Modelo predictivo para la renta de inmuebles para estancias cortas

Kiruna es una organización del sector inmobiliario que se encuentra incursionando en el modelo de renta de inmuebles para estancias cortas, establecer un nuevo producto y/o línea de negocio para una compañía puede ser un hecho de gran incertidumbre dado que se trabaja sobre mercados desconocidos, por lo que la compañía busca incrementar su conocimiento sobre esta modalidad. El objetivo de este estudio es predecir los precios de alquiler para estancias cortas teniendo en cuenta las características del inmueble. Con este fin, la pregunta de investigación es la siguiente: ¿Cuál debe ser el precio de alquiler por noche para un inmueble de la ciudad de Bogotá en la localidad de chapinero, de acuerdo con sus características físicas, geográficas, condiciones de alquiler, entre otros? La pregunta de investigación se responde a través de la implementación de modelos de Machine Learning y Deep Learning que buscan encontrar el valor más cercano al precio real de alquiler de los inmuebles en este formato de arrendamiento. Los modelos ejecutados son comparados a partir de dos métricas de desempeño, el Mean Squared Error y el R-cuadrado obteniendo la mejor respuesta con una red neuronal, para la cual también se aplicó un modelo de clustering por el método K-means, lo que permitió generar 4 modelos especializados para cada clúster, ayudando a mejorar las métricas obtenidas. Adicionalmente, fue posible identificar aquellas variables que en mayor medida inciden en el precio de renta, contribuyendo a reducir la incertidumbre de la organización ante la nueva línea de negocio en desarrollo.

• Autores: Quevedo Rubio, Diego Alejandro; Pizarro Salas, Marta Liliana
• Fecha de publicación: 2021
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/55352
• Acceso en línea: http://hdl.handle.net/1992/55352
• Palabra clave: Alquiler de inmuebles; Estancias cortas; Modelo predictivo; Modelo de análisis de datos; Modelo de negocio; Machine Deep; Machine Learning; Administración
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf