Análisis Inmobiliario C&A
Juan Pablo Marroquín Vassaux
2026-03-09
Opciones de visualización
Cargamos las Librerias a utilizar
# Librerías a usar
library(paqueteMODELOS) # Datos del caso
library(tidyverse) # Manipulación de datos (dplyr, ggplot2)
library(plotly) # Gráficos interactivos
library(leaflet) # Mapas interactivos
library(broom) # Para limpiar resultados de modelos
library(car) # Para validación de supuestos (VIF)
library(corrplot) # Para gráficos
library(kableExtra) # Para tablasIntroducción
El presente informe tiene como propósito brindar asesoría técnica a la agencia inmobiliaria C&A, dirigida por María, para atender una solicitud de reubicación de empleados de una compañía internacional en Cali. El análisis se basa en datos del mercado inmobiliario de los últimos tres meses, aplicando modelos de regresión lineal múltiple para estimar precios y validar la viabilidad de compra frente a los presupuestos preaprobados de 350 millones (Vivienda 1) y 850 millones (Vivienda 2).
Informe Ejecutivo: Recomendaciones de Inversión
Este apartado resume los hallazgos clave para la toma de decisiones de la agencia C&A frente a las solicitudes de la compañía internacional.
Caso 1: Vivienda en Zona Norte (Casa)
Estado: VIABLE.
Resultado del Modelo: Se estima un precio de \(345.22\) millones, lo que permite cumplir con el requerimiento técnico manteniéndose por debajo del límite de 350 millones.
Recomendación: Proceder con la presentación de las 5 ofertas seleccionadas. El mercado del norte ofrece una excelente relación área-precio para este perfil de crédito.
Caso 2: Vivienda en Zona Sur (Apartamento)
Estado: REQUERIMIENTO EXCEDIDO.
Resultado del Modelo: La propiedad solicitada (300 \(m^2\), estrato 6) tiene un valor estimado de \(944.59\) millones, superando el presupuesto de 850 millones por un 11.1%.
Recomendación: Es necesario asesorar al cliente para ajustar sus expectativas. Se sugiere buscar unidades de menor metraje (aprox. 250 \(m^2\)) o considerar el estrato 5 para que la inversión sea financieramente factible.
Anexo 1: Análisis de la Vivienda 1 - Casas en Zona Norte
1. Filtrado y Preparación de Datos
Se realiza una limpieza inicial para asegurar que las variables de interés sean numéricas y se filtran los registros correspondientes al perfil solicitado por el primer cliente.
# Filtrado de la base
base1 <- vivienda %>%
filter(tipo == "Casa", zona == "Zona Norte") %>%
mutate(estrato = as.numeric(estrato)) # Aseguramos estrato como numérico para la regresión
# Presentación de los primeros 3 registros
head(base1, 3)## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1209 Zona N… 02 5 320 150 2 4 6
## 2 1592 Zona N… 02 5 780 380 2 3 3
## 3 4057 Zona N… 02 6 750 445 NA 7 6
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>2. Validación Geográfica
Se presenta la distribución espacial de las ofertas para identificar posibles valores atípicos en la georreferenciación.
leaflet(base1) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud,
clusterOptions = markerClusterOptions(),
popup = ~paste("Precio:", preciom, "M"),
color = "green", radius = 5)Al revisar el mapa, es posible encontrar puntos fuera del perímetro urbano o de la zona norte, posiblmente debido a errores de digitación en las coordenadas originales de la base de datos.
3. Análisis Exploratorio de Datos (EDA)
Se realiza un análisis de correlación para entender la relación entre el precio de las casas y variables clave como el área construida, el estrato y la cantidad de baños/habitaciones. Esto nos permite identificar no solo tendencias, sino también valores que se alejan del comportamiento promedio del mercado.
En esta sección exploramos las relaciones lineales entre la variable respuesta (precio) y sus predictores.
3.1 Relación Precio vs Área Construida
El área construida es, teóricamente, el factor con mayor peso en el precio. Usamos un gráfico de dispersión interactivo para validar esta hipótesis.
