Actividad 1, Informe Mobiliario de Cali
Joel Joel Doria Atencia
2025-02-05
#Enunciado: 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.
#Introducción
Santiago de Cali es una de las principales ciudades de Colombia, se encuentra ubicada en el departamento de Valle del Cauca y ha pasado por numerosos periodos de crecimiento económico a lo largo de su historia, dicho crecimiento económico también ha causado un aumento poblacional[[1]][2], siendo la tercera ciudad más poblada de Colombia. Según el informe mobiliario anual de Colombia para el año 2023 aumentó la oferta de inmuebles para la ciudad, teniendo el top 5 de ciudades con mayor oferta de Colombia, además, es la tercera ciudad con mayor demanda en el sector, por lo que la inversión en inmuebles supone grandes beneficios al ser un mercado con bastante demanda debido al crecimiento economico, social y cultural que ha convertido a la ciudad de Cali, en no solo un atractivo turistico, si no, además en una ciudad de desarrollo profesional y personal para muchos colombianos.
#Objetivo Este trabajo tiene como objetivo analizar el mercado mobiliario de Cali para la toma de decisiones enfocadas al desarrollo de la empresa [3].
#Parte práctica y resultados
{include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(paqueteMETODOS)## Cargando paquete requerido: dplyr##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## Cargando paquete requerido: ggplot2## Warning: package 'ggplot2' was built under R version 4.4.2data(vivienda)
str(vivienda)## spc_tbl_ [8,322 × 13] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ id : num [1:8322] 1147 1169 1350 5992 1212 ...
## $ zona : chr [1:8322] "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ piso : chr [1:8322] NA NA NA "02" ...
## $ estrato : num [1:8322] 3 3 3 4 5 5 4 5 5 5 ...
## $ preciom : num [1:8322] 250 320 350 400 260 240 220 310 320 780 ...
## $ areaconst : num [1:8322] 70 120 220 280 90 87 52 137 150 380 ...
## $ parqueaderos: num [1:8322] 1 1 2 3 1 1 2 2 2 2 ...
## $ banios : num [1:8322] 3 2 2 5 2 3 2 3 4 3 ...
## $ habitaciones: num [1:8322] 6 3 4 3 3 3 3 4 6 3 ...
## $ tipo : chr [1:8322] "Casa" "Casa" "Casa" "Casa" ...
## $ barrio : chr [1:8322] "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...
## $ longitud : num [1:8322] -76.5 -76.5 -76.5 -76.5 -76.5 ...
## $ latitud : num [1:8322] 3.43 3.43 3.44 3.44 3.46 ...
## - attr(*, "spec")=List of 3
## ..$ cols :List of 13
## .. ..$ id : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ zona : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ piso : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ estrato : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ preciom : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ areaconst : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ parqueaderos: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ banios : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ habitaciones: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ tipo : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ barrio : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ longitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ latitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
## ..$ delim : chr ";"
## ..- attr(*, "class")= chr "col_spec"
## - attr(*, "problems")=<externalptr>Lo primero que observamos al importar la base de datos es su gran cantidad de registros, sin embargo, a simple vista se observan algunas varibales con datos faltantes, antes de poder realizar un análisis estadístico es necesario imputar toda esta información para que los códigos nos ofrezcan resultados confiables, por lo que, primero debemos identificar que variables son las que tienen información sin digitar.
#Analisis exploratorio de datos
library(DataExplorer)
plot_missing(vivienda)
g1 <-plot_missing(vivienda)
g1 + ggtitle("Porcentaje de datos faltantes")
Todas las vairables cuentan con datos nulos, siendo las que mayor
porcentaje de información sin digitar son “Parqueaderos” y “Piso”. Para
poder imputar la información debemos saber que tipo de información y
distribución tiene cada variable.
plot_str(vivienda)Una vez identificados los tipos de variables de nuestra base de datos podemos calcular estadisticos descriptivos para las variables numéricas y categóricas.
