Un bien immobilier en difficulté est une maison au bord de la saisie ou déjà détenue par la banque. Les investisseurs recherchent souvent ces propriétés en raison de la possibilité d'acheter une maison à prix réduit.

Cependant, trouver ces propriétés et évaluer leur potentiel peut être une tâche difficile , en particulier dans les grandes villes avec des marchés immobiliers complexes.

Les cartes thermiques géographiques peuvent être un outil puissant pour découvrir des remises sur des propriétés immobilières en difficulté. Les cartes thermiques utilisent un code couleur pour représenter les valeurs sur une carte, ce qui facilite l'identification des tendances et des modèles. Dans cet article, nous vous montrerons comment, dans Vendue Tech , nous avons créé des cartes thermiques géographiques en Python en utilisant des données immobilières pour identifier les remises sur les propriétés en difficulté en Croatie et en Espagne pour nos clients.

Vendue Tech est une plate-forme alimentée par l'IA, basée en Pologne, qui aide les investisseurs à trouver des propriétés en difficulté sous-évaluées , ainsi que toutes les données et visualisations nécessaires pour participer et gagner les enchères.

Création d'une carte thermique géographique

Pour créer une carte thermique géographique, nous utiliserons la bibliothèque folium en Python . Folium est une bibliothèque Python qui facilite la création de cartes interactives avec des marqueurs et des superpositions à code couleur.

Les données dont nous avons besoin pour cette tâche sont :

1. Latitude et longitude du bien
2. Remise du bien qui peut être calculée en divisant le prix de vente minimum et la valeur marchande estimée

1. Importer des données et vérifier les colonnes dont nous avons besoin

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

• Installer Folium

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')

Résultats et conclusion

Nous pouvons voir qu'en Croatie, nous avons les plus grandes opportunités autour de la capitale -Zagreb, tandis qu'en Espagne, les plus grandes remises se trouvent autour de Barcelone et d'Alicante. Pour les travaux futurs, il sera intéressant d'explorer ces données ventilées par type de biens immobiliers, afin que nous puissions voir où nous avons les plus grandes remises sur les appartements et où chercher si nous voulons investir dans les labours.

Notre outil géothermique nous a permis de visualiser les remises sur les biens immobiliers en difficulté dans toute l'UE. En analysant les données immobilières et en les visualisant sur une carte, nous avons pu identifier les zones avec les remises les plus élevées et prioriser notre recherche de propriétés en difficulté dans ces zones. Cette technique nous a aidés à identifier les opportunités d'investissement potentielles que nous aurions pu manquer autrement.

Investir dans des propriétés en difficulté peut être une entreprise risquée, mais avec les bons outils et analyses, cela peut aussi être une opportunité lucrative. C'est pourquoi, chez Vendue Tech, nous créons des outils qui, en combinant différentes sources de données et techniques, telles que les cartes thermiques géographiques, permettent aux investisseurs immobiliers d'acquérir un avantage concurrentiel sur le marché immobilier en difficulté.

Suivez-moi pour plus d'applications Data Science dans le domaine du marché des propriétés en détresse.

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

Les références