---
title: "Análisis de competencia inmobiliaria"
subtitle: "Sector Las Pitas - Ciudadela del Chofer, Loja"
author: "José Vicente Ordóñez"
format:
html:
toc: true
toc-depth: 3
number-sections: true
theme: cosmo
code-fold: true
code-tools: true
embed-resources: true
execute:
warning: false
message: false
---
```{r}
#| label: setup-paquetes
#| include: false
library(tidyverse)
library(leaflet)
library(scales)
library(DT)
library(htmltools)
```
# 1. Propósito del análisis
Este documento presenta un análisis exploratorio de la competencia inmobiliaria en el sector **Las Pitas**, en la ciudad de Loja. El objetivo es organizar la información disponible sobre inmuebles cercanos, compararlos de manera ordenada y visualizar su localización mediante un **mapa dinámico**.
La lógica del análisis es sencilla: primero se construye una base de datos, luego se limpian y calculan variables relevantes, después se presentan indicadores, tablas y gráficos, y finalmente se interpreta la posición competitiva de cada inmueble.
# 2. Base de datos utilizada
La base incluye cinco registros inmobiliarios ubicados en el sector Las Pitas. Para evitar errores en el mapa, las coordenadas se registran directamente en dos columnas separadas: **latitud** y **longitud**. Esto permite que el mapa dinámico ubique correctamente todos los puntos.
```{r}
#| label: datos-competencia
#| include: false
competencia <- tribble(
~id, ~vendedor, ~tipo, ~barrio, ~lat, ~lon, ~area_terreno, ~area_construccion,
~dormitorios, ~banos, ~garaje, ~antiguedad, ~precio, ~precio_m2_reportado,
~servicios_cercanos, ~contacto, ~observaciones, ~enlace,
1, "Vendedor particular", "Casa", "Las Pitas", -3.970901, -79.214846,
300, 210, 4, 3, 2, "9 años", 230000, 1095.238095,
"Terminal Terrestre", "994781133", "Ninguna",
"https://drive.google.com/file/d/1IdaMzf6GFySof2C-0krBJhWNR4ai6J49/view?usp=sharing",
2, "Vallejo Rojas Arquitectos", "Casa", "Las Pitas", -3.971167, -79.215189,
230, 180, 2, 2, 1, "Nueva", 140000, 777.7777778,
"Consultorios jurídicos y odontológicos", "982676674", "Ninguna",
"https://drive.google.com/file/d/1-jLsOf5kOg1DZFeqwNSvUI_-pB-gGhrv/view?usp=sharing",
3, "Vendedor particular", "Casa", "Las Pitas", -3.966631, -79.211101,
201, 180, 9, 4, 2, "15 años", 200000, 1111.111111,
"No reporta", "981130568 / 072616677 / Segundo Sánchez", "Ninguna",
"https://drive.google.com/file/d/1gq84aMZxszpYEvnYc0VbcOFThaarKKsd/view?usp=sharing",
4, "Propietario directo", "Departamentos", "Las Pitas", -3.970379, -79.210359,
NA, NA, NA, NA, NA, NA, NA, NA,
"En plena avenida, parada de buses", "992271478",
"Departamentos de 2 dormitorios con ducha de agua caliente. Arriendo aproximado de USD 200.",
"https://drive.google.com/file/d/10t-fukC4qeRRodo8u2XvHZN81Ny9En-2/view?usp=sharing",
5, "Propietario directo", "Cuartos", "Las Pitas", -3.970931, -79.209836,
NA, 20, 1, 1, 1, "12 años", NA, NA,
"Canchas sintéticas", "987848663", "Arrendado todos",
"https://drive.google.com/file/d/1FnkM4DcZ2AR_xmlZtJ42QZYei53s7BxX/view?usp=sharing"
)
```
# 3. Preparación de la información
Antes de interpretar los datos, se calculan algunas variables adicionales. La más importante es el **precio por metro cuadrado de construcción**, porque permite comparar inmuebles de distinto tamaño.