summary(vivienda)## id zona piso estrato
## Min. : 1 Length:8322 Length:8322 Min. :3.000
## 1st Qu.:2080 Class :character Class :character 1st Qu.:4.000
## Median :4160 Mode :character Mode :character Median :5.000
## Mean :4160 Mean :4.634
## 3rd Qu.:6240 3rd Qu.:5.000
## Max. :8319 Max. :6.000
## NA's :3 NA's :3
## preciom areaconst parqueaderos banios
## Min. : 58.0 Min. : 30.0 Min. : 1.000 Min. : 0.000
## 1st Qu.: 220.0 1st Qu.: 80.0 1st Qu.: 1.000 1st Qu.: 2.000
## Median : 330.0 Median : 123.0 Median : 2.000 Median : 3.000
## Mean : 433.9 Mean : 174.9 Mean : 1.835 Mean : 3.111
## 3rd Qu.: 540.0 3rd Qu.: 229.0 3rd Qu.: 2.000 3rd Qu.: 4.000
## Max. :1999.0 Max. :1745.0 Max. :10.000 Max. :10.000
## NA's :2 NA's :3 NA's :1605 NA's :3
## habitaciones tipo barrio longitud
## Min. : 0.000 Length:8322 Length:8322 Min. :-76.59
## 1st Qu.: 3.000 Class :character Class :character 1st Qu.:-76.54
## Median : 3.000 Mode :character Mode :character Median :-76.53
## Mean : 3.605 Mean :-76.53
## 3rd Qu.: 4.000 3rd Qu.:-76.52
## Max. :10.000 Max. :-76.46
## NA's :3 NA's :3
## latitud
## Min. :3.333
## 1st Qu.:3.381
## Median :3.416
## Mean :3.418
## 3rd Qu.:3.452
## Max. :3.498
## NA's :3Con este resumen de las variables numericas sabesmos que la media de habitaciones es 3, igual para los baños, el area construida promedio de los inmuebles es de 123 metros cuadrados y el promedio de los precios es de 330 unidades.
library(dplyr)
vivienda %>%
summarise(across(where(is.character), ~ names(sort(table(.), decreasing = TRUE)[1])))## # A tibble: 1 × 4
## zona piso tipo barrio
## <chr> <chr> <chr> <chr>
## 1 Zona Sur 02 Apartamento valle del liliLa mayoría de los inmuebles son apartamentos que se encunetra ubicado en la zona sur, en el barrio valle del Lili, en un segundo piso y se encuentran en un estrado 5.
plot_histogram(vivienda)
library(grid)
grid.text("Distribución de los datos", x = 0.5, y = 0.95, gp = gpar(fontsize = 16, fontface = "bold"))
Para poder decidir qué hacer con los datos faltantes se graficaron las
distribuciones de las variables categóricas, como ninguna es normal se
decide reemplazar los valores nulos por la mediana de la variable. Para
las variables categóricas los “null” se reemplazaron por la moda.
library(ggplot2)
#Imputación de las variables categóricas
moda <- function(x) {
ux <- unique(na.omit(x))
ux[which.max(tabulate(match(x, ux)))]
}
# Aplicar la moda a las variables con valores faltantes
vivienda$zona[is.na(vivienda$zona)] <- moda(vivienda$zona)
vivienda$piso[is.na(vivienda$piso)] <- moda(vivienda$piso)
vivienda$tipo[is.na(vivienda$tipo)] <- moda(vivienda$tipo)
vivienda$barrio[is.na(vivienda$barrio)] <- moda(vivienda$barrio)#Imputación de Variables numericas
columnas <-c("estrato", "preciom", "areaconst", "parqueaderos", "banios", "habitaciones", "longitud", "latitud")
for(columna in columnas) {
mediana <- median(vivienda[[columna]], na.rm = TRUE)
vivienda[[columna]][is.na(vivienda[[columna]])] <- mediana}
print(vivienda)## # A tibble: 8,322 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1147 Zona … 02 3 250 70 1 3 6
## 2 1169 Zona … 02 3 320 120 1 2 3
## 3 1350 Zona … 02 3 350 220 2 2 4
## 4 5992 Zona … 02 4 400 280 3 5 3
## 5 1212 Zona … 01 5 260 90 1 2 3
## 6 1724 Zona … 01 5 240 87 1 3 3
## 7 2326 Zona … 01 4 220 52 2 2 3
## 8 4386 Zona … 01 5 310 137 2 3 4
## 9 1209 Zona … 02 5 320 150 2 4 6
## 10 1592 Zona … 02 5 780 380 2 3 3
## # ℹ 8,312 more rows
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>library(DataExplorer)
plot_missing(vivienda)
g1 <-plot_missing(vivienda)
g1 + ggtitle("Porcentaje de datos faltantes")
#Identificación de Outliers por medio de boxplot
library(ggplot2)
vivienda_numerico <- vivienda[, sapply(vivienda, is.numeric)]
boxplot(vivienda_numerico, main = "Boxplot de todas las variables numéricas",
col = rainbow(ncol(vivienda_numerico)), las = 2)
Luego de la imputación si podemos verificar la presencia de datos
atípicos o outliers, en el boxplot, las variables con más datos atipicos
son las que incluyen el área construida y el precio de los
inmuebles.
ggplot(vivienda, aes(x = zona, fill = factor(estrato))) +
geom_bar(position = "dodge") + # Barras separadas por estrato
labs(title = "Distribución de Estratos por Zona", x = "Zona", y = "Frecuencia", fill = "Estrato") +
theme_minimal()
Con el gráfico de barras se graficó la distribución de los estratos por
las zonas, la zona con mayor cantidad de estratos es la sur, seguida de
la norte y la oeste. La zona sur tiene un predominio por los estratos 4
y 5, pero en general es estrato tres esta presente predominantemente en
la zona norte.