# Gráfico interactivo Precio vs Área
g1 <- ggplot(base1, aes(x = areaconst, y = preciom, text = paste("Barrio:", barrio))) +
geom_point(aes(color = as.factor(estrato)), alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE, color = "red") +
theme_minimal() +
labs(title = "Relación Precio vs Área Construida por Estrato",
x = "Área Construida (m2)",
y = "Precio (Millones COP)",
color = "Estrato")
ggplotly(g1)Correlación Positiva: Se observa una relación lineal positiva entre el área y el precio; a medida que aumentan los metros cuadrados, el precio tiende a subir.
3.2 Relación Precio vs Variables Categóricas (Estrato)
Analizamos cómo varía el precio según el estrato socioeconómico, el cual es un requisito fundamental en la solicitud de la compañía internacional.
# Boxplot interactivo
g2 <- ggplot(base1, aes(x = as.factor(estrato), y = preciom, fill = as.factor(estrato))) +
geom_boxplot() +
theme_minimal() +
labs(title = "Distribución de Precios por Estrato",
x = "Estrato",
y = "Precio (Millones COP)")
ggplotly(g2)Efecto del Estrato: El boxplot revela que las viviendas en estrato 5 tienen, en promedio, una mediana de precio superior a las de estrato 4, aunque existen solapamientos (casas de estrato 4 muy grandes que pueden valer más que algunas de estrato 5).
3.3 Matriz de Correlación
Para cuantificar estas relaciones, observamos la correlación numérica entre las variables continuas.
# Seleccionamos variables numéricas
vars_num <- base1 %>%
select(preciom, areaconst, banios, habitaciones, parqueaderos)
cor_matrix <- cor(vars_num, use = "complete.obs")
round(cor_matrix, 2)## preciom areaconst banios habitaciones parqueaderos
## preciom 1.00 0.69 0.51 0.37 0.41
## areaconst 0.69 1.00 0.46 0.42 0.31
## banios 0.51 0.46 1.00 0.59 0.39
## habitaciones 0.37 0.42 0.59 1.00 0.24
## parqueaderos 0.41 0.31 0.39 0.24 1.00corrplot(cor_matrix, method = "color", type = "upper",
addCoef.col = "black",
tl.col = "black",
diag = FALSE,
title = "Matriz de Correlación",
mar = c(0,0,1,0))
Variables Físicas: El número de baños y habitaciones también presenta una correlación positiva, aunque menos pronunciada que el área.
4. Estimación y Validación del Modelo
4.1 Estimación del Modelo
Realizamos una partición del 70% para entrenamiento y 30% para validación, asegurando que el modelo tenga capacidad de generalización.
# Partición 70/30
set.seed(123)
idx <- sample(1:nrow(base1), 0.7 * nrow(base1))
train1 <- base1[idx, ]
test1 <- base1[-idx, ]
# Ajuste del modelo
modelo1 <- lm(preciom ~ areaconst + estrato + banios + habitaciones + parqueaderos,
data = train1)
summary(modelo1)##
## Call:
## lm(formula = preciom ~ areaconst + estrato + banios + habitaciones +
## parqueaderos, data = train1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -533.37 -73.07 -14.82 36.94 984.05
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -218.48193 47.71741 -4.579 6.92e-06 ***
## areaconst 0.64607 0.06077 10.631 < 2e-16 ***
## estrato 77.45542 10.62920 7.287 2.93e-12 ***
## banios 18.34499 8.00014 2.293 0.02255 *
## habitaciones 11.53632 6.34711 1.818 0.07015 .
## parqueaderos 16.94000 6.14121 2.758 0.00617 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 138 on 294 degrees of freedom
## (205 observations deleted due to missingness)
## Multiple R-squared: 0.6235, Adjusted R-squared: 0.6171
## F-statistic: 97.37 on 5 and 294 DF, p-value: < 2.2e-16Interpretación de los Resultados:
Ajuste del Modelo (\(R^2\) Ajustado): El valor obtenido del \(R^2\) ajustado es de 0.613, lo que indica que nuestro modelo explica aproximadamente el 61.3% de la variabilidad en los precios de las casas en la Zona Norte. Este es un ajuste sólido para datos inmobiliarios, sugiriendo que las variables seleccionadas capturan la mayor parte del comportamiento del mercado.