```{r}
#| label: limpieza-competencia
#| include: false
competencia_limpia <- competencia %>%
mutate(
precio_m2_construccion = precio / area_construccion,
precio_m2_terreno = precio / area_terreno,
precio_m2_final = case_when(
!is.na(precio_m2_construccion) ~ precio_m2_construccion,
!is.na(precio_m2_reportado) ~ precio_m2_reportado,
TRUE ~ NA_real_
),
estado_info = case_when(
is.na(precio) ~ "Información incompleta",
TRUE ~ "Información disponible"
),
tipo_analisis = case_when(
tipo == "Casa" & !is.na(precio) ~ "Comparable directo de venta",
tipo %in% c("Departamentos", "Cuartos") ~ "Referencia de arriendo o habitabilidad",
TRUE ~ "Referencia general"
)
)
```
Desde el punto de vista metodológico, no todos los registros tienen el mismo nivel de comparabilidad. Las casas con precio y área construida son comparables directos de venta. En cambio, los departamentos y cuartos aportan información sobre la dinámica habitacional del sector, pero no deben compararse directamente con las casas porque no tienen precio de venta completo.
# 4. Tabla base de inmuebles
```{r}
#| label: tbl-base-inmuebles
#| echo: false
tabla_base <- competencia_limpia %>%
select(
id, vendedor, tipo, barrio, lat, lon, area_terreno, area_construccion,
dormitorios, banos, garaje, antiguedad, precio,
precio_m2_final, servicios_cercanos, contacto, observaciones, enlace
) %>%
mutate(
precio = ifelse(
is.na(precio),
"No reporta",
dollar(precio, prefix = "$", big.mark = ",", decimal.mark = ".")
),
precio_m2_final = ifelse(
is.na(precio_m2_final),
"No reporta",
dollar(round(as.numeric(precio_m2_final), 2), prefix = "$", big.mark = ",", decimal.mark = ".")
),
enlace = paste0("<a href='", enlace, "' target='_blank'>Ver enlace</a>")
)
datatable(
tabla_base,
escape = FALSE,
options = list(pageLength = 5, scrollX = TRUE),
caption = "Tabla 1. Base de inmuebles identificados en Las Pitas"
)
```
Esta tabla funciona como punto de partida del análisis. Permite revisar de forma ordenada la información disponible de cada inmueble. Se observa que los tres registros de casas tienen información suficiente para comparar precios, mientras que los departamentos y cuartos tienen información parcial.
# 5. Indicadores generales del mercado
```{r}
#| label: tbl-indicadores-generales
#| echo: false
indicadores <- competencia_limpia %>%
filter(!is.na(precio)) %>%
summarise(
propiedades_con_precio = n(),
precio_promedio = mean(precio, na.rm = TRUE),
precio_minimo = min(precio, na.rm = TRUE),
precio_maximo = max(precio, na.rm = TRUE),
area_terreno_promedio = mean(area_terreno, na.rm = TRUE),
area_construccion_promedio = mean(area_construccion, na.rm = TRUE),
precio_m2_promedio = mean(precio_m2_final, na.rm = TRUE),
precio_m2_minimo = min(precio_m2_final, na.rm = TRUE),
precio_m2_maximo = max(precio_m2_final, na.rm = TRUE)
) %>%
mutate(
precio_promedio = dollar(round(precio_promedio, 2), prefix = "$", big.mark = ","),
precio_minimo = dollar(precio_minimo, prefix = "$", big.mark = ","),
precio_maximo = dollar(precio_maximo, prefix = "$", big.mark = ","),
area_terreno_promedio = round(area_terreno_promedio, 2),
area_construccion_promedio = round(area_construccion_promedio, 2),
precio_m2_promedio = dollar(round(precio_m2_promedio, 2), prefix = "$", big.mark = ","),
precio_m2_minimo = dollar(round(precio_m2_minimo, 2), prefix = "$", big.mark = ","),
precio_m2_maximo = dollar(round(precio_m2_maximo, 2), prefix = "$", big.mark = ",")
)
datatable(
indicadores,
options = list(dom = "t"),
caption = "Tabla 2. Indicadores generales de los inmuebles con precio disponible"
)
```
Los indicadores muestran una primera lectura del mercado. El precio mínimo registrado es de USD 140.000 y el máximo es de USD 230.000. Esto indica que las viviendas observadas se ubican en un rango medio y medio alto para el sector analizado.