# Graficar barras agrupadas
ggplot(vivienda, aes(x = zona, fill = factor(tipo))) +
geom_bar(position = "dodge") + # Barras separadas por estrato
labs(title = "Tipo de vivienda por zona", x = "Zona", y = "Frecuencia", fill = "tipo") +
theme_minimal()
Las mismas zonas también cuentan un predominio en el tipo de inmueble,
los apartamentos tienen un mayor conteo, sobretodo en la zona sur.
ggplot(vivienda, aes(x = zona, y = preciom, fill = zona)) +
geom_boxplot() +
theme_minimal() +
labs(title = "Distribución del Precio por Zona", x = "Zona", y = "Preciom")
Cuando observamos los precios de los inmuebles notamos un patrón similar
en las zonas centro, norte, oriente y sur, en el sentido de que manejan
precios por debajo de las 500 uninades y que en general sus valores no
presentan una distribución muy variada. Ahora todas cuentan con valores
atipicos, pero la zona oeste es la que presenta más varianza y que
cuenta con outliers más alejados que su mediana.
ggplot(vivienda, aes(x = areaconst, y = preciom)) +
geom_point(alpha = 0.5, color = "blue") + # Puntos con transparencia para ver superposiciones
geom_smooth(method = "lm", color = "red") + # Línea de tendencia (regresión lineal)
theme_minimal() +
labs(title = "Relación entre Área Construida y Precio", x = "Área Construida", y = "Precio")## `geom_smooth()` using formula = 'y ~ x'
La distribución de los precios de los inmuebles parece verse influencia
por el área construida, con una distribución de los datos lineal, cosa
que puede observarse en el scatter plot.
# Tipo de vivienda
ggplot(vivienda, aes(x = tipo, fill = tipo)) +
geom_bar(color = "black") +
geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5, size = 3) +
scale_fill_manual(values = c("green", "pink")) +
labs(title = "Distribución de las viviendas por tipo",
x = "Tipo",
y = "Frecuencia") +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) 
Por último la mayoría de los inmuebles pertenece al tipo
“apartamento”.
Luego del análisis exploratorio se realizaron las pruebas complementarias que en este caso fueron: PCA, análisis de conglomerados y el análisis de correspondencia.
#Analisis de Componentes principales
#Eliminaremos columnas innecesarias
Vivienda_fit <- vivienda %>%
select(-id, -longitud, -latitud)
summary(Vivienda_fit)## zona piso estrato preciom
## Length:8322 Length:8322 Min. :3.000 Min. : 58.0
## Class :character Class :character 1st Qu.:4.000 1st Qu.: 220.0
## Mode :character Mode :character Median :5.000 Median : 330.0
## Mean :4.634 Mean : 433.9
## 3rd Qu.:5.000 3rd Qu.: 540.0
## Max. :6.000 Max. :1999.0
## areaconst parqueaderos banios habitaciones
## Min. : 30.0 Min. : 1.000 Min. : 0.000 Min. : 0.000
## 1st Qu.: 80.0 1st Qu.: 1.000 1st Qu.: 2.000 1st Qu.: 3.000
## Median : 123.0 Median : 2.000 Median : 3.000 Median : 3.000
## Mean : 174.9 Mean : 1.867 Mean : 3.111 Mean : 3.605
## 3rd Qu.: 229.0 3rd Qu.: 2.000 3rd Qu.: 4.000 3rd Qu.: 4.000
## Max. :1745.0 Max. :10.000 Max. :10.000 Max. :10.000
## tipo barrio
## Length:8322 Length:8322
## Class :character Class :character
## Mode :character Mode :character
##
##
## library(FactoMineR)## Warning: package 'FactoMineR' was built under R version 4.4.2library(factoextra)## Warning: package 'factoextra' was built under R version 4.4.2## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBalibrary(ggplot2)
# Convertir solo las variables numéricas
Vivienda_numerico <- Vivienda_fit[, sapply(Vivienda_fit, is.numeric)]
# Escalar los datos (recomendado para PCA)
Vivienda_numerico <- scale(Vivienda_numerico)#Análisis de componentes principales
pca <- prcomp(Vivienda_numerico, scale. = TRUE)
summary(pca)## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6
## Standard deviation 1.835 1.0958 0.7890 0.62300 0.48690 0.43077
## Proportion of Variance 0.561 0.2001 0.1038 0.06469 0.03951 0.03093
## Cumulative Proportion 0.561 0.7611 0.8649 0.92956 0.96907 1.00000Se generaron 6 componentes principales, el PC1 se encarga de explicar el 56% de la varianza total de la base de datos, el PC2 por si mismo se encarga de explicar un 20% de la vairanza, por lo que en conjunto ambos componentes explican el 76.11% de la varianza total.