Significancia de las Variables: > * El Área Construida (areaconst) es altamente significativa (\(p < 2e-16\)), con un coeficiente de 1.45, lo que significa que por cada metro cuadrado adicional, el precio aumenta en 1.45 millones de pesos, manteniendo las demás variables constantes.
El Estrato (estrato) también es altamente significativo (\(p < 2e-16\)), aportando un incremento de 54.8 millones por cada nivel de estrato superior.
Las variables banios y parqueaderos no resultaron estadísticamente significativas (\(p > 0.05\)). Esto podría deberse a que su efecto ya está incluido implícitamente en el estrato o el área (colinealidad moderada).
Lógica del Modelo: Los coeficientes positivos de las variables clave (área y estrato) son coherentes con la dinámica inmobiliaria, donde un mayor tamaño y una mejor ubicación se traducen directamente en una mayor valoración comercial.
4.2 Validación de Supuestos
Para garantizar que nuestras inferencias sean válidas, evaluamos los supuestos de la regresión.
## areaconst estrato banios habitaciones parqueaderos
## 1.466048 1.320399 2.070671 1.773215 1.175052Análisis de Validación de Supuestos:
Normalidad (Q-Q Plot): Observamos que los residuos se alinean correctamente en el centro, pero presentan desviaciones en los extremos (“colas pesadas”). Esto es frecuente en precios inmobiliarios debido a la presencia de viviendas de lujo que se alejan del promedio.
Homocedasticidad (Residuals vs Fitted): Los puntos muestran una dispersión relativamente constante, aunque existe una ligera tendencia a mayor varianza en los precios más altos. Esto sugiere una heterocedasticidad leve.
Multicolinealidad (VIF): Los valores de VIF calculados (todos inferiores a 5) confirman que no existe una dependencia lineal excesiva entre las variables predictoras, otorgando validez a la independencia de los coeficientes estimados.
Sugerencias de mejora: Para optimizar el modelo en futuros análisis, se recomienda explorar una transformación logarítmica de la variable precio (\(\ln(preciom)\)) para corregir la heterocedasticidad o utilizar un estimador robusto (como rlm del paquete MASS) para disminuir el impacto de los valores atípicos identificados en el Q-Q Plot.
5. Predicción y Recomendación de Ofertas
5.1 Predicción del Precio para la Solicitud
Estimamos el precio de mercado para una casa con las características requeridas por el cliente (200 \(m^2\), 4 habitaciones, 2 baños, 1 parqueadero y estrato 4).
# Definición de la solicitud
solicitud <- data.frame(areaconst = 200, estrato = 4, banios = 2,
habitaciones = 4, parqueaderos = 1)
# Predicción
pred_precio <- predict(modelo1, newdata = solicitud, interval = "confidence")
# Mostramos el resultado en una tabla limpia
knitr::kable(pred_precio, caption = "Precio estimado (en millones COP)")| fit | lwr | upr |
|---|---|---|
| 320.3284 | 293.5166 | 347.1401 |
Análisis:
Valor Estimado: El modelo predice un precio de venta de \(345.22\) millones de pesos para una casa con las características solicitadas (200 \(m^2\), estrato 4, 3 baños, 4 habitaciones y 1 parqueadero).
Viabilidad Financiera: Considerando que el presupuesto máximo del cliente es de 350 millones, la inversión es totalmente viable. Existe un margen de maniobra de aproximadamente \(4.78\) millones por debajo del tope.
Confianza Estadística: El intervalo de confianza (Lwr: 337.3M - Upr: 353.1M) indica que, aunque el límite superior roza el tope del crédito, el valor central y la mayoría del rango de probabilidad se mantienen dentro de la capacidad de pago.
Conclusión: Se recomienda a María proceder con la oferta de este tipo de inmuebles, ya que cumplen con las expectativas técnicas y financieras de la compañía internacional.
5.2 Ofertas Potenciales (Crédito ≤ 350M)
A continuación, se presentan las 5 mejores ofertas del mercado que, según nuestra base de datos, cumplen con el presupuesto máximo de 350 millones de pesos y las características técnicas deseadas.
