Analisi del Mercato Immobiliare del Texas
Scionti_Maria
2024-12-27
1. Analisi delle variabili:
Analisi delle variabili del dataset “Real Estate Texas”:
- city: variabile qualitativa nominale
- year: variabile qualitativa ordinale
- month: variabile qualitativa ordinale codificata (range 1-12)
- sales: variabile quantitativa discreta su scala di rapporti
- volume: variabile quantitativa su scala continua su scala di rapporti
- median_price: variabile quantitativa su scala continua su scala di rapporti
- listing: variabile quantitativa discreta su scala di rapporti
- months_inventory: variabile quantitativa su scala continua su scala di rapporti
Gestione variabili tempo:
Per quanto riguarda le variabili “year” e “month” che sottoindendono una dimensione di tempo, è possibile fare un analisi dei trends, rappresentandoli tramite serie storica; confrontando per ogni città gli andamenti nei 5 anni (2010-2014) e nei vari mesi per diverse variabili: sales, volume, listings, median_price e months_inventory. Ottenendo così anche un confronto, all’interno dello stesso anno, dell’andamento nei vari mesi, identificando, se presenti, eventuali trends stagionali.
Tipo di analisi su ciascuna variabile:
- city: analisi comparativa dell’andamento del mercato immobiliare tra le varie città, in termine di sales, volume, median_price, listings e months_inventory.
- sales: analisi sull’andamento del totale delle vendite nei diversi anni, mesi e tra le diverse città.
- volume: analisi sull’andamento del valore totale delle vendite nei diversi anni e tra diverse città.
- median_price: analisi su come il prezzo mediano di vendita è variato nel tempo. E, quindi, sul cambiamento del valore della proprietà, con eventuali svalutazioni o rivalutazioni.
- listings: confronto con la variabile sales, per studiare l’andamento tra domanda e offerta. Valutazione dell’andamento nel corso dell’anno per individuare periodi con maggiore e minore richiesta nelle varie città.
- months_inventory: comparazione tra le varie città nel tempo, per vedere dove si impiega meno tempo a concretizzare il 100% degli annunci e per vedere come l’andamento è variato nel corso dei 5 anni.
2. Indici di posizione, variabilità e forma:
Nelle tabelle seguenti vengono calcolati gli indici di posizione, indici di variabilità e gli indici di forma per le variabili quantitative: sales, volume, median_price, listings e months_inventory.
Indici di posizione:
| Indici | Sales (unità) | Volume (milioni di dollari) | Median price (dollari) | Listings (unità) | Months inventory (mesi) |
|---|---|---|---|---|---|
| Min. | 79.000 | 8.166 | 73800.0 | 743.000 | 3.400 |
| 1st Qu. | 127.000 | 17.660 | 117300.0 | 1026.500 | 7.800 |
| Median | 175.500 | 27.062 | 134500.0 | 1618.500 | 8.950 |
| Mean | 192.292 | 31.005 | 132665.4 | 1738.021 | 9.193 |
| 3rd Qu. | 247.000 | 40.893 | 150050.0 | 2056.000 | 10.950 |
| Max. | 423.000 | 83.547 | 180000.0 | 3296.000 | 14.900 |
Indici di variabilità:
| Indici | Sales (unità) | Volume (milioni di dollari) | Median price (dollari) | Listings (unità) | Months inventory (mesi) |
|---|---|---|---|---|---|
| R | 344 | 75.381 | 106200 | 2553 | 11.5 |
| IQR | 120 | 23.233 | 32750 | 1029.5 | 3.15 |
| sigma2 | 6344.3 | 277.271 | 513572983.089 | 566568.966 | 5.307 |
| sigma | 79.651 | 16.651 | 22662.149 | 752.708 | 2.304 |
| CV [%] | 41.422 | 53.705 | 17.082 | 43.308 | 25.06 |
Indici di forma:
| Indici | Sales (unità) | Volume (milioni di dollari) | Median price (dollari) | Listings (unità) | Months inventory (mesi) |
|---|---|---|---|---|---|
| skewness | 0.718 | 0.885 | -0.365 | 0.649 | 0.041 |
| kurtosis-3 | -0.313 | 0.177 | -0.623 | -0.792 | -0.174 |
Nelle tabelle seguenti, invece, vengono riportate le distribuzioni di frequenze, relative alle variabili qualitative: city, year e month.