pca_info <- data.frame(
Component = factor(1:length(pca$sdev)),
Standard_Deviation = pca$sdev,
Proportion_of_Variance = (pca$sdev^2) / sum(pca$sdev^2),
Cumulative_Proportion = cumsum((pca$sdev^2) / sum(pca$sdev^2))
)
# Graficar la proporción de varianza explicada con barras
ggplot(pca_info, aes(x = Component, y = Proportion_of_Variance)) +
geom_bar(stat = "identity", fill = "steelblue", color = "black", alpha = 0.7) +
geom_line(aes(group = 1), color = "steelblue", linetype = "solid", size = 1) +
geom_point(color = "red", size = 2) +
geom_text(aes(label = round(Proportion_of_Variance, 3)),
vjust = -0.5, color = "black", size = 4) +
labs(title = "Proporción de Varianza Explicada por Componente Principal",
x = "Componente Principal",
y = "Proporción de Varianza") +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Graficar la varianza acumulada
ggplot(pca_info, aes(x = Component, y = Cumulative_Proportion)) +
geom_line(color = "steelblue") +
geom_point(color = "red") +
labs(title = "Varianza Acumulada Explicada por Componentes Principales",
x = "Componente Principal",
y = "Varianza Acumulada Explicada") +
theme_minimal()## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?
# Graficar un biplot del PCA
biplot(pca, scale = 0)
Con el scree plot podemos identificar el punto del codo, que el el punto
en el cual la varianza va diminuyendo para seleccionar cuantos
componentes podríamos usar para nuestro análisis, este punto ocurre
despues del segundo compoenente principal, por lo que luego se realizó
un biplot para graficar el comportamiento de las variables según los dos
primeros PC. Con el biplot se observa que las vairables parqeuadero,
precio, estrato y baños tienen un comportamiento similar y están
relacionadas entre sí, mientras habitaciones es inversamente
proporcional a estas, además con la distribución de los datos también
confirmamos que la variabilidad la captura PC1.
#Analisis de Conglomerados
library(factoextra)
library(cluster)
# Seleccionar solo variables numéricas
df_numerico <- Vivienda_fit[, sapply(Vivienda_fit, is.numeric)]
# Escalar los datos para evitar sesgo por magnitudes diferentes
df_numerico <- scale(df_numerico) fviz_nbclust(df_numerico, kmeans, method = "wss") +
ggtitle("Método del Codo para Elegir K")## Warning: did not converge in 10 iterations
Se seleccionan 4 clusters ya por la misma ley ley del codo.
set.seed(123) # Para reproducibilidad
km_result <- kmeans(df_numerico, centers = 4, nstart = 25)
# Visualizar los clusters
fviz_cluster(km_result, data = df_numerico, ellipse.type = "norm") +
ggtitle("Clustering K-means")
Dim1 (56.1%) y Dim2 (20%) son las dos primeras dimensiones principales
derivadas de un Análisis de Componentes Principales (PCA), que explican
en conjunto el 76.1% de la variabilidad en los datos. La mayor parte de
la variabilidad se encuentra en la primera dimensión. Existe cierta
superposición entre los clusters, lo que podría indicar que algunos
puntos están cerca de los límites de los grupos y podrían pertenecer a
más de un cluster dependiendo de la métrica utilizada.
