Nieruchomości w trudnej sytuacji to dom na skraju przejęcia lub będący już własnością banku. Inwestorzy często szukają tych nieruchomości ze względu na możliwość zakupu domu ze zniżką.

Jednak znalezienie tych nieruchomości i ocena ich potencjału może być trudnym zadaniem , zwłaszcza w dużych miastach o złożonych rynkach nieruchomości.

Geomapy popularności mogą być potężnym narzędziem do wyszukiwania zniżek na nieruchomości w trudnej sytuacji. Mapy cieplne wykorzystują kodowanie kolorami do przedstawiania wartości na mapie, co ułatwia identyfikację trendów i wzorców. W tym artykule pokażemy, jak w Vendue Tech stworzyliśmy geomapy popularności w Pythonie, korzystając z danych nieruchomości, aby zidentyfikować zniżki na nieruchomości w trudnej sytuacji w Chorwacji i Hiszpanii dla naszych klientów.

Vendue Tech to oparta na sztucznej inteligencji platforma z siedzibą w Polsce, która pomaga inwestorom znaleźć niedoceniane nieruchomości w trudnej sytuacji oraz wszystkie niezbędne dane i wizualizacje , aby uczestniczyć i wygrywać aukcje.

Tworzenie geomapy termicznej

Do stworzenia geomapy cieplnej użyjemy biblioteki folium w Pythonie . Folium to biblioteka Pythona, która ułatwia tworzenie interaktywnych map z kolorowymi znacznikami i nakładkami.

Dane, których potrzebujemy do tego zadania to:

1. Szerokość i długość geograficzna nieruchomości
2. Dyskont nieruchomości , który można obliczyć, dzieląc minimalną cenę sprzedaży i szacunkową wartość rynkową

1. Zaimportuj dane i sprawdź potrzebne nam kolumny

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

• Zainstaluj 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')

Wyniki i wnioski

Widzimy, że w Chorwacji największe możliwości mamy w okolicach stolicy - Zagrzebia, podczas gdy w Hiszpanii największe rabaty można znaleźć w okolicach Barcelony i Alicante. W dalszej pracy interesujące będzie zbadanie tych danych w podziale na rodzaje nieruchomości, abyśmy mogli zobaczyć, gdzie mamy największe zniżki na mieszkania i gdzie szukać, jeśli chcemy inwestować w grunty orne.

Nasze narzędzie do mapy cieplnej geograficznej umożliwiło nam wizualizację rabatów na nieruchomości w trudnej sytuacji w całej UE. Analizując dane dotyczące nieruchomości i wizualizując je na mapie, byliśmy w stanie zidentyfikować obszary z najwyższymi rabatami i nadać priorytet naszym poszukiwaniom nieruchomości w trudnej sytuacji na tych obszarach. Ta technika pomogła nam zidentyfikować potencjalne możliwości inwestycyjne, które w innym przypadku moglibyśmy przegapić.

Inwestowanie w nieruchomości w trudnej sytuacji może być ryzykownym biznesem, ale przy odpowiednich narzędziach i analizach może być również lukratywną okazją. Dlatego w Vendue Tech tworzymy narzędzia, które łącząc różne źródła danych i techniki, takie jak geomapy cieplne, pozwalają inwestorom na rynku nieruchomości uzyskać przewagę konkurencyjną na trudnym rynku nieruchomości.

Śledź mnie, aby uzyskać więcej aplikacji Data Science w domenie rynku Distressed Properties.

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

Bibliografia