Distribuzione di frequenze per city:
| Città | ni | fi | Ni | Fi |
|---|---|---|---|---|
| Beaumont | 60 | 0.25 | 60 | 0.25 |
| Bryan-College Station | 60 | 0.25 | 120 | 0.50 |
| Tyler | 60 | 0.25 | 180 | 0.75 |
| Wichita Falls | 60 | 0.25 | 240 | 1.00 |
Distribuzione di frequenze per year:
| Anno | ni | fi | Ni | Fi |
|---|---|---|---|---|
| 2010 | 48 | 0.2 | 48 | 0.2 |
| 2011 | 48 | 0.2 | 96 | 0.4 |
| 2012 | 48 | 0.2 | 144 | 0.6 |
| 2013 | 48 | 0.2 | 192 | 0.8 |
| 2014 | 48 | 0.2 | 240 | 1.0 |
Distribuzione di frequenze per month:
| Mesi | ni | fi | Ni | Fi |
|---|---|---|---|---|
| Gen | 20 | 0.0833333333333333 | 20 | 0.0833333333333333 |
| Feb | 20 | 0.0833333333333333 | 40 | 0.166666666666667 |
| Mar | 20 | 0.0833333333333333 | 60 | 0.25 |
| Apr | 20 | 0.0833333333333333 | 80 | 0.333333333333333 |
| Mag | 20 | 0.0833333333333333 | 100 | 0.416666666666667 |
| Giu | 20 | 0.0833333333333333 | 120 | 0.5 |
| Lug | 20 | 0.0833333333333333 | 140 | 0.583333333333333 |
| Ago | 20 | 0.0833333333333333 | 160 | 0.666666666666667 |
| Set | 20 | 0.0833333333333333 | 180 | 0.75 |
| Ott | 20 | 0.0833333333333333 | 200 | 0.833333333333333 |
| Nov | 20 | 0.0833333333333333 | 220 | 0.916666666666667 |
| Dic | 20 | 0.0833333333333333 | 240 | 1 |
Considerazioni:
Per quanto riguarda le variabili city, year e month è possibile osservare che le distribuzioni di frequenze presentano lo stesso numero di osservazioni sia per città sia per anno sia per mese, per tanto il dataset risulta omogeneo.
Per quanto riguarda le variabili quantitative e gli indici osservati, si può osservare che:
sales: presenta un elevato CV (41,42%), quindi ha una grande variabilità. Per quanto riguarda invece gli indici di forma, è possibile notare che presenta un’asimmetria positiva (con valori bassi più frequenti), come indicato anche dalla relazione media>mediana ed un’indice di curtosi<0 che fa pensare ad una distribuzione platicurtica.
volume: dall’elevato CV (53,70%) si può evincere che ha una grande variabilità, di fatti è la variabile con il CV più alto. Per quanto riguarda invece gli indici di forma, è possibile notare che presenta un’asimmetria positiva (con valori bassi più frequenti), come indicato anche dalla relazione media>mediana ed un’indice di curtosi>0, che ci fa pensare ad una distribuzione leptocurtica, che concorderebbe con il valore di IQR.
median_price: il coefficiente di variabilità (17%) non è trascurabile, ma risulta il più basso tra le variabili osservate. Per quanto riguarda invece gli indici di forma, è possibile notare che presenta un’asimmetria negativa (con valori elevati più frequenti), come indicato anche dalla relazione media<mediana ed un’indice di curtosi<0 che ci fa pensare ad una distribuzione platicurtica.
listings: presenta un elevato CV (43%), da cui è possibile evincere che ha una grande variabilità. Per quanto riguarda invece gli indici di forma, è possibile notare che presenta un’asimmetria positiva (con valori bassi più frequenti), come indicato anche dalla relazione media>mediana ed un’indice di curtosi<0 che ci fa pensare ad una distribuzione platicurtica.
months_inventory: il coefficiente di variabilità (25%) non è trascurabile, pur risultando tra i più bassi. Per quanto riguarda invece gli indici di forma, è possibile notare che presenta un indice di asimmetria vicino allo 0, ma leggermente positiva, come indicato anche dalla relazione media>mediana ed un’indice di curtosi<0 che ci fa pensare ad una distribuzione platicurtica.
