La propiedad inmobiliaria en dificultades es una casa al borde de la ejecución hipotecaria o que ya es propiedad del banco. Los inversores a menudo buscan estas propiedades debido a la oportunidad de comprar una casa con descuento.

Sin embargo, encontrar estas propiedades y evaluar su potencial puede ser una tarea desafiante , especialmente en las grandes ciudades con mercados inmobiliarios complejos.

Los mapas de calor geográficos pueden ser una herramienta poderosa para descubrir descuentos en propiedades inmobiliarias en dificultades. Los mapas de calor utilizan códigos de colores para representar valores en un mapa, lo que facilita la identificación de tendencias y patrones. En este artículo, le mostraremos cómo en Vendue Tech creamos mapas de calor geográficos en Python utilizando datos inmobiliarios para identificar descuentos en propiedades en dificultades en Croacia y España para nuestros clientes.

Vendue Tech es una plataforma impulsada por IA, con sede en Polonia, que ayuda a los inversores a encontrar propiedades en dificultades infravaloradas y todos los datos y la visualización necesarios para participar y ganar las subastas.

Creación de un mapa de calor geográfico

Para crear un mapa de calor geográfico, usaremos la biblioteca folium en Python . Folium es una biblioteca de Python que facilita la creación de mapas interactivos con marcadores codificados por colores y superposiciones.

Los datos que necesitamos para esta tarea son:

1. Latitud y longitud de la propiedad
2. Descuento de la propiedad que se puede calcular dividiendo el precio mínimo de venta y el valor de mercado estimado

1. Importar datos y comprobar las columnas que necesitamos

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np 

data_mw = pd.DataFrame(pd.read_csv('Vendue_Tech/data/data_collection_mw_ml.csv',  low_memory=False))

df_loc = data_mw[['location','discount_calculated']]

df_loc

######################################################################

Out[16]: 
                   location  discount_calculated
41     45.816608, 15.941879             0.000000
71     44.558022, 14.886877             0.800000
182    45.828371, 16.067598             0.800000
200    45.650070, 16.537105             0.800000
201    45.650070, 16.537105             0.800000
                     ...                  ...
23570   41.417765, 2.207708             1.067182
23917  38.373215, -0.488444             0.250780
24087  39.948468, -0.095799             0.470790
24431  41.656043, -0.889369             0.636979
24537  38.090955, -0.727618             0.732907

df_loc[['latitude', 'longitude']] = df_loc['location'].str.split(',', expand=True)

# Convert the latitude and longitude columns to float type
df_loc[['latitude', 'longitude']] = df_loc[['latitude', 'longitude']].astype(float)

df_loc

######################################################################

Out[22]: 
                   location  discount_calculated   latitude  longitude
41     45.816608, 15.941879             0.000000  45.816608  15.941879
71     44.558022, 14.886877             0.800000  44.558022  14.886877
182    45.828371, 16.067598             0.800000  45.828371  16.067598
200    45.650070, 16.537105             0.800000  45.650070  16.537105
201    45.650070, 16.537105             0.800000  45.650070  16.537105
                     ...                  ...        ...        ...
23570   41.417765, 2.207708             1.067182  41.417765   2.207708
23917  38.373215, -0.488444             0.250780  38.373215  -0.488444
24087  39.948468, -0.095799             0.470790  39.948468  -0.095799
24431  41.656043, -0.889369             0.636979  41.656043  -0.889369
24537  38.090955, -0.727618             0.732907  38.090955  -0.727618

• Instalar Folio

pip install folium

lats_longs_weight = list(map(list, zip(df_loc["latitude"],df_loc["longitude"],
                          df_loc["discount_calculated"]
                         )))

lats_longs_weight[:5]

#####################################################################

Out[24]: 
[[45.816608, 15.941879, 0.0],
 [44.558022, 14.886877, 0.7999999598695077],
 [45.828371, 16.067598, 0.7999999580250712],
 [45.65007, 16.537105, 0.8000000798932306],
 [45.65007, 16.537105, 0.8000000798932306]]

#import libraries
import folium
from folium.plugins import HeatMap

#We set the zoom level by passing an integer value to the zoom_start attribute
#We chose location = [40.151384,-4.108039] so the plot iz zoomed around our most frequest location 
map_obj = folium.Map(location = [40.151384,-4.108039], zoom_start = 4)

#create our geo heatmap
HeatMap(lats_longs_weight).add_to(map_obj)

#save the heatmap
map_obj.save('map.html')

Resultados y conclusión

Podemos ver que en Croacia tenemos las mayores oportunidades alrededor de la capital, Zagreb, mientras que en España los mayores descuentos se pueden encontrar alrededor de Barcelona y Alicante. Para el trabajo futuro, será interesante explorar estos datos desglosados ​​por tipo de inmuebles, para que podamos ver dónde tenemos mayores descuentos en apartamentos y dónde buscar si queremos invertir en tierras de cultivo.

Nuestra herramienta de mapa de calor geográfico nos permitió visualizar descuentos en propiedades inmobiliarias en dificultades en toda la UE. Al analizar los datos inmobiliarios y visualizarlos en un mapa, pudimos identificar las áreas con los descuentos más altos y priorizar nuestra búsqueda de propiedades en dificultades en esas áreas. Esta técnica nos ayudó a identificar posibles oportunidades de inversión que de otro modo podríamos haber perdido.

Invertir en propiedades en dificultades puede ser un negocio arriesgado, pero con las herramientas y el análisis adecuados, también puede ser una oportunidad lucrativa. Es por eso que en Vendue Tech estamos creando herramientas que, al combinar diferentes fuentes de datos y técnicas, como mapas de calor geográficos, permiten a los inversores inmobiliarios obtener una ventaja competitiva en el mercado inmobiliario en dificultades.

Sígueme para obtener más aplicaciones de ciencia de datos en el dominio del mercado de propiedades en dificultades.

LN:https://www.linkedin.com/in/jelenajoksimovic92/

Referencias