Sistema de predicción de precios-venta de inmuebles en el mercado del sector inmobiliario de la Región Metropolitana de la República de Chile con el uso de algoritmos de machine learning

Abstract

El presente trabajo tiene por objetivo minimizar el error de pronóstico en la predicción de precios-venta en cada uno de los tipos de inmueble y operaciones inmobiliarias existentes en el mercado. Se seleccionan - o mantienen - los mejores algoritmos, con la finalidad de que la empresa pueda mejorar la predicción de los precio-venta asociados a los inmuebles solicitados por sus clientes. Vendiendo un producto más confiable, que facilite y logre clientes fidedignos con el tiempo. Se cuantificará el beneficio financiero que esta investigación le otorga a la empresa. Se trabaja con datos de la Región Metropolitana fluctuantes entre marzo del 2019 a mayo del 2019. Éstos poseen características observables que serán de utilidad a la hora de predecir con los algoritmos de predicción enunciados en la presente memoria. Cabe señalar que fueron extraídos de la página web: www.portalinmobiliario.com. Se realiza la estimación del precio de venta de los bienes inmobiliarios pertenecientes a las siguientes categorías: (1) arriendo-comercial, (2) arriendo-casa, (3) arriendo-departamento, (4) arriendo-oficina, (5) venta-comercial, (6) venta-casa, (7) venta-departamento, (8) venta- oficina. Para ello se utilizarán algoritmos de Machine Learning con métodos de regresión con solo una variable dependiente, normalizada con logaritmo natural. Se testearán 7 modelos de regresión: Linear Regression, Decission Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, Artificial Neural Networking, Kernel Smoothing Regression. Se ha concluido que Random Forest es el algoritmo más eficiente - en comparación al que posee la empresa - a la hora de predecir los precio-venta analizados. Particularmente por la disminución del MAE en los siguientes escenarios: (1) arriendo de oficinas (MAE: -0,0097), (2) departamentos (MAE: -0,0034) y (3) venta oficinas (MAE: -0,0261) dentro de la Región Metropolitana de la República Chile. En paralelo, el modelo de la empresa - Generalized Boosted Regression - es un mejor modelo predictivo en el mercado de venta de casas y departamentos. Considerando los resultados de lo anteriormente expuesto; se concluye un beneficio estadístico- total de 0,039 puntos MAE para la ganancia. Lo anterior conlleva a una ganancia monetaria- semestral de $CLP 9.750.000. Se aconseja a la empresa inmobiliaria centrar su análisis estadístico en la predicción segmentada de sus inmuebles (según sus características), en vez de buscar inmuebles similares en la vecindad de un elemento interesante para empezar a predecir en base a ellos. Finalmente se solicita tener en consideración la optimización paramétrica, pues con ella convergerán a mejores resultados a medida que se minimiza el error asociado.