· L'inspiration
· Les données
· Analyse avec Python
· Visualisations
∘ Marque de la voiture par rapport au prix
∘ Modèle de la voiture par rapport au prix
∘ Année de la voiture par rapport au
prix ∘ Kilométrage de la voiture par rapport au prix
∘ Année de la voiture par rapport au kilométrage
· Le résultat
· Conclusion

L'inspiration

Il y a quelques mois, la transmission de ma voiture est morte et je me suis soudainement retrouvé sur le marché pour acheter une voiture d'occasion. Pour rendre les choses un peu plus dramatiques , mes grands-parents venaient en visite de l'étranger dans 4 semaines et j'avais besoin de trouver rapidement un moyen de les conduire à des fins touristiques. J'ai rapidement sauté sur Facebook Marketplace, Gumtree, etc., et j'ai commencé à marquer des centaines de voitures d'occasion.

Après ce qui m'a semblé être des jours passés à regarder l'écran de l'ordinateur à chaque instant libre, je me suis retrouvé complètement submergé par la quantité d'options. Je ne savais pas comment aborder la recherche efficacement et j'avais l'impression de défiler sans fin. C'est alors que j'ai décidé que quelque chose devait changer.

Je me suis dit que si je pouvais simplement comparer les voitures que j'ai mises en signet avec un certain type de visualisations, j'aurais une bien meilleure compréhension de ce à quoi ressemblait une voiture d'occasion « bonne affaire » ou « bon rapport qualité-prix ». C'est alors que j'ai réalisé que je pouvais appliquer quelques Excel et Python très basiques afin de faciliter ma recherche.

Les données

Idéalement, j'aurais utilisé le grattage Web afin de numériser rapidement mes voitures marquées d'un signet. Lorsque je suis allé le faire, je n'arrivais pas à gratter l'url de mes éléments enregistrés sur Facebook Marketplace. Pour gagner du temps, j'ai décidé de saisir manuellement les détails dans une feuille de calcul Excel. Ce processus a pris environ 15 minutes.

Lors de la mise en signet des voitures, je n'enregistrais généralement que les voitures qui étaient :

1. Plus récent que 2004
2. Marque Toyota ou Hyundai
3. Moins de 13 000 $
4. Nettoyer l'intérieur et l'extérieur

Voici un instantané des données :

Analyse avec Python

Afin d'analyser et de visualiser les données, j'ai utilisé Pandas, Matplotlib et Seaborn.

J'ai commencé par créer un cadre de données des données et en faisant une description simple pour comprendre les données de manière holistique.

Il semble que la voiture moyenne de notre ensemble de données soit une 2008 avec environ 144 000 km pour environ 8 700 $ . Nous pouvons garder ces moyennes à l'esprit lorsque nous examinons nos données pour comprendre si une voiture est au-dessus ou en dessous de l'un de ces paramètres.

Nous pouvons également combiner les valeurs minimales et maximales pour comprendre à quoi ressemblerait la voiture "idéale" de notre ensemble. La voiture idéale serait une 2014 avec 35 000 km pour 2 000 $ . C'est évidemment irréaliste, mais nous pouvons garder ces valeurs idéales à l'esprit lorsque nous regardons nos visualisations.

Visualisations

Après avoir examiné les données, j'ai commencé à créer des visualisations sur plusieurs variables afin de comprendre à quoi ressemblait une voiture "de bonne valeur". Voici quelques-unes des visualisations que j'ai trouvées utiles :

Marque de voiture vs prix

Dans ce visuel, nous comparons le prix moyen des voitures par marque, à savoir Toyota et Hyundai.

Nous devons garder à l'esprit que ces informations sont relatives aux autres données qui ne sont pas présentes dans cet affichage, comme l'année et le kilométrage. Cependant, ce visuel nous permet de comprendre rapidement les prix auxquels nous pouvons nous attendre pour les deux marques de voitures différentes dans notre ensemble de données : en moyenne, les Hyundai seront plus chères que les Toyota.

Modèle de voiture vs prix

Dans ce visuel nous comparons le prix moyen des voitures par modèle.

Encore une fois, nous devons garder à l'esprit que ces informations sont relatives aux autres données qui ne sont pas présentes dans cet affichage, comme l'année et le kilométrage. Cependant, ce visuel nous permet de comprendre rapidement le prix auquel nous pouvons nous attendre pour chaque modèle de voiture dans notre ensemble de données : les Prius sont les modèles les moins chers tandis que les i30 sont les plus chers.

Année de la voiture par rapport au prix

Dans ce visuel, nous pouvons voir l'année des voitures par rapport au prix, avec la teinte définie pour le modèle de voiture.

Comme vous pouvez le constater, il faut s'attendre à une légère tendance à la hausse, car cela signifie que plus la voiture est récente, plus le prix est élevé. Dans ce visuel, une voiture d'un bon rapport qualité-prix serait une voiture plus récente à un prix moindre. Par exemple, l' i30 2011 entre 6 000 et 8 000 $ semble être une bonne affaire.