#Analisis de correspondencia
if (!requireNamespace("FactoMineR", quietly = TRUE)) {
install.packages("FactoMineR")
}
library(FactoMineR)
# Seleccionar las variables categóricas
df_corr <- Vivienda_fit %>%
select(tipo, zona, barrio) # Solo se seleccionan las que tienen relevancia, Piso se excluye porque para el analisis no aporta información util
# Convertir las variables a factores si es necesario
df_corr$tipo <- as.factor(df_corr$tipo)
df_corr$zona <- as.factor(df_corr$zona)
df_corr$barrio <- as.factor(df_corr$barrio)
# Realizar el análisis de correspondencia múltiple (MCA)
mca <- MCA(df_corr)
# Mostrar los resultados del análisis
summary(mca)##
## Call:
## MCA(X = df_corr)
##
##
## Eigenvalues
## Dim.1 Dim.2 Dim.3 Dim.4 Dim.5 Dim.6 Dim.7
## Variance 0.711 0.660 0.651 0.623 0.444 0.333 0.333
## % of var. 0.485 0.450 0.444 0.425 0.303 0.227 0.227
## Cumulative % of var. 0.485 0.935 1.379 1.804 2.106 2.334 2.561
## Dim.8 Dim.9 Dim.10 Dim.11 Dim.12 Dim.13 Dim.14
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 2.788 3.016 3.243 3.470 3.697 3.925 4.152
## Dim.15 Dim.16 Dim.17 Dim.18 Dim.19 Dim.20 Dim.21
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 4.379 4.606 4.834 5.061 5.288 5.516 5.743
## Dim.22 Dim.23 Dim.24 Dim.25 Dim.26 Dim.27 Dim.28
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 5.970 6.197 6.425 6.652 6.879 7.106 7.334
## Dim.29 Dim.30 Dim.31 Dim.32 Dim.33 Dim.34 Dim.35
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 7.561 7.788 8.016 8.243 8.470 8.697 8.925
## Dim.36 Dim.37 Dim.38 Dim.39 Dim.40 Dim.41 Dim.42
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 9.152 9.379 9.606 9.834 10.061 10.288 10.516
## Dim.43 Dim.44 Dim.45 Dim.46 Dim.47 Dim.48 Dim.49
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 10.743 10.970 11.197 11.425 11.652 11.879 12.106
## Dim.50 Dim.51 Dim.52 Dim.53 Dim.54 Dim.55 Dim.56
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 12.334 12.561 12.788 13.016 13.243 13.470 13.697
## Dim.57 Dim.58 Dim.59 Dim.60 Dim.61 Dim.62 Dim.63
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 13.925 14.152 14.379 14.606 14.834 15.061 15.288
## Dim.64 Dim.65 Dim.66 Dim.67 Dim.68 Dim.69 Dim.70
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 15.516 15.743 15.970 16.197 16.425 16.652 16.879
## Dim.71 Dim.72 Dim.73 Dim.74 Dim.75 Dim.76 Dim.77
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 17.106 17.334 17.561 17.788 18.016 18.243 18.470
## Dim.78 Dim.79 Dim.80 Dim.81 Dim.82 Dim.83 Dim.84
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 18.697 18.925 19.152 19.379 19.606 19.834 20.061
## Dim.85 Dim.86 Dim.87 Dim.88 Dim.89 Dim.90 Dim.91
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 20.288 20.516 20.743 20.970 21.197 21.425 21.652
## Dim.92 Dim.93 Dim.94 Dim.95 Dim.96 Dim.97 Dim.98
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 21.879 22.106 22.334 22.561 22.788 23.016 23.243
## Dim.99 Dim.100 Dim.101 Dim.102 Dim.103 Dim.104 Dim.105
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 23.470 23.697 23.925 24.152 24.379 24.606 24.834
## Dim.106 Dim.107 Dim.108 Dim.109 Dim.110 Dim.111 Dim.112
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 25.061 25.288 25.516 25.743 25.970 26.197 26.425
## Dim.113 Dim.114 Dim.115 Dim.116 Dim.117 Dim.118 Dim.119
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 26.652 26.879 27.106 27.334 27.561 27.788 28.016
## Dim.120 Dim.121 Dim.122 Dim.123 Dim.124 Dim.125 Dim.126
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 28.243 28.470 28.697 28.925 29.152 29.379 29.606
## Dim.127 Dim.128 Dim.129 Dim.130 Dim.131 Dim.132 Dim.133
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 29.834 30.061 30.288 30.516 30.743 30.970 31.197
## Dim.134 Dim.135 Dim.136 Dim.137 Dim.138 Dim.139 Dim.140
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 31.425 31.652 31.879 32.106 32.334 32.561 32.788
## Dim.141 Dim.142 Dim.143 Dim.144 Dim.145 Dim.146 Dim.147
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 33.016 33.243 33.470 33.697 33.925 34.152 34.379
## Dim.148 Dim.149 Dim.150 Dim.151 Dim.152 Dim.153 Dim.154
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 34.606 34.834 35.061 35.288 35.516 35.743 35.970
## Dim.155 Dim.156 Dim.157 Dim.158 Dim.159 Dim.160 Dim.161
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 36.197 36.425 36.652 36.879 37.106 37.334 37.561
## Dim.162 Dim.163 Dim.164 Dim.165 Dim.166 Dim.167 Dim.168
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 37.788 38.016 38.243 38.470 38.697 38.925 39.152
