¿Sabías que aplicando Machine Learning es posible predecir en dónde invertir, en dónde comprar terrenos para luego levantar edificios de oficina o de vivienda que a un mediano plazo su valor pueda incrementar mucho más en comparación con el resto? ¿Cómo lo hacemos?
Explicaremos de manera práctica y resumida en estos cuatro pasos:
- Se empieza por obtener los atributos que estén disponibles, como por ejemplo: NSE, % pobreza del vecindario, centros comerciales, instituciones educativas, clínicas/hospitales cerca y su distancia, además de cómo han ido evolucionando en el tiempo.
- Luego se construye un Modelo Predictivo con apoyo de la técnica de Web Scraping, el cual es un proceso que contempla la revisión y extracción de la información (de portales inmobiliarios mayoritariamente para obtener el precio que tienen apartamentos u oficinas en el sector a estudiar) para consolidarla en una base de datos con lógica analítica que incluya los precios & atributos de las oficinas y casas en la zona evaluada. Se utilizan técnicas de Machine Learning con aprendizaje supervisado como por ejemplo: regresiones lineales, árboles de decisión o random forest.
- Se evalúan los precios que predice el modelo con los precios presuntos a encontrar oportunidades para ver zonas en la que los precios sean inferiores o superiores a lo que entrega el modelo.
- Finalmente se identifica zonas potenciales, a partir de los resultados de los modelos, para invertir en proyectos inmobiliarios.
Esta aplicación se podría convertir de manera continua en empresas del sector inmobiliario generando alarmas cada vez que se presente una oportunidad de compra de terreno en función del Scraping por zona, vecindario o distrito/comuna. Puede ser aplicado a empresas inmobiliarias y también una gran ayuda a todos aquellos inversionistas que optan por compra/venta/alquiler de inmobiliarias como un ingreso más. Una vez más: “utilicemos la data y los modelos predictivos para generar mayor valor”.