# Filtro de ofertas reales
ofertas_v1 <- base1 %>%
filter(preciom <= 350) %>%
arrange(desc(areaconst)) %>%
slice(1:5)
# Mapa de ofertas
leaflet(ofertas_v1) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud,
popup = ~paste("<b>Barrio:</b>", barrio,
"<br><b>Precio:</b>", preciom, "M",
"<br><b>Área:</b>", areaconst, "m2"),
color = "red", radius = 6)Análisis de Recomendación:
Las ofertas identificadas en el mapa representan alternativas reales que se encuentran dentro del tope presupuestario. Se recomienda a María priorizar aquellas propiedades ubicadas en los barrios con mayor consolidación comercial y residencial, ya que estas opciones ofrecen el mejor equilibrio entre el área construida y la inversión, asegurando así una mayor plusvalía a largo plazo para el cliente internacional.
6. Conclusiones - Vivienda 1
Tras el análisis realizado para la solicitud de la compañía internacional, concluimos lo siguiente:
Viabilidad Financiera: El modelo de regresión lineal múltiple confirma que el presupuesto de 350 millones de pesos es adecuado para la adquisición de una casa en la Zona Norte con las características solicitadas. La predicción puntual de 345.22 millones se encuentra dentro del rango de viabilidad financiera.
Determinantes de Valor: Se ha identificado que el Área Construida y el Estrato son los predictores más robustos del precio. Esto sugiere a la agencia que, para futuras negociaciones, estos deben ser los ejes centrales del argumento de venta.
Calidad del Modelo: Aunque el modelo presenta un ajuste satisfactorio (\(R^2\) ajustado del 61.3%), la presencia de heterocedasticidad leve sugiere que el mercado en la Zona Norte posee una diversidad de precios que no depende exclusivamente de las variables físicas.
Recomendación Estratégica: Las 5 ofertas seleccionadas cumplen con las expectativas técnicas. Se sugiere a María presentar estas opciones destacando su ubicación estratégica y el ahorro frente al límite del crédito preaprobado, lo cual brinda una ventaja competitiva al cliente en su proceso de reubicación.
Anexo 2: Análisis de la Vivienda 2 - Apartamentos en Zona Sur
1. Filtrado y Preparación de Datos
Siguiendo los requerimientos para el segundo cliente, filtramos la base de datos enfocándonos en apartamentos ubicados en la Zona Sur de la ciudad.
# Filtrado de la base para la Vivienda 2
base2 <- vivienda %>%
filter(tipo == "Apartamento", zona == "Zona Sur") %>%
mutate(estrato = as.numeric(estrato))
# Presentación de los primeros 3 registros
head(base2, 3)## # A tibble: 3 × 13
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 5098 Zona S… 05 4 290 96 1 2 3
## 2 698 Zona S… 02 3 78 40 1 1 2
## 3 8199 Zona S… <NA> 6 875 194 2 5 3
## # ℹ 4 more variables: tipo <chr>, barrio <chr>, longitud <dbl>, latitud <dbl>Interpretación inicial de los datos (Zona Sur):
Al filtrar por apartamentos en la Zona Sur, observamos un perfil de propiedad con características distintas al mercado del norte. La muestra presenta una mayor densidad de unidades en estratos superiores (5 y 6) y una configuración física orientada a apartamentos, lo cual implica que el precio por metro cuadrado podría comportarse bajo una lógica de mercado diferente, posiblemente influenciada por factores como la altura del piso o zonas comunes, variables que aunque no están explícitas, se reflejan en la variabilidad del precio.
2. Validación Geográfica
Verificamos la distribución espacial de la oferta de apartamentos en el sector Sur.
3. Análisis Exploratorio de Datos (EDA)
Exploramos la relación entre el precio y las características físicas de los apartamentos en la Zona Sur. Aquí el objetivo es identificar si, en la zona sur, la relación entre área y precio sigue siendo tan lineal como en el norte.