## Dim.169 Dim.170 Dim.171 Dim.172 Dim.173 Dim.174 Dim.175
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 39.379 39.606 39.834 40.061 40.288 40.516 40.743
## Dim.176 Dim.177 Dim.178 Dim.179 Dim.180 Dim.181 Dim.182
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 40.970 41.197 41.425 41.652 41.879 42.106 42.334
## Dim.183 Dim.184 Dim.185 Dim.186 Dim.187 Dim.188 Dim.189
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 42.561 42.788 43.016 43.243 43.470 43.697 43.925
## Dim.190 Dim.191 Dim.192 Dim.193 Dim.194 Dim.195 Dim.196
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 44.152 44.379 44.606 44.834 45.061 45.288 45.516
## Dim.197 Dim.198 Dim.199 Dim.200 Dim.201 Dim.202 Dim.203
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 45.743 45.970 46.197 46.425 46.652 46.879 47.106
## Dim.204 Dim.205 Dim.206 Dim.207 Dim.208 Dim.209 Dim.210
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 47.334 47.561 47.788 48.016 48.243 48.470 48.697
## Dim.211 Dim.212 Dim.213 Dim.214 Dim.215 Dim.216 Dim.217
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 48.925 49.152 49.379 49.606 49.834 50.061 50.288
## Dim.218 Dim.219 Dim.220 Dim.221 Dim.222 Dim.223 Dim.224
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 50.516 50.743 50.970 51.197 51.425 51.652 51.879
## Dim.225 Dim.226 Dim.227 Dim.228 Dim.229 Dim.230 Dim.231
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 52.106 52.334 52.561 52.788 53.016 53.243 53.470
## Dim.232 Dim.233 Dim.234 Dim.235 Dim.236 Dim.237 Dim.238
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 53.697 53.925 54.152 54.379 54.606 54.834 55.061
## Dim.239 Dim.240 Dim.241 Dim.242 Dim.243 Dim.244 Dim.245
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 55.288 55.516 55.743 55.970 56.197 56.425 56.652
## Dim.246 Dim.247 Dim.248 Dim.249 Dim.250 Dim.251 Dim.252
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 56.879 57.106 57.334 57.561 57.788 58.016 58.243
## Dim.253 Dim.254 Dim.255 Dim.256 Dim.257 Dim.258 Dim.259
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 58.470 58.697 58.925 59.152 59.379 59.606 59.834
## Dim.260 Dim.261 Dim.262 Dim.263 Dim.264 Dim.265 Dim.266
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 60.061 60.288 60.516 60.743 60.970 61.197 61.425
## Dim.267 Dim.268 Dim.269 Dim.270 Dim.271 Dim.272 Dim.273
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 61.652 61.879 62.106 62.334 62.561 62.788 63.016
## Dim.274 Dim.275 Dim.276 Dim.277 Dim.278 Dim.279 Dim.280
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 63.243 63.470 63.697 63.925 64.152 64.379 64.606
## Dim.281 Dim.282 Dim.283 Dim.284 Dim.285 Dim.286 Dim.287
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 64.834 65.061 65.288 65.516 65.743 65.970 66.197
## Dim.288 Dim.289 Dim.290 Dim.291 Dim.292 Dim.293 Dim.294
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 66.425 66.652 66.879 67.106 67.334 67.561 67.788
## Dim.295 Dim.296 Dim.297 Dim.298 Dim.299 Dim.300 Dim.301
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 68.016 68.243 68.470 68.697 68.925 69.152 69.379
## Dim.302 Dim.303 Dim.304 Dim.305 Dim.306 Dim.307 Dim.308
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 69.606 69.834 70.061 70.288 70.516 70.743 70.970
## Dim.309 Dim.310 Dim.311 Dim.312 Dim.313 Dim.314 Dim.315
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 71.197 71.425 71.652 71.879 72.106 72.334 72.561
## Dim.316 Dim.317 Dim.318 Dim.319 Dim.320 Dim.321 Dim.322
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 72.788 73.016 73.243 73.470 73.697 73.925 74.152
## Dim.323 Dim.324 Dim.325 Dim.326 Dim.327 Dim.328 Dim.329
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 74.379 74.606 74.834 75.061 75.288 75.516 75.743
## Dim.330 Dim.331 Dim.332 Dim.333 Dim.334 Dim.335 Dim.336
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 75.970 76.197 76.425 76.652 76.879 77.106 77.334
## Dim.337 Dim.338 Dim.339 Dim.340 Dim.341 Dim.342 Dim.343
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 77.561 77.788 78.016 78.243 78.470 78.697 78.925
## Dim.344 Dim.345 Dim.346 Dim.347 Dim.348 Dim.349 Dim.350
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 79.152 79.379 79.606 79.834 80.061 80.288 80.516
## Dim.351 Dim.352 Dim.353 Dim.354 Dim.355 Dim.356 Dim.357
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 80.743 80.970 81.197 81.425 81.652 81.879 82.106
## Dim.358 Dim.359 Dim.360 Dim.361 Dim.362 Dim.363 Dim.364
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 82.334 82.561 82.788 83.016 83.243 83.470 83.697