3. Identificazione delle variabili con maggiore variabilità e asimmetria:
Come già esaminato nel punto precedente, la variabile che presenta la maggior variabilità è “volume”, che ha il più alto valore di coefficiente di variabilità (CV), con un valore quasi del 54%. Per quanto riguarda la simmetria, esaminando il coefficiente di Fisher, nessuna delle variabili presenta un valore elevato, presentando tutte un valore inferiore a 1; anche qui, però, la variabile che sembra presentare la maggior asimmetria risulta essere “volume” con il valore più elevato di skewness (circa 0.89).
4. Creazione di classi per una variabile quantitativa:
La variabile quantitativa presa in esame e suddivisa in classi è la variabile median_price. La variabile è stata suddivisa in 5 classi di ampiezza 22000. Di seguito la tabella della distribuzione di frequenze ed il relativo grafico a barre:
Distribuzione di frequenze per median_price:
| Classi prezzo mediano (in dollari) | ni | fi |
|---|---|---|
| (70000,92000] | 14 | 0.058 |
| (92000,114000] | 41 | 0.171 |
| (114000,136000] | 73 | 0.304 |
| (136000,158000] | 86 | 0.358 |
| (158000,180000] | 26 | 0.108 |
Indice di Gini: 0.918
Come è possibile vedere dal grafico rappresentante la distribuzione di frequenza della variabile, il prezzo mediano delle case non è omogeneo, dato che viene confermato anche dall’indice di eterogeneità di Gini, che ha un valore approssimativo di 0.92, quindi vicino a 1. Il prezzo mediano è maggiormante concentrato nelle tre classi centrali, che vanno tra 92000 e 158000 dollari, con un picco nella classe di prezzo tra 136000 e 158000 dollari. I valori minori si registrano nella fascia di prezzo più bassa (70000-92000) e nella fascia più alta (158000-180000).
5. Calcolo delle probabilità:
La probabilità di estrarre Beaumont è del 25%. Questo valore è facilmente deducibile dalla distribuzione di frequenze assolute e relative calcolate per la variabile city. Su 240 osservazioni, la città di Beaumont ha una frequenza assoluta di 60, quindi la sua probabilità sarà di 60 su 240, che altri non è che la sua frequenza relativa espressa in percentuale.
La probabilità di estrarre 7, ossia Luglio è dell’8.3%. Anche in questo caso, si deduce dalla distribuzione di frequenza calcolata per la variabile month.
La probabilità di estrarre Dicembre 2012 è dell’1.67%. La probabilità di estrarre 12 ossia Dicembre è di 20 su 240. La probabilità di estrarre l’anno 2012 è di 48 (12 mensilità per le 4 città) su 240. Moltiplicando le due probabilità, si ottiene 0.083 x 0.2= 0.0167, ossia 1.67%.
6. Creazione di nuove variabili:
Nella tabella di seguito, di cui vengono mostrate le prime cinque righe, è presentato il nuovo dataset con le due colonne aggiuntive: una per il prezzo medio, mean_price (calcolato come volume/sales) e una per l’efficacia degli annunci di vendita, effectiveness_listings (calcolata come sales/listings).
| city | year | month | sales | volume | median_price | listings | months_inventory | mean_price | effectiveness_listings |
|---|---|---|---|---|---|---|---|---|---|
| Beaumont | 2010 | 1 | 83 | 14.162 | 163800 | 1533 | 9.5 | 170626.5 | 0.054 |
| Beaumont | 2010 | 2 | 108 | 17.690 | 138200 | 1586 | 10.0 | 163796.3 | 0.068 |
| Beaumont | 2010 | 3 | 182 | 28.701 | 122400 | 1689 | 10.6 | 157697.8 | 0.108 |
| Beaumont | 2010 | 4 | 200 | 26.819 | 123200 | 1708 | 10.6 | 134095.0 | 0.117 |
| Beaumont | 2010 | 5 | 202 | 28.833 | 123100 | 1771 | 10.9 | 142737.6 | 0.114 |
I valori della variabile effectiveness_listings sono valori decimali che variano da 0 a 1 e rappresentano la percentuale dell’efficacia degli annunci (in quel mese, in quell’anno ed in quella città). Se il valore è 0, non ci saranno vendite prodotte dagli annunci, se il valore è 1, tutti gli annunci produrranno una vendita.