Nous pouvons trouver cette voiture dans notre ensemble de données afin de voir les détails manquants, comme le kilométrage, afin de comprendre s'il s'agit en fait d'un bon rapport qualité-prix. Voici les détails manquants sur cette voiture :

Cette voiture a 188 000 km, ce qui est plus élevé que je ne le souhaiterais, mais compte tenu du prix et de l'année, cela pourrait être une bonne option.

Voici une autre version des mêmes informations sous forme de graphique à barres par opposition à un nuage de points :

Dans ce visuel, nous pouvons voir que les modèles i30 et Yaris constituent la majorité des voitures les plus récentes de l'ensemble de données. Cela pourrait impliquer que les prix des autres modèles de voitures étaient trop élevés pour les voitures plus récentes et, par conséquent, ils n'ont pas fait la différence lorsque j'ai mis en signet.

Le montant maximal que je voulais dépenser pour une voiture d'occasion était de 10 000 $, j'ai donc fixé le montant maximal de ma recherche à 13 000 $ afin que je puisse essayer de négocier si je trouvais une voiture qui me plaisait à ce prix.

Kilométrage de la voiture par rapport au prix

Dans ce visuel, nous pouvons voir le kilométrage des voitures par rapport au prix, avec la teinte définie sur l'année de la voiture.

Comme vous pouvez le constater, il faut s'attendre à une légère tendance à la baisse, car cela signifie que plus la voiture a de kilométrage, plus le prix est bas. Dans ce visuel, une voiture d'un bon rapport qualité-prix serait une voiture avec moins de kilométrage pour un prix moindre, tout en étant relativement neuve. Par exemple, la voiture 2010 d'environ 8 500 $ avec environ 70 000 km semble être d'un bon rapport qualité-prix.

Nous pouvons à nouveau retrouver cette voiture dans notre ensemble de données afin de voir les détails manquants afin de comprendre si c'est en fait une bonne valeur. Voici les détails manquants sur cette voiture :

Nous pouvons voir qu'il s'agit d'une Toyota Yaris. Tous les détails de cette voiture sont favorables et me portent à croire qu'il s'agit en fait d'un bon rapport qualité-prix et qu'il pourrait s'agir de la bonne voiture pour moi.

Année de la voiture par rapport au kilométrage

Dans ce visuel, nous pouvons voir l'année des voitures par rapport au kilométrage, avec la teinte définie sur le prix.

Nous nous attendrions à ce que les voitures à faible kilométrage qui sont plus récentes soient les plus chères, donc toutes les voitures d'une teinte plus claire en bas à droite de l'intrigue seraient la meilleure valeur. Les voitures 2008-2010 avec moins de 110 000 km pour un prix compris entre 8 000 et 10 000 $ semblent être d'un bon rapport qualité-prix.

Voici les options de voiture qui existent dans ces paramètres :

La Yaris 2010 d'en haut réapparaît. Étant donné que la même voiture a été vue deux fois dans nos visuels de bonne valeur, je pouvais voir que c'était une bonne option.

Le résultat

Après avoir croisé toutes les meilleures offres dans une sorte de diagramme de Venn, je suis arrivé à la conclusion que les paramètres suivants constituent la meilleure voiture d'occasion :

Prix ​​: 8 000 à 10 000 $

Année : 2008 et plus

Kilométrage : 120 000kms et moins

Marque : Yaris ou i30

Modèle : Toyota ou Hyundai

Nous pouvons jeter un œil aux voitures de notre ensemble de données qui répondent à ces critères :

À ce stade de ma recherche, la plupart des voitures ci-dessus n'étaient plus sur le marché. Cependant, plutôt que d'essayer d'acheter ces voitures exactes, j'ai pu utiliser les critères lors de la création de recherches sur Facebook Marketplace et Gumtree et être confiant dans le fait que les voitures seraient d'un bon rapport qualité-prix.

Conclusion

Après tout ce travail, je me sentais en sécurité dans mon analyse prête à sortir et à acheter une voiture ! Une fois que j'ai trouvé quelques voitures dans ma recherche mise à jour en utilisant les critères ci-dessus, j'ai rencontré un problème que l'on ne pouvait affronter que dans le monde réel… mon mécanicien qui s'est joint à moi pour examiner ces voitures a pu identifier de gros problèmes avec chacun et chacun d'eux ! Cela m'a prouvé que peu importe la qualité de l'analyse et l'effort que vous mettez dans vos modèles, le monde réel peut toujours servir quelque chose de différent et d'inattendu.

Soudain frappé par un nouveau problème et toujours pressé par le temps, je suis devenu un voyou. J'ai trouvé une voiture chez un concessionnaire qui ne répondait à aucun de mes critères, mais m'a donné l'assurance que la voiture était irréprochable. En fin de compte, j'ai décidé que la sécurité de la garantie et l'achat auprès d'un concessionnaire valaient un prix plus élevé.

Bien que les résultats de mon analyse se soient avérés inutiles d'après mon expérience, j'ai trouvé que l'application de simples Excel et Python dans cette recherche de voitures d'occasion était un si bon cas d'utilisation pour utiliser quelque chose que nous apprenons dans une salle de classe dans le monde réel. J'espère que cet article encouragera quelqu'un d'autre à appliquer quelques simples Excel et Python à une autre situation réelle.