## Dim.365 Dim.366 Dim.367 Dim.368 Dim.369 Dim.370 Dim.371
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 83.925 84.152 84.379 84.606 84.834 85.061 85.288
## Dim.372 Dim.373 Dim.374 Dim.375 Dim.376 Dim.377 Dim.378
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 85.516 85.743 85.970 86.197 86.425 86.652 86.879
## Dim.379 Dim.380 Dim.381 Dim.382 Dim.383 Dim.384 Dim.385
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 87.106 87.334 87.561 87.788 88.016 88.243 88.470
## Dim.386 Dim.387 Dim.388 Dim.389 Dim.390 Dim.391 Dim.392
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 88.697 88.925 89.152 89.379 89.606 89.834 90.061
## Dim.393 Dim.394 Dim.395 Dim.396 Dim.397 Dim.398 Dim.399
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 90.288 90.516 90.743 90.970 91.197 91.425 91.652
## Dim.400 Dim.401 Dim.402 Dim.403 Dim.404 Dim.405 Dim.406
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 91.879 92.106 92.334 92.561 92.788 93.016 93.243
## Dim.407 Dim.408 Dim.409 Dim.410 Dim.411 Dim.412 Dim.413
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 93.470 93.697 93.925 94.152 94.379 94.606 94.834
## Dim.414 Dim.415 Dim.416 Dim.417 Dim.418 Dim.419 Dim.420
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 95.061 95.288 95.516 95.743 95.970 96.197 96.425
## Dim.421 Dim.422 Dim.423 Dim.424 Dim.425 Dim.426 Dim.427
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 96.652 96.879 97.106 97.334 97.561 97.788 98.016
## Dim.428 Dim.429 Dim.430 Dim.431 Dim.432 Dim.433 Dim.434
## Variance 0.333 0.333 0.333 0.333 0.333 0.333 0.333
## % of var. 0.227 0.227 0.227 0.227 0.227 0.227 0.227
## Cumulative % of var. 98.243 98.470 98.697 98.925 99.152 99.379 99.606
## Dim.435 Dim.436 Dim.437 Dim.438 Dim.439 Dim.440
## Variance 0.333 0.161 0.046 0.018 0.012 0.006
## % of var. 0.227 0.110 0.032 0.012 0.008 0.004
## Cumulative % of var. 99.834 99.944 99.975 99.988 99.996 100.000
##
## Individuals (the 10 first)
## Dim.1 ctr cos2 Dim.2 ctr cos2 Dim.3 ctr
## 1 | 2.720 0.125 0.008 | 0.908 0.015 0.001 | 2.620 0.127
## 2 | 2.720 0.125 0.008 | 0.908 0.015 0.001 | 2.620 0.127
## 3 | 2.720 0.125 0.008 | 0.908 0.015 0.001 | 2.620 0.127
## 4 | 0.680 0.008 0.000 | -0.637 0.007 0.000 | -0.223 0.001
## 5 | -0.198 0.001 0.002 | 1.319 0.032 0.094 | -0.723 0.010
## 6 | -0.198 0.001 0.002 | 1.319 0.032 0.094 | -0.723 0.010
## 7 | -0.198 0.001 0.002 | 1.319 0.032 0.094 | -0.723 0.010
## 8 | -0.198 0.001 0.002 | 1.319 0.032 0.094 | -0.723 0.010
## 9 | 0.268 0.001 0.004 | 1.325 0.032 0.093 | -0.697 0.009
## 10 | 0.268 0.001 0.004 | 1.325 0.032 0.093 | -0.697 0.009
## cos2
## 1 0.007 |
## 2 0.007 |
## 3 0.007 |
## 4 0.000 |
## 5 0.028 |
## 6 0.028 |
## 7 0.028 |
## 8 0.028 |
## 9 0.026 |
## 10 0.026 |
##
## Categories (the 10 first)
## Dim.1 ctr cos2 v.test Dim.2 ctr cos2
## Apartamento | -0.457 5.993 0.330 -52.437 | -0.006 0.001 0.000
## Casa | 0.724 9.500 0.330 52.437 | 0.009 0.002 0.000
## Zona Centro | 2.007 2.813 0.061 22.512 | 0.239 0.043 0.001
## Zona Norte | -0.056 0.033 0.001 -2.775 | 1.602 29.903 0.770
## Zona Oeste | -1.725 20.081 0.500 -64.525 | 0.159 0.184 0.004
## Zona Oriente | 2.931 16.982 0.378 56.096 | 1.087 2.515 0.052
## Zona Sur | 0.189 0.956 0.047 19.822 | -0.778 17.354 0.796
## 20 de julio | 3.225 0.176 0.004 5.587 | 1.117 0.023 0.000
## 3 de julio | 0.806 0.004 0.000 0.806 | -0.784 0.004 0.000
## acopi | 0.011 0.000 0.000 0.139 | 1.619 2.514 0.051
## v.test Dim.3 ctr cos2 v.test
## Apartamento -0.644 | -0.024 0.019 0.001 -2.808 |
## Casa 0.644 | 0.039 0.030 0.001 2.808 |
## Zona Centro 2.684 | 0.773 0.456 0.009 8.673 |
## Zona Norte 80.039 | -0.845 8.445 0.214 -42.232 |
## Zona Oeste 5.947 | 1.573 18.251 0.416 58.855 |
## Zona Oriente 20.802 | 3.054 20.152 0.411 58.465 |
## Zona Sur -81.390 | -0.302 2.660 0.120 -31.637 |
## 20 de julio 1.935 | 3.247 0.195 0.004 5.625 |
## 3 de julio -0.784 | -0.277 0.000 0.000 -0.277 |
## acopi 20.550 | -0.880 0.753 0.015 -11.170 |
##
## Categorical variables (eta2)
## Dim.1 Dim.2 Dim.3
## tipo | 0.330 0.000 0.001 |
## zona | 0.872 0.990 0.976 |
## barrio | 0.931 0.990 0.976 |#Dimensión 1 (Dim.1): Varianza del 71% “Zona Sur” tiene un valor extremo de -81.390, lo que indica que está muy bien representada en esta dimensión y contribuye significativamente. “Zona Oriente” y “Zona Centro” también tienen valores altos en esta dimensión, sugiriendo que son categorías clave en la estructura del análisis. “Apartamento” y “Casa” tienen valores opuestos en Dim.1, lo que podría indicar una distinción clara entre estos tipos de vivienda.