Studiando la variabile effectiveness_listings (suddividendola in classi, calcolandone la distribuzione di frequenze e riportandole su un grafico):
| Classi efficienza | ni | fi |
|---|---|---|
| (0,0.1] | 93 | 0.388 |
| (0.1,0.2] | 135 | 0.562 |
| (0.2,0.3] | 10 | 0.042 |
| (0.3,0.4] | 2 | 0.008 |
É possibile notare come gli annunci pubblicati non abbiano un grande impatto sulle vendite e come la loro efficacia sia piuttosto bassa. Infatti, nella quasi totalità del campione, l’impatto registrato degli annunci è inferiore o uguale al 20%; tra lo 0 e il 10% per il 38% del campione e tra il 10 e il 20% per il 56%. Percentuali più alte del 20% si verificano raramente e sono quasi trascurabili. Inoltre, si può osservare che, anche nel caso migliore, le vendite prodotte dagli annunci sono comunque inferiori al 50% (si aggirano intorno al 40%), caso che comunque, come già visto è molto raro con una percentuale dell’0.8%.
7. Analisi Condizionata:
Analisi della variabile mean_price:
Andando ad analizzare la variabile mean_price creata nel punto precedente, relativa al prezzo medio degli immobili, è possibile osservare come varia negli anni tra le varie città.
Osservando il grafico, è possibile notare in generale come il prezzo
medio degli immobili abbia avuto un trend costante tra il 2010 ed il
2011 per risalire nel 2012. Nello specifico, osservando le varie città,
è possibile notare che, per quanto riguarda la città di
Beaumont e di Wichita Falls, i valori
sono rimasti pressoché costanti, con lievi variazioni. In particolare
Beaumont, a differenza delle altre città, ancora nel
2012 subisce un trend discendente. Mentre Wichita Falls
risulta la città con i prezzi più bassi in assoluto. Per quanto riguarda
Bryan-College Station e Tyler dal 2012
hanno un trend ascendente e Bryan-College Station
risulta in ogni anno la città con i prezzi medi più alti.
Analisi della variabile effectiveness_listings:
Andando ad analizzare la variabile effectiveness_listings creata nel punto precedente, relativa all’efficienza degli annunci immobiliari, è possibile anche qui osservare come varia negli anni e tra le varie città. É già stato possibile notare la scarsa efficacia degli annunci e la bassa percentuale di vendite prodotte; può risultare interessante analizzare come varia nel tempo e nelle diverse città.
Osservando anche l’andamento dell’efficienza degli annunci negli anni e tra le varie città, si continua ad osservare delle percentuali medie piuttosto basse. Anche qui è possibile notare come l’anno peggiore in generale sia stato il 2011, con una ripresa generale dal 2012 in poi. Osservando, invece, il suo variare in base alle città, possiamo vedere come se per Beaumont,Tyler e Wichita Falls l’andamento resta piuttosto costante, seppur in lieve crescita, per Bryan-College Station si ha un incremento notevole tra il 2012 ed il 2014, di quasi il 10%. Wichita Falls è l’unica ad avere un decremento nel 2014.
Analisi della variabile months_inventory:
Sempre al fine di osservare l’efficienza degli annunci e studiare l’andamento del mercato in termini di offerta e domanda, risulta interessante osservare anche l’andamento di months_inventory e fare un confronto concreto tra le vendite e gli annunci.
Anche osservando il trend di months_inventory, è possibile osservare come il 2011 sia stato l’anno peggiore per tutte le città, ma soprattutto per la città di Tyler, con un tempo medio di 13.5 mesi per vendere tutte le inserzioni correnti. Il 2014, a conferma di quanto osservato precedentemente, è l’anno in cui il tempo impiegato per concretizzare tutti gli annunci attivi è stato il più basso, con il valore inferiore per la città di Bryan-College Station (circa 4.5 mesi), confermando il trend osservato nei grafici precedenti.
Confronto tra le variabili sales e listings:
A questo punto, risulta automatico voler osservare come è variato il mercato dal punto di vista della domanda e dell’offerta, mettendo le due variabili sales e listings in un confronto diretto, per capire meglio il trend.
Mettendo le due variabili a confronto diretto, è possibile notare che in realtà non abbiamo una grande variazione nella variabile sales e quindi nella domanda, che resta abbastanza costante con un lieve incremento. Vi è però un lieve decremento negli annunci per tutte le città, ma soprattutto per Bryan-College Station, dove l’aumento dell’efficienza sembra essere dato più da una diminuzione dell’offerta che dall’aumento della domanda.