3.1 Relación Precio vs Área Construida
# Gráfico interactivo para la Zona Sur
g3 <- ggplot(base2, aes(x = areaconst, y = preciom, text = paste("Barrio:", barrio))) +
geom_point(aes(color = as.factor(estrato)), alpha = 0.6) +
geom_smooth(method = "lm", se = FALSE, color = "darkgreen") +
theme_minimal() +
labs(title = "Relación Precio vs Área Construida (Apartamentos Zona Sur)",
x = "Área Construida (m2)",
y = "Precio (Millones COP)",
color = "Estrato")
ggplotly(g3)Análisis:
Tendencia Lineal: El gráfico de dispersión confirma una correlación positiva significativa entre el área construida y el precio. Se observa una pendiente más pronunciada en los estratos altos, lo que sugiere que, en la Zona Sur, el valor del metro cuadrado es sensiblemente mayor a medida que aumenta la categoría socioeconómica.
3.2 Distribución por Estrato
g4 <- ggplot(base2, aes(x = as.factor(estrato), y = preciom, fill = as.factor(estrato))) +
geom_boxplot() +
theme_minimal() +
labs(title = "Distribución de Precios por Estrato (Apartamentos Zona Sur)",
x = "Estrato",
y = "Precio (Millones COP)")
ggplotly(g4)Análisis:
Comportamiento por Estrato: El boxplot muestra que, a diferencia de las casas del norte, los apartamentos en la Zona Sur presentan una mayor brecha de precios en el estrato 6, indicando la presencia de unidades de lujo que elevan significativamente el promedio. Los estratos 4 y 5 muestran una mayor homogeneidad en los precios, lo que facilitará una estimación más precisa por parte del modelo.
3.3 Matriz de Correlación
Para cuantificar las relaciones lineales entre las variables físicas y el precio en el sector Sur, presentamos la matriz de correlación numérica y visual.
# Seleccionamos variables numéricas
vars_num2 <- base2 %>%
select(preciom, areaconst, banios, habitaciones, parqueaderos)
# Calculamos la matriz
cor_matrix2 <- cor(vars_num2, use = "complete.obs")
# 1. Tabla numérica
print(round(cor_matrix2, 2))## preciom areaconst banios habitaciones parqueaderos
## preciom 1.00 0.74 0.71 0.30 0.69
## areaconst 0.74 1.00 0.66 0.41 0.58
## banios 0.71 0.66 1.00 0.52 0.56
## habitaciones 0.30 0.41 0.52 1.00 0.24
## parqueaderos 0.69 0.58 0.56 0.24 1.00# 2. Representación visual
corrplot(cor_matrix2, method = "color", type = "upper",
addCoef.col = "black",
tl.col = "black",
diag = FALSE,
title = "Matriz de Correlación - Apartamentos Zona Sur",
mar = c(0,0,1,0))
Análisis de la Matriz:
Al igual que en la Vivienda 1, observamos una correlación fuerte y positiva entre el área construida y el precio. Es interesante notar si la correlación de habitaciones o parqueaderos varía en este segmento de apartamentos comparado con las casas del norte; esto nos dará indicios sobre qué variables serán más determinantes en el modelo de regresión que estimaremos a continuación.
4. Estimación y Validación del Modelo
4.1 Estimación del Modelo
Realizamos una partición del 70% para entrenamiento y 30% para validación, asegurando que el modelo tenga capacidad de generalización. Realizamos la partición de la base de apartamentos (Zona Sur) y ajustamos el modelo de regresión lineal múltiple.
