En el sector inmobiliario, y en cualquier otra industria, es importante poder predecir con precisión la probabilidad de que un prospecto compre nuestro producto o servicio y en particular un departamento en la industria inmobiliaria. Esto puede ayudar a los vendedores y agentes inmobiliarios a enfocar sus esfuerzos de marketing y a tomar decisiones sobre el precio y la estrategia de venta. Un modelo de machine learning (ML) puede ser una herramienta útil para hacer estas predicciones.
Un modelo de ML se basa en datos pasados y patrones para hacer predicciones sobre eventos futuros. En el caso de la compra de un departamento, un modelo de ML podría utilizar información como el precio del departamento, la ubicación, el tamaño y las características del edificio, así como datos demográficos y económicos del comprador potencial, para predecir la probabilidad de que el comprador finalmente adquiera el departamento.
Hay varios algoritmos de ML que pueden ser utilizados para calcular la probabilidad de compra de un prospecto. Algunos de los algoritmos más comunes que se utilizan en este contexto incluyen:
- Regresión logística: Esta es una técnica de regresión utilizada para predecir la probabilidad de que un evento ocurra (en este caso, la compra de un departamento).
- Árboles de decisión: Los árboles de decisión son un algoritmo de clasificación que se utiliza para predecir la probabilidad de que un evento ocurra basándose en un conjunto de características o variables.
- Random Forest: esta es una técnica de aprendizaje automático que combina múltiples árboles de decisión para mejorar la precisión de las predicciones.
- SVM (Support Vector Machine): SVM es un algoritmo de clasificación que se utiliza para predecir la probabilidad de que un evento ocurra basándose en un conjunto de características o variables.
- Redes neuronales: Las redes neuronales son una técnica de aprendizaje automático que imita la forma en que el cerebro humano procesa la información. Se utilizan comúnmente para hacer predicciones de probabilidad en una variedad de contextos.
El algoritmo más adecuado dependerá del conjunto de datos y de las características disponibles, así como de las necesidades específicas de la aplicación. Es posible que sea necesario probar diferentes algoritmos para encontrar el que proporcione las mejores predicciones en un determinado contexto.
Para entrenar y desarrollar un modelo de ML que nos ayude a predecir la probabilidad de compra de un departamento, se necesitan grandes cantidades de datos de compras pasadas y un conjunto de características que se sospecha que pueden ser importantes para la decisión de compra. Una vez que se tienen estos datos, se puede utilizar alguno de los algoritmos arriba mencionados para “entrenar” el modelo a partir de ellos, de modo que pueda hacer predicciones precisas sobre compras futuras.
Una vez que se ha entrenado y desarrollado un modelo de ML para predecir la probabilidad de compra de un departamento, este puede utilizarse de muchas maneras útiles en el sector inmobiliario. Por ejemplo, los vendedores y agentes inmobiliarios pueden utilizar el modelo para determinar qué departamentos tienen más probabilidades de ser vendidos y enfocar sus esfuerzos de marketing en ellos. También pueden utilizar el modelo para ayudar a establecer precios más precisos y estrategias de venta más efectivas.
A manera de ejemplo he desarrollado varios modelos de ML básicos para intentar determinar, en función de mis datos: 2 proyectos en el distrito de San Miguel, qué modelo se ajusta mejor para predecir la probabilidad de compra de prospectos.
En mi caso y con los datos que manejo se pudo conseguir un accuracy de un 0.702, que para un modelo inicial se puede decir que es una métrica decente de donde se puede partir para empezar a mejorar los hiperparámetros y hacer ingeniería de datos para poder mejorar la métrica.
“Un accuracy de 0.7 significa que el modelo de clasificación es capaz de predecir correctamente el resultado de una clase en el 70% de los casos. En nuestro caso, si estamos tratando de predecir si un prospecto va a comprar un departamento a partir de características recopiladas del prospecto, y el modelo tiene un accuracy de 0.7, significa que en el 70% de los casos el modelo será capaz de predecir correctamente si la persona comprará un departamento.
Es importante tener en cuenta que el accuracy es solo una métrica y puede no ser la más adecuada dependiendo del problema en cuestión. Por ejemplo, si estamos tratando de predecir si un paciente tiene o no una enfermedad grave, es posible que sea más importante minimizar el número de falso negativos (es decir, casos en los que el modelo dice que el paciente no tiene la enfermedad cuando en realidad sí la tiene) que maximizar el accuracy. En este caso, puede ser más útil usar otras métricas como precision o el recall.”
Conclusión
En resumen, un modelo de ML puede ser una herramienta valiosa para predecir la probabilidad de compra de un departamento en el sector inmobiliario. Al utilizar datos pasados y patrones para hacer predicciones precisas sobre compras futuras, puede ayudar a los vendedores y agentes inmobiliarios a tomar decisiones más informadas y aumentar su éxito en la venta de departamentos.
Quieres recibir más de esta información, suscríbete a mis newsletters.
Quieres que te ayude con tus datos, contáctame https://linktr.ee/afernandezl
