A House Rocket é uma empresa fictícia de compra e venda de imóveis cujo CEO gostaria de maximizar seu lucro e diminuir perdas encontrando bons negócios. Foi solicitada à equipe de ciência de dados a análise de portfólio de imóveis disponíveis para compra e retorno com uma lista de sugestões de compra e venda para atender à demanda. Será entregue um app online para que todos os membros envolvidos no processo de compra e venda possam ter uma fácil visualização das seguintes funcionalidades:
- Tabela de sugestão com compra e preço de venda de imóveis;
- Mapa para visualização geográfica das propriedades disponíveis;
- Uma análise de hipóteses de negócios;
- Apresentação do lucro que a empresa poderá obter seguindo a lista de sugestão
webapp
Dataset overview
| Variable | Meaning |
|---|---|
| id | Unique ID for each home sold |
| date | Date of the home sale |
| price | Price of each home sold |
| bedrooms | Number of bedrooms |
| bathrooms | Number of bathrooms, where .5 accounts for a room with a toilet but no shower |
| sqft_living | Square footage of the apartments interior living space |
| sqft_lot | Square footage of the land space |
| floors | Number of floors |
| waterfront | A dummy variable for whether the apartment was overlooking the waterfront or not |
| view | An index from 0 to 4 of how good the view of the property was |
| condition | An index from 1 to 5 on the condition of the apartment, |
| grade | An index from 1 to 13, where 1-3 falls short of building construction and design, 7 has an average level of construction and design, and 11-13 have a high quality level of |
| sqft_above | The square footage of the interior housing space that is above ground level |
| sqft_basement | The square footage of the interior housing space that is below ground level |
| yr_built | The year the house was initially built |
| yr_renovated | The year of the house’s last renovation |
| zipcode | What zipcode area the house is in |
| lat | Lattitude |
| long | Longitude |
| sqft_living15 | The square footage of interior housing living space for the nearest 15 neighbors |
| sqft_lot15 | The square footage of the land lots of the nearest 15 neighbors |
- Quais propriedades a empresa deveria comprar e a qual preço ?
- Qual o melhor momento para a venda depois da compra ?
- Região e estação do ano afetam os preços de venda e revenda;
- As informações estão limitadas numa faixa de um ano de maio de 2014 a maio de 2015;
- Imóveis que apresentarem incoerência entre números de quartos e área total em comparação à média por quantidade de quartos serão considerados erros de digitação e serão deletados;
- Imóveis construídos antes de 1955 foram considerados velhos;
- Imóveis com classificação (grade) 7 foram considerados medianos aqueles com classificação de 11 a 13 foram considerados de alta qualidade;
- Imóveis com condição (condition) de 1 a 2 foram considerados em más condições e aqueles de 4 a 5 foram considerados em boas condições
- Para compra foi considerado propriedades em boas condições e preço menor que a mediana da região. O preço de revenda foi determinado da seguinte forma:
- se o preço for maior que a mediana que a mediana da região + estação:
- O preço de revenda será o preço de compra + 10%
- Se o preço for menor que a mediana da região + estação:
- O preço de revenda será o preço de compra + 30%
- Coleta de dados;
- Limpeza dos dados;
- Transformação dos dados;
- Descrição dos dados;
- Remoção de dados derivados de erros de digitação;
- Criação de novas features:
- month;
- year_month;
- year;
- season;
- house_age;
- basement;
- median_price_zipcode;
- median_price_season.
- Análise exploratória;
- Teste de hipóteses;
- Conclusão dos insights;
- Deploy do app em nuvem.
Imóveis com vista para o mar são 212.42% mais caros que imóveis sem vista para o mar, considerando o preço médio
Com o preço médio superior ao previsto, que era de 30%, é necessário um investimento maior para adicionar esse tipo de imóvel para o portfólio da empresa.
Enquanto os imóveis que não têm vista para o mar apresentam um crescimento de 0.2% ao mês em média, as que têm crescem a 4.81%, em média. Apesar de ser necessário um maior investimento, imóveis com vista para o mar geram bom retorno a médio e longo prazos.
Imóveis com uma classificação considerada alta têm um crescimento mês a mês maior que aquelas que têm classificação média
Enquanto os imóveis com classificação média têm um crescimento médio de 0.74% ao mês, as com alta classificação crescem em média 1.20% ao mês, uma diferença de 60.87%, de maneira que eles podem ser uma boa adição para o portfólio em termos de investimento a médio ou longo investimento
Imóveis em más condições são em média 66.64 % mais baratos em comparação àqueles em boas condições, então podem ser adquiridos com um baixo investimento e reformados para revenda mantendo um bom lucro.
Todas as hipóteses testadas podem ser vistas no notebook para ver a descrição total, ou um breve resumo em Hipóteses
Existe um total de 21.461 imóveis disponíveis para compra, de cujo montante 10.498 foram sugeridos para compra. A tabela abaixo descreve os valores resultantes da análise.
| Imóveis dispóniveis | Sugestões para compra | Investimento | Retorno | Lucro |
|---|---|---|---|---|
| 21,461 | 10,498 | $5,656,988,504.00 | $6,622,652,682.20 | $965,664,178.2 |
Neste projeto foram selecionados imóveis para compra e sugeridos preços de revenda. Também foram testadas hipóteses para entender melhor o comportamento dos preços e o resultado foi entregue para o CEO. A lista de sugestões, assim como os testes dos insights acima descritos, estão disponíveis online em House rocket insight report para serem acessados pelo CEO ou qualquer outro membro da empresa que venha a quem as informações interessem.
Caso tenha interrese no processo completo de tratamnto e análise de dados, pode ser encontrado em: Python do zero ao DS
- Aumentar a quantidade de informações relevantes sobre os imóveis;
- Explorar mais a fundo as hipóteses promissoras;
- Testar novas hipóteses;
- Explorar modelos de machine learning para prever o comportamento dos preços dos imóveis
- Jupyter notebook
- Pycharm communit
- Python
- Pandas
- Seaborn
- Streamlit
- Heroku
- Git