2.26
## 2 Zona Centro promedio_estrato       3.20
## 3 Zona Centro promedio_areaconst   194.  
## 4 Zona Centro promedio_parquea       1.41
## 5 Zona Centro promedio_banios        2.84
## 6 Zona Centro promedio_habitac       4.70

Revisa el resumen del dataframe en formato largo

summary(caracteristicas_long)

##      zona           caracteristica        promedio      
##  Length:30          Length:30          Min.   :  1.380  
##  Class :character   Class :character   1st Qu.:  2.755  
##  Mode  :character   Mode  :character   Median :  3.507  
##                                        Mean   : 33.278  
##                                        3rd Qu.:  4.713  
##                                        Max.   :196.519

Formato

Sys.setlocale("LC_CTYPE", "es_ES.UTF-8")

## [1] "es_ES.UTF-8"

Interpretación y Recomendaciones:

Las zonas Norte y Oeste tienen viviendas de mayor estrato y con características de mayor valor (más baños, parqueaderos y habitaciones), lo cual refuerza la idea de que estas zonas están orientadas a un mercado de gama alta. Zona Centro y Oriente muestran viviendas con características más modestas, lo que sugiere un enfoque en mercados de clase media y baja. B&C podría diseñar productos y servicios específicamente para estos segmentos, como planes de financiamiento atractivos o promociones especiales.

Gráfico de barras características más relevantes de la oferta de vivienda en Cali

ggplot(caracteristicas_long, aes(x = zona, y = promedio, fill = caracteristica)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(title = "Características Promedio de Viviendas por Zona en Cali",
       x = "Zona",
       y = "Promedio",
       fill = "Característica") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Gráfico de puntos características más relevantes de la oferta de vivienda en Cali

ggplot(caracteristicas_long, aes(x = zona, y = promedio, color = caracteristica)) +
  geom_point(size = 3, position = position_dodge(width = 0.5)) +
  labs(title = "Características Promedio de Viviendas por Zona en Cali",
       x = "Zona",
       y = "Promedio",
       color = "Característica") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))