8. Creazioni di visualizzazioni con ggplot:
A questo punto si possono esplorare altre variabili, il cui andamento negli anni e nelle varie città, può essere interessante al fine del nostro studio sul mercato immobiliare del Texas.
Analisi della variabile median_price:
Dopo aver esaminato il mean_price, si può studiare l’andamento della variabile median_price, cioè il prezzo mediano di vendita espresso in dollari, che essendo una variabile robusta, può fornire un’idea migliore sull’andamento dei prezzi.
Dal boxplot si può osservare l’andamento mediano di vendita per le quattro città, che ci mostra come Bryan-College Station si conferma la città con i prezzi più alti, con case con un valore anche superiore a 175000 dollari, seguita da Tyler. Successivamente c’è la città di Beaumont, che presenta anche un outlier superiore a 160000 dollari e, come già osservato, per ultima c’è Wichita Falls, con comunque outliers nell’intorno dei 138000 dollari.
É possibile osservare anche il suo andamento nei diversi anni:
Osservando l’andamento negli anni, è possibile notare come il 2011, tranne per la città di Tyler, abbia segnato un abbassamento del prezzo mediano, soprattutto per Beaumont, che segna una notevole decrescita. Dopo il 2011 si ha un andamento crescente per tutte le città, in particolare tra il 2012 ed il 2013. Tra il 2013 ed il 2014 si ha una crescita forte per Bryan-College Station con il valore che ha un incremento medio di 10000 dollari; non altrettanto cospicuo, ma comunque notevole quello della città di Tyler con un incremento di 5000 dollari. Wichita Falls e Beaumont restano quasi costanti, con una lieve crescita per la prima ed una leggera decrescita per la seconda, i cui prezzi ancora restano inferiori rispetto al 2010.
Analisi della variabile sales:
Un’altra variabile di cui può essere interessante osservare l’andamento è il totale delle vendite, sales. Questa si può analizzare tra le diverse città sia per mese, all’interno di uno stesso anno per capire se esistono dei trends stagionali, sia nei vari anni.
Di seguito lo studio dell’andamento delle vendite per città nei mesi:
Grafico a barre sovrapposte:
Grafico normalizzato:
Osservando i trend sulle varie città tra i vari mesi dell’anno:
- Wichita Falls: è la città con le vendite più basse. Le vendite restano costanti nel corso dell’anno, con un aumento nei mesi tra Marzo e Agosto, che però presentano una dimunuzione nel mese di Giugno. Da Settembre a Febbraio si registra un decremento delle vendite.
- Tyler: è la città con le vendite più alte. Le vendite hanno un incremento nella prima metà dell’anno, con un picco nei mesi tra Maggio e Agosto. Nella seconda metà dell’anno si registra una decrescita, con una lieve ripresa a Dicembre.
- Bryan-College Station: è la seconda città per numero di vendite. Anche qui vi è un trend crescente nelle vendite per la prima metà dell’anno, con un picco tra Maggio e Agosto ed una successiva decrescita nella parte finale dell’anno. Giugno è il mese in cui si registra il numero maggiore di vendite.
- Beaumont: è la terza città per vendite, tra quelle esaminate. Ha un andamento meno costante rispetto a Wichita Falls. Anche qui vi è una crescita nella prima metà dell’anno, con un picco tra Maggio e Agosto, mese con il numero di vendite maggiore. Decresce nell’ultima metà dell’anno, ma in maniera meno costante rispetto alle altre città.
É quindi possibile notare come ci sia un trend costante per tutte e quattro le città, tale per cui all’inizio e alla fine dell’anno si registrano le vendite minori (tra Novembre e Febbraio) con una crescita nei mesi centrali (tra Maggio e Agosto).