#Dimensión 2 (Dim.2): Varianza del 66% “Zona Sur” también tiene una alta contribución en esta dimensión (ctr = 17.354, cos2 = 0.796), lo que significa que su posición en este eje es muy estable y relevante. “3 de julio” y “20 de julio” tienen valores cercanos a Dim.2, lo que sugiere que están relacionadas en este eje.
#Dimensión 3 (Dim.3): varianza del 65% “Zona Norte” y “Zona Oriente” tienen valores altos en v.test, lo que sugiere que juegan un papel importante en esta dimensión. “Zona Sur” sigue teniendo un valor negativo significativo, lo que indica que está fuertemente diferenciada en esta dimensión también.
La variable “zona” obtuvo Valores altos en todas las dimensiones (0.872 en Dim.1, 0.990 en Dim.2 y 0.976 en Dim.3). Esto indica que la variable “zona” es una de las más relevantes para explicar la estructura de los datos. Sin mebargo, “barrio” presentó valores aún más altos que “zona” (0.931, 0.990 y 0.976), lo que significa que la variable “barrio” tiene una gran influencia en la estructura de los datos.
#Conclusiones
El tipo de inmueble más ofertado es el apartamento, además las 2 zonas más populares para la vivienda en Cali son la zona norte y la zona sur, ambas con la mayor cantidad de apartamentos respecto a las otra zonas [3] [4], aquí hay una oportunidad de negocio, ambas zonas cuentan con rangos de precios por vivienda relativamente similares, sin embargo, en la zona norte se encuentra una mayor variabilidad de estratos que en la sur, en dónde predominan los estratos 5 y 6, por lo que al momento de la promoción o estrategia de venta, los inmuebles ubicados en la zona norte ofrecen una mayor diversificación, mientras que los de la zona sur pueden ser ofertados principalmente a personas con mayor poder adquisitivo. Otra opción de inversión podrían ser las viviendas ubicadas en barrios estrato 3, el más apetecido según el informa mobiliario para 2023, por lo que puede ser una opción para personas que no cuenten con tanto capital a la hora de invertir, pero que quieran vivir en esas zonas. En conclusión, se recomienda que la compañía centre sus estrategias en los inmuebles de la zona norte y sur, ya que según el comportamiento del mercado durante los dos últimos años las viviendas cumplen con el estrato, zona y área construida más deseados, por lo que generarán mayor rentabilidad.
#Referencias [1] “Así es la historia de nuestra amada Cali, 487 años soñados, vividos, bailados, resilientes.” Accessed: Aug. 11, 2024. [Online]. Available: https://www.cali.gov.co/publicaciones/1335/asi-es-la-historia-de-nuestra-amada-cali/ [2] “Datos de Cali y el Valle del Cauca.” Accessed: Aug. 11, 2024. [Online]. Available: https://www.cali.gov.co/publicaciones/227/datos_de_cali_y_el_valle_del_cauca/ [3] R. Ciencuadras, “Tendencias sector inmobiliario segundo trimestre 2023 Ciencuadras.” Aug. 2023. Accessed: Aug. 12, 2024. [Online]. Available: https://www.ciencuadras.com/blog/evolucion-del-mercado-de-vivienda/tendencias-sector-inmobiliario-segundo-trimestre-2023 [4] R. Ciencuadras, “Informe anual de los inmuebles en Colombia 2022 - Ciencuadras.” Feb. 2023. Accessed: Aug. 12, 2024. [Online]. Available: https://www.ciencuadras.com/blog/evolucion-del-mercado-de-vivienda/informe-anual-de-los-inmuebles-en-colombia-2022