El precio por metro cuadrado es especialmente útil porque evita comparar únicamente el precio total. Una propiedad puede parecer más cara porque tiene más área, pero al dividir el precio para el área construida se obtiene una medida más justa de comparación.
# 6. Comparación del precio de venta
```{r}
#| label: fig-precio-venta
#| echo: false
#| fig-cap: "Precio de venta de las propiedades comparables"
competencia_limpia %>%
filter(!is.na(precio)) %>%
mutate(nombre_inmueble = paste0("ID ", id, " - ", tipo, " - ", vendedor)) %>%
ggplot(aes(x = reorder(nombre_inmueble, precio), y = precio, fill = tipo)) +
geom_col() +
coord_flip() +
scale_y_continuous(labels = dollar_format(prefix = "$", big.mark = ",")) +
labs(
title = "Precio de venta de propiedades competidoras",
subtitle = "Sector Las Pitas - Loja",
x = "Inmueble",
y = "Precio de venta en USD",
fill = "Tipo"
) +
theme_minimal()
```
El gráfico permite observar con claridad qué inmueble tiene el mayor precio total. La casa de USD 230.000 ocupa la posición más alta, seguida por la casa de USD 200.000 y luego la casa de USD 140.000.
Sin embargo, esta comparación todavía es incompleta si se usa sola. El precio total no permite saber si una propiedad es cara o barata en relación con su tamaño. Por eso, el siguiente paso es comparar el precio por metro cuadrado construido.
# 7. Comparación del precio por metro cuadrado
```{r}
#| label: fig-precio-m2
#| echo: false
#| fig-cap: "Precio por metro cuadrado de construcción"
competencia_limpia %>%
filter(!is.na(precio_m2_final)) %>%
mutate(nombre_inmueble = paste0("ID ", id, " - ", tipo, " - ", vendedor)) %>%
ggplot(aes(x = reorder(nombre_inmueble, precio_m2_final),
y = precio_m2_final,
fill = tipo)) +
geom_col() +
coord_flip() +
scale_y_continuous(labels = dollar_format(prefix = "$", big.mark = ",")) +
labs(
title = "Precio por m² de construcción",
subtitle = "Comparación más precisa entre inmuebles",
x = "Inmueble",
y = "Precio por m² construido en USD",
fill = "Tipo"
) +
theme_minimal()
```
El precio por metro cuadrado cambia la lectura del mercado. Aunque una vivienda tenga menor precio total, puede resultar más cara en términos relativos si ofrece menos área construida. En este caso, la casa de USD 200.000 tiene el mayor precio por metro cuadrado, mientras que la casa de USD 140.000 presenta el menor valor unitario.
Desde una perspectiva comercial, el inmueble con menor precio por metro cuadrado puede ejercer presión competitiva si sus condiciones físicas, ubicación y servicios son adecuados.
# 8. Relación entre área construida y precio
```{r}
#| label: fig-area-precio
#| echo: false
#| fig-cap: "Relación entre área construida y precio de venta"
competencia_limpia %>%
filter(!is.na(precio), !is.na(area_construccion)) %>%
ggplot(aes(x = area_construccion, y = precio, color = tipo)) +
geom_point(size = 4) +
geom_smooth(method = "lm", se = FALSE) +
scale_y_continuous(labels = dollar_format(prefix = "$", big.mark = ",")) +
labs(
title = "Relación entre área construida y precio",
subtitle = "Lectura exploratoria con los inmuebles disponibles",
x = "Área construida en m²",
y = "Precio de venta en USD",
color = "Tipo"
) +
theme_minimal()
```
Este gráfico ayuda a observar si los precios aumentan cuando aumenta el área construida. En términos generales, esto suele ser esperable: una vivienda con mayor construcción tiende a tener un precio más alto.
No obstante, como la base tiene pocos registros, el gráfico debe interpretarse de forma exploratoria. No se debe usar todavía como un modelo de valoración definitivo, sino como una primera aproximación visual.