Di seguito la rappresentazione grafica dell’andamento del totale delle vendite registrate nelle varie città nei diversi mesi tra i diversi anni:
Di seguito la reppresentazione tramite line chart dell’andamento delle vendite in periodi storici differenti:
Rappresentazione grafica dell’analisi puntuale dell’ultimo anno preso in esame, il 2014:
Anche osservando il trend negli anni per quanto riguarda il totale delle vendite, non ci sono grosse sorprese. Tyler si conferma nell’arco del periodo preso in esame la città con il numero maggiore di vendite, seguita da Bryan-College Station, Beaumont e Wichita Falls. Il periodo tra il 2010 e il 2011 segna un calo nelle vendite per Bryant-College Station (seppur lieve), Beaumont e soprattutto per Wichita Falls, mentre Tyler ha comunque un lieve incremento. Tra il 2011 ed il 2012 abbiamo un incremento per tutte le città, simile per le prime tre, mentre solo lieve per Wichita Falls. Tra il 2012 ed il 2013 l’incremento si mantiene costante per Tyler, Beaumont e Wichita Falls, mentre abbiamo un forte incremento nelle vendite di Bryan-College Station. Tra il 2013 e il 2014 abbiamo un incremento per tutte le città tranne Wichita Falls, che ha un decremento. Interessante notare anche qui il forte incremento in questo caso per la città di Tyler.
Analisi della variabile volume:
Dopo aver osservato il prezzo mediano e il totale delle vendite in termini di unità, risulta interessante osservare come è variato il volume totale generato dalle vendite, studiando l’andamento della variabile volume nell’arco degli anni in base alle diverse città.
Mettendo a confronto le varie città, si può notare che il valore maggiore è realizzato dalla città di Tyler, che è la città con il più alto numero di vendite e con il secondo prezzo mediano più alto. Di seguito troviamo Bryan-College Station, che ha il prezzo mediano più elevato, ma vendite inferiori a Tyler. Troviamo poi Beaumont ed infine Wichita Falls che, prevedibilmente, avendo le vendite più basse ed il prezzo mediano minore, è la città con il valore totale delle vendite peggiore.
Studiamo la variazione negli anni per città:
Il grafico fotografa una situazione quasi identica a quella già osservata per le vendite e compatibile con essa. Interessante notare la crescita, anche qui, molto forte tra il 2012 ed il 2013 di Bryan-College Station dato dall’incremento osservato sia nel prezzo mediano che nelle vendite, che generano questa notevole crescita durante l’anno.
Analisi della variabile effectiveness_listings:
A questo punto, è possibile studiare anche l’andamento dell’efficienza degli annunci nell’arco degli anni, per concludere lo studio già ampiamente trattato nel punto precedente su questa variabile.
Come già visto, l’efficienza degli annunci si dimostra piuttosto scarsa in tutte le città. L’efficienza migliore viene registrata nella città di Bryan-College Station, seguita questa volta da Wichita Falls, che sembra essere più efficiente da questo punto di vista. Tyler risulta essere la città con l’efficienza peggiore.
Osservando il dato nel corso degli anni:
si nota come effettivamente Wichita Falls fosse inizialmente la città con maggiore efficienza, che però tra il 2010 ed il 2011 ha subito un forte calo. Ha avuto una ripresa tra il 2011 ed il 2013 per avere nuovamente un calo tra il 2013 ed il 2014, tanto da essere superata dalla città di Bryan-College Station nel 2012 e da Beaumont nel 2014. Per quanto riguarda Bryan-College Station è visibile come dal 2012 anche l’efficienza negli annunci è in netta crescita. In crescita anche l’efficienza per Beaumont e per Tyler, che registra un buon trend soprattutto tra il 2013 ed il 2014.
9. Conclusioni:
Considerando i dati ottenuti e gli studi effettuati, è possibile osservare come il mercato immobiliare del Texas, dopo il 2011 (anno che ha segnato una decrescita generale in ogni aspetto), è andato incontro ad una ripresa.
L’andamento negli anni risulta comparabile per le città di Tyler e Bryan-College Station, le quali registrano un aumento delle vendite nonostante un aumento del prezzo medio e del prezzo mediano, che porta conseguentemente ad un aumento del valore totale delle vendite e ad una diminuzione del tempo in cui gli annunci attivi restano invenduti. Le due città sembrerebbero quelle con il mercato più florido.
La città di Tyler risulta quella che ha risentito in minor misura della decrescita del 2011. Inoltre è la città con le vendite maggiori e con il maggiore valore totale di vendita. Nonostante ciò, l’efficienza degli annunci peggiore, legata anche al valore di months_inventory generalmente più elevato rispetto alle altre città (seppur in calo) ed al più elevato numero di annunci attivi, fa pensare ad un mercato che va saturandosi, in eccesso di offerta. La città di Bryan-College Station risulta quella con il prezzo medio e mediano più elevati e la seconda per vendite e volume delle vendite. Risulta, inoltre, la città con la migliore efficienza per quanto riguarda gli annunci.