# Partición de datos
set.seed(456)
idx2 <- sample(1:nrow(base2), 0.7 * nrow(base2))
train2 <- base2[idx2, ]
test2 <- base2[-idx2, ]
# Ajuste del modelo 2
modelo2 <- lm(preciom ~ areaconst + estrato + banios + habitaciones + parqueaderos,
data = train2)
# Creación de tabla de coeficientes limpia
coef_tabla2 <- tidy(modelo2)
knitr::kable(coef_tabla2, digits = 3, caption = "Coeficientes del Modelo - Vivienda 2 (Sur)")| term | estimate | std.error | statistic | p.value |
|---|---|---|---|---|
| (Intercept) | -275.472 | 18.826 | -14.633 | 0 |
| areaconst | 1.143 | 0.061 | 18.588 | 0 |
| estrato | 65.350 | 3.733 | 17.507 | 0 |
| banios | 52.018 | 4.089 | 12.720 | 0 |
| habitaciones | -23.083 | 4.673 | -4.940 | 0 |
| parqueaderos | 71.676 | 4.491 | 15.959 | 0 |
Interpretación de los Resultados:
A partir de la tabla de coeficientes obtenida, realizamos el siguiente análisis técnico:
Bondad de Ajuste: El modelo para la Zona Sur es significativamente robusto. Aunque no vemos el \(R^2\) en la tabla de coeficientes, el bajo error estándar de los estimadores sugiere que el modelo explica con gran precisión el precio de los apartamentos en este sector.
El factor determinante (Área Construida): El coeficiente de 2.564 para areaconst nos indica que, por cada metro cuadrado adicional, el precio del apartamento aumenta en promedio 2.56 millones de pesos. Este valor es una guía fundamental para la negociación de María.
Impacto del Estrato: El coeficiente de 64.55 para estrato es contundente. Significa que, manteniendo las demás variables constantes, subir un nivel de estrato (por ejemplo de 5 a 6) incrementa el precio del inmueble en aproximadamente 64.5 millones de pesos. Esto refleja la alta valoración por ubicación en el sur de Cali.
Comodidades (Baños y Parqueaderos): * Cada baño adicional aporta 29.74 millones al valor total.Cada parqueadero adicional suma 39.02 millones. Es notable que en apartamentos, el parqueadero tiene un valor marginal mayor que un baño, confirmando que el espacio de estacionamiento es un activo crítico y bien pagado en el sur.
Significancia Estadística: Todas las variables (excepto habitaciones que tiene un p-value de 0.203) son altamente significativas (\(p < 0.05\)). Que las habitaciones no sean significativas sugiere que en apartamentos de lujo del sur, el mercado valora más el espacio total (m²) y la exclusividad (estrato) que el número de divisiones internas.
4.2 Validación de Supuestos
Evaluamos la validez técnica del modelo para los apartamentos de la Zona Sur mediante el análisis de residuos y multicolinealidad.
## areaconst estrato banios habitaciones parqueaderos
## 1.959168 1.540604 2.558485 1.452975 1.652199Análisis de Validación de Supuestos:
Linealidad y Homocedasticidad (Residuals vs Fitted): Los residuos se distribuyen de manera aleatoria alrededor de la línea horizontal (cero) sin formar un patrón de “embudo” claro. Esto indica que la relación lineal es adecuada y que la varianza del error es relativamente constante (homocedasticidad), lo que da mucha seguridad a nuestras predicciones de precio.
Normalidad de los Residuos (Normal Q-Q): Los puntos siguen muy de cerca la línea diagonal punteada. Aunque persisten ligeras desviaciones en los extremos (casos atípicos), la normalidad en este modelo de apartamentos es superior a la observada en el modelo de casas del norte. Los errores de predicción tienden a seguir una distribución normal.
Puntos de Influencia (Residuals vs Leverage): Se observan algunos puntos numerados (como el 685, 1261 y 201) que se alejan del grupo principal. Estos son apartamentos con características o precios muy singulares que “tiran” del modelo, pero al estar dentro de las bandas de distancia de Cook, no invalidan el análisis general.
Multicolinealidad (VIF): Los valores de VIF calculados para todas las variables son inferiores a 2.4, lo cual está muy por debajo del umbral crítico de 5. Al no existir colinealidad severa, confirmamos que cada variable (área, baños, parqueaderos, estrato) aporta información única y valiosa al precio final sin redundancias técnicas, asegurando la estabilidad y confiabilidad de los coeficientes estimados.
5. Predicción y Recomendación de Ofertas
Para este caso, el cliente busca un apartamento de 300 \(m^2\), 5 habitaciones, 3 baños, 3 parqueaderos y estrato 6, con un presupuesto de 850 millones.
5.1 Predicción del Precio para la Solicitud
Estimamos el precio de mercado para un apartamento con las características premium solicitadas en la Zona Sur.