# 9. Mapa dinámico de inmuebles
```{r}
#| label: preparacion-popup-mapa
#| include: false
mapa_datos <- competencia_limpia %>%
mutate(
precio_popup = ifelse(
is.na(precio),
"No reporta",
dollar(precio, prefix = "$", big.mark = ",")
),
precio_m2_popup = ifelse(
is.na(precio_m2_final),
"No reporta",
dollar(round(precio_m2_final, 2), prefix = "$", big.mark = ",")
),
area_terreno_popup = ifelse(is.na(area_terreno), "No reporta", paste0(area_terreno, " m²")),
area_construccion_popup = ifelse(is.na(area_construccion), "No reporta", paste0(area_construccion, " m²")),
dormitorios_popup = ifelse(is.na(dormitorios), "No reporta", as.character(dormitorios)),
banos_popup = ifelse(is.na(banos), "No reporta", as.character(banos)),
garaje_popup = ifelse(is.na(garaje), "No reporta", as.character(garaje)),
antiguedad_popup = ifelse(is.na(antiguedad), "No reporta", antiguedad),
popup = paste0(
"<strong>ID:</strong> ", id, "<br>",
"<strong>Vendedor:</strong> ", vendedor, "<br>",
"<strong>Tipo:</strong> ", tipo, "<br>",
"<strong>Barrio:</strong> ", barrio, "<br>",
"<strong>Área terreno:</strong> ", area_terreno_popup, "<br>",
"<strong>Área construcción:</strong> ", area_construccion_popup, "<br>",
"<strong>Dormitorios:</strong> ", dormitorios_popup, "<br>",
"<strong>Baños:</strong> ", banos_popup, "<br>",
"<strong>Garaje:</strong> ", garaje_popup, "<br>",
"<strong>Antigüedad:</strong> ", antiguedad_popup, "<br>",
"<strong>Precio:</strong> ", precio_popup, "<br>",
"<strong>Precio/m² construcción:</strong> ", precio_m2_popup, "<br>",
"<strong>Servicios cercanos:</strong> ", servicios_cercanos, "<br>",
"<strong>Contacto:</strong> ", contacto, "<br>",
"<strong>Observaciones:</strong> ", observaciones, "<br>",
"<strong>Enlace:</strong> <a href='", enlace, "' target='_blank'>Ver imagen o ficha</a>"
)
)
paleta_tipos <- colorFactor(
palette = c("#1f5b6d", "#80d8eb", "#cabfa1"),
domain = mapa_datos$tipo
)
```
```{r}
#| label: fig-mapa-competencia
#| echo: false
leaflet(mapa_datos) %>%
addProviderTiles(providers$CartoDB.Positron) %>%
addCircleMarkers(
lng = ~lon,
lat = ~lat,
radius = ~case_when(
tipo == "Casa" ~ 10,
tipo == "Departamentos" ~ 9,
tipo == "Cuartos" ~ 8,
TRUE ~ 7
),
color = ~paleta_tipos(tipo),
fillColor = ~paleta_tipos(tipo),
fillOpacity = 0.85,
stroke = TRUE,
weight = 1,
popup = ~popup,
label = ~paste0("ID ", id, " - ", tipo, " - ", vendedor)
) %>%
addLegend(
position = "bottomright",
pal = paleta_tipos,
values = ~tipo,
title = "Tipo de inmueble"
)
```
El mapa dinámico muestra los cinco puntos de la base de datos. Cada punto representa un inmueble identificado en el sector Las Pitas. Al hacer clic sobre cada marcador se despliega una ficha con información del vendedor, tipo de inmueble, áreas, precio, servicios cercanos, contacto y enlace de referencia.
Esta visualización es importante porque el precio inmobiliario no depende únicamente de las características internas de la vivienda. También depende de la localización, accesibilidad, cercanía a servicios, transporte, equipamientos y dinámica urbana del sector.
