Properti real estat yang tertekan adalah rumah di ambang penyitaan atau sudah dimiliki oleh bank. Investor sering mencari properti ini karena kesempatan untuk membeli rumah dengan harga diskon.

Namun, menemukan properti ini dan mengevaluasi potensinya dapat menjadi tugas yang menantang , terutama di kota-kota besar dengan pasar real estat yang kompleks.

Peta panas geo dapat menjadi alat yang ampuh untuk menemukan diskon di properti real estat yang bermasalah. Peta panas menggunakan kode warna untuk merepresentasikan nilai pada peta, sehingga memudahkan untuk mengidentifikasi tren dan pola. Pada artikel ini, kami akan menunjukkan kepada Anda bagaimana di Vendue Tech kami membuat geo heatmaps dengan Python menggunakan data real estat untuk mengidentifikasi diskon di properti yang bermasalah di seluruh Kroasia dan Spanyol untuk klien kami.

Vendue Tech adalah platform bertenaga AI, berbasis di Polandia, yang membantu investor menemukan properti tertekan yang dinilai terlalu rendah , dan semua data & visualisasi yang diperlukan untuk berpartisipasi dan memenangkan lelang.

Membuat Peta Panas Geo

Untuk membuat geo heatmap kita akan menggunakan folium library di Python . Folium adalah pustaka Python yang memudahkan pembuatan peta interaktif dengan penanda dan overlay berkode warna.

Data yang kami butuhkan untuk tugas ini adalah:

1. Lintang dan bujur properti
2. Diskon properti yang dapat dihitung dengan membagi harga jual minimum dan estimasi nilai pasar

1. Impor data dan periksa kolom yang kita butuhkan

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

• Instal 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')

Hasil dan kesimpulan

Kita dapat melihat bahwa di Kroasia kami memiliki peluang terbesar di sekitar ibu kota -Zagreb, sedangkan di Spanyol diskon terbesar dapat ditemukan di sekitar Barcelona dan Alicante. Untuk pekerjaan di masa mendatang, akan menarik untuk mengeksplorasi data ini yang dipecah berdasarkan jenis real estat, sehingga kita dapat melihat di mana kita memiliki diskon terbesar untuk apartemen dan di mana mencarinya jika kita ingin berinvestasi di tanah bajak.

Alat peta panas geo kami memungkinkan kami untuk memvisualisasikan diskon di properti real estat yang tertekan di seluruh UE. Dengan menganalisis data real estat dan memvisualisasikannya di peta, kami dapat mengidentifikasi area dengan diskon tertinggi dan memprioritaskan pencarian kami untuk properti yang bermasalah di area tersebut. Teknik ini membantu kami mengidentifikasi peluang investasi potensial yang mungkin telah kami lewatkan.

Berinvestasi dalam properti yang tertekan bisa menjadi bisnis yang berisiko, namun dengan alat dan analisis yang tepat, ini juga bisa menjadi peluang yang menguntungkan. Itulah mengapa di Vendue Tech kami membuat alat yang, dengan menggabungkan berbagai sumber data dan teknik, seperti geo heatmaps, memungkinkan investor real estat mendapatkan keunggulan kompetitif di pasar real estat yang tertekan.

Ikuti saya untuk aplikasi Ilmu Data lainnya di domain pasar Distressed Properties.

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

Referensi