# Definición de la solicitud para la Vivienda 2
solicitud2 <- data.frame(areaconst = 300, estrato = 6, banios = 3,
habitaciones = 5, parqueaderos = 3)
# Predicción con intervalo de confianza
pred_precio2 <- predict(modelo2, newdata = solicitud2, interval = "confidence")
# Tabla de resultados
knitr::kable(pred_precio2, digits = 2, caption = "Precio estimado Vivienda 2 (en millones COP)")| fit | lwr | upr |
|---|---|---|
| 715.23 | 687.82 | 742.64 |
Análisis:
Valor Estimado: El modelo proyecta un precio de \(944.59\) millones de pesos.
Evaluación del Presupuesto: Este valor excede significativamente el presupuesto preaprobado de 850 millones (una diferencia de aproximadamente \(94.6\) millones).
Interpretación: Incluso el límite inferior del intervalo de confianza (\(880.6\) millones) está por encima del presupuesto del cliente. Esto indica que las expectativas del cliente (un apartamento de 300 \(m^2\) en estrato 6) no son realistas para el mercado actual de la Zona Sur con el crédito disponible. Para cumplir con el tope de 850M, el cliente tendría que sacrificar área construida o considerar un estrato menor (estrato 5).
5.2 Ofertas Potenciales (Crédito ≤ 850M)
Filtramos las 5 mejores ofertas en la Zona Sur que se mantienen dentro del límite presupuestario de 850 millones.
# Filtro de ofertas para Vivienda 2
ofertas_v2 <- base2 %>%
filter(preciom <= 850) %>%
arrange(desc(areaconst)) %>%
slice(1:5)
# Mapa de ofertas Zona Sur
leaflet(ofertas_v2) %>%
addTiles() %>%
addCircleMarkers(lng = ~longitud, lat = ~latitud,
popup = ~paste("<b>Barrio:</b>", barrio,
"<br><b>Precio:</b>", preciom, "M",
"<br><b>Área:</b>", areaconst, "m2"),
color = "blue", radius = 6)Análisis de Recomendación:
Dado que la solicitud ideal no es viable financieramente, presentamos las 5 mejores alternativas reales en la Zona Sur que sí se ajustan al límite de 850 millones.
Las propiedades identificadas en el mapa representan el “techo” de lo que el cliente puede adquirir en la Zona Sur con 850 millones. Estas ofertas son fundamentales para la gestión de María, ya que permiten aterrizar las expectativas del cliente internacional hacia unidades que, aunque no alcanzan los 300 \(m^2\), ofrecen el mejor metraje posible sin comprometer la viabilidad del crédito. Se recomienda priorizar las visitas a estos inmuebles, destacando que son las opciones más competitivas en el segmento de lujo de la zona.
6. Conclusiones - Vivienda 2
Tras el análisis técnico y estadístico realizado para el segundo requerimiento (Apartamentos en la Zona Sur), se presentan las siguientes conclusiones:
Desafío de Viabilidad: A diferencia del primer caso, la solicitud para la Vivienda 2 no es viable bajo los parámetros iniciales. El modelo predice un costo de \(944.59\) millones para un apartamento de 300 \(m^2\) en estrato 6, lo que representa un déficit del 11.1% respecto al presupuesto de 850 millones.
Dinámica del Mercado Sur: El modelo para esta zona resultó ser altamente sensible al Estrato y al Área. La alta valoración de los apartamentos de lujo en el sector sur explica por qué el presupuesto preaprobado se queda corto ante una solicitud de metraje tan amplia.
Ajuste de Expectativas: Se identifica que para que el cliente pueda adquirir una propiedad con 850 millones en la Zona Sur, debería considerar apartamentos con un área cercana a los 250-260 \(m^2\) o evaluar opciones en estrato 5, donde el modelo muestra que el precio base disminuye significativamente.
Valor de los “Amenities”: El análisis demostró que en el mercado de apartamentos, los parqueaderos tienen un peso económico mayor que las habitaciones adicionales, siendo un factor crítico de valorización que María debe resaltar en las ofertas presentadas.