# 10. Segmentación competitiva
```{r}
#| label: tbl-segmentacion-competitiva
#| echo: false
segmentacion <- competencia_limpia %>%
mutate(
segmento_precio = case_when(
is.na(precio) ~ "Sin precio de venta",
precio < 150000 ~ "Medio",
precio >= 150000 & precio < 220000 ~ "Medio alto",
precio >= 220000 ~ "Alto"
),
segmento_area = case_when(
is.na(area_construccion) ~ "Sin información",
area_construccion < 80 ~ "Pequeña",
area_construccion >= 80 & area_construccion < 200 ~ "Mediana",
area_construccion >= 200 ~ "Grande"
),
posicionamiento = case_when(
is.na(precio_m2_final) ~ "No comparable por precio/m²",
precio_m2_final < mean(precio_m2_final, na.rm = TRUE) ~ "Precio unitario competitivo",
precio_m2_final >= mean(precio_m2_final, na.rm = TRUE) ~ "Precio unitario superior al promedio"
)
) %>%
select(
id, vendedor, tipo, area_construccion, precio,
precio_m2_final, segmento_precio, segmento_area,
tipo_analisis, posicionamiento
) %>%
mutate(
precio = ifelse(
is.na(precio),
"No reporta",
dollar(precio, prefix = "$", big.mark = ",")
),
precio_m2_final = ifelse(
is.na(precio_m2_final),
"No reporta",
dollar(round(as.numeric(precio_m2_final), 2), prefix = "$", big.mark = ",")
)
)
datatable(
segmentacion,
options = list(pageLength = 5, scrollX = TRUE),
caption = "Tabla 3. Segmentación competitiva de los inmuebles identificados"
)
```
La segmentación ayuda a convertir los datos en criterios de decisión. Los inmuebles pueden clasificarse según su precio, tamaño y nivel de comparabilidad. Esto evita interpretar todos los registros como si fueran equivalentes.
Las casas son los comparables más fuertes para analizar precios de venta. Los departamentos y cuartos, aunque no tienen información completa de venta, ayudan a comprender que el sector también tiene una dinámica de arriendo y ocupación habitacional.
# 11. Lectura didáctica de los resultados
Para interpretar correctamente este análisis se deben considerar tres ideas principales.
Primero, el **precio total** permite conocer cuánto pide el vendedor por el inmueble, pero no siempre permite comparar de forma justa. Una vivienda más grande puede tener un precio total más alto, aunque en realidad sea más barata por metro cuadrado.
Segundo, el **precio por metro cuadrado construido** es una medida más comparable. Este indicador ayuda a responder una pregunta clave: ¿cuánto está pagando el comprador por cada metro cuadrado de construcción?
Tercero, la **ubicación** también influye en el precio. Dos inmuebles con áreas similares pueden tener precios distintos si uno está más cerca de vías principales, transporte, servicios, comercios o equipamientos urbanos.
# 12. Hallazgos principales
A partir de la base analizada se pueden destacar los siguientes hallazgos:
1. Se identificaron cinco inmuebles en el sector Las Pitas.
2. Tres inmuebles son casas con información suficiente para comparación de venta.
3. Dos inmuebles corresponden a departamentos y cuartos, útiles como referencia de dinámica habitacional.
4. El precio de venta de las casas se ubica entre USD 140.000 y USD 230.000.
5. El precio por metro cuadrado construido varía entre aproximadamente USD 777,78 y USD 1.111,11.
6. La casa de USD 140.000 presenta el menor precio por metro cuadrado construido.
7. La casa de USD 200.000 presenta el mayor precio por metro cuadrado construido.
8. El mapa confirma que los cinco inmuebles se ubican dentro del mismo entorno urbano de análisis.
# 13. Conclusión
El análisis muestra que el sector Las Pitas cuenta con una oferta inmobiliaria variada, compuesta por casas, departamentos y cuartos. Para evaluar un nuevo proyecto inmobiliario en la Ciudadela del Chofer no basta con observar el precio total de los inmuebles competidores. Es necesario analizar también el precio por metro cuadrado, el área construida, la antigüedad, los servicios cercanos y la ubicación.
Desde una perspectiva comercial, una nueva oferta inmobiliaria podría posicionarse mejor si combina un precio por metro cuadrado competitivo, buena calidad constructiva, cercanía a servicios y una propuesta diferenciada frente a las viviendas ya existentes en el sector.