Un andamento simile lo abbiamo anche per la città di Beaumont, che però diversamente dalle precedenti due città non registra la stessa forte crescita, ma ha un andamento più costante o solamente in lieve crescita.
Wichita Falls, invece, sembra essere la città che ha risentito maggiormente della decrescita del 2011 e risulta essere la città dove il mercato registra maggiori difficoltà nella ripresa.
Andando ad esaminare l’andamento nei vari mesi dell’anno e i possibili trend stagionali, è possibile notare come in generale le vendita hanno un decremento nei mesi invernali, tra Novembre e Febbraio, con una ripresa del mercato nei restanti mesi dell’anno, con alcune differenze tra le varie città. Wichita Falls nei restanti mesi dell’anno mantiene un andamento abbastanta costante e lineare; Tyler e Bryan-College Station presentano entrambe una graduale crescita da Marzo in poi con un picco tra i mesi di Maggio e Agosto; Beaumont ha un andamento meno costante rispetto Wichita Falls, anche qui abbiamo una crescita nella prima metà dell’anno, con un picco di vendite ad Agosto.
Osservando, invece, come questi trends stagionali sono variati nell’arco dei 5 anni è possibile notare che se nel 2010 il picco delle vendite poteva essere osservato in Primavera (nei mesi tra Marzo e Giugno), questa tendenza ha iniziato gradualmente a traslare verso i mesi estivi. Nel 2011 il grafico inizia a traslare verso destra, le vendite maggiori le abbiamo tra Marzo e Agosto con il picco registrato nel mese di Giugno; nel 2012 e nel 2013 le vendite maggiori vengono registrate tra Maggio e Agosto, con i picchi di vendita registrati rispettivamente nel mese di Agosto per il 2012 e di Luglio nel 2013, mentre nel 2014 abbiamo le vendite maggiori tra Maggio e Luglio, con picco nuovamente nel mese di Giugno. Nel 2014 l’andamento risulta più centrato. Sempre considerando il 2014, è possibile osservare come la città di Tyler stia riuscendo a incrementare significativamente anche le vendite nella seconda metà dell’anno. Mentre Bryan-College Station sia riuscita a superare le vendite di Tyler nel mese di Luglio.
Per quanto riguarda l’efficacia delle strategie di marketing delle inserzioni immobiliari possiamo dire che la strategia non si dimostra particolarmente efficacie, essendo in media inferiore al 20% in tutte le città. Nonostante questo, è possibile osservare come anche qui abbiamo un mutamento nel corso degli anni e nelle diverse città. I trend sono comparabili per Beaumont e Tyler, che pur essendo ancora la città con l’efficienza peggiore, registrano dal 2011 un miglioramento anche da questo punto di vista. Wichita Falls, invece, che nel 2010 era la città con l’efficienza migliore, ha registrato un andamento discontinuo, con un andamento decrescente sia tra il 2010 ed il 2011 che tra il 2013 ed il 2014, finendo per essere superata tra il 2012 ed il 2013 da Bryan-College Station e nel 2014 da Beaumont. Infine, Bryan-College Station dal 2012 ha migliorato nettamente la sua strategia, registrando un forte aumento nell’efficienza degli annunci, che l’ha portata ad essere la città con l’efficienza migliore, registrando un’efficienza maggiore del 20% ed in qualche caso avvicinandosi anche ad una percentuale del 38%. Questo ha portato anche a registrare nel 2014 months_inventory minore in assoluto.
A fronte dei parametri osservati e del loro andamento nel tempo, la città dove sembra essere più ragionevole investire è quella di Bryan-College Station. Seconda per valore totale e numero di vendite, seppur con i prezzi più alti rispetto alle altre città, seconda anche per il numero di annunci attivi, dopo Wichita Falls e con il minor valore di months_inventory ed il più alto incremento dell’ effectiveness_listings, risulta la città che ha registrato il maggior miglioramento nel corso dei 5 anni e il mercato più florido, che a differenza di Tyler non sembra presentare indizi di saturazione.