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, po...
- Autores:
-
Quevedo Rubio, Diego Alejandro
Pizarro Salas, Marta Liliana
- Tipo de recurso:
- 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
| id |
UNIANDES2_c5a2e303b61809b7b2d9c8fafa5b471f |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/55352 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo predictivo para la renta de inmuebles para estancias cortas |
| title |
Modelo predictivo para la renta de inmuebles para estancias cortas |
| spellingShingle |
Modelo predictivo para la renta de inmuebles para estancias cortas Alquiler de inmuebles Estancias cortas Modelo predictivo Modelo de análisis de datos Modelo de negocio Machine Deep Machine Learning Administración |
| title_short |
Modelo predictivo para la renta de inmuebles para estancias cortas |
| title_full |
Modelo predictivo para la renta de inmuebles para estancias cortas |
| title_fullStr |
Modelo predictivo para la renta de inmuebles para estancias cortas |
| title_full_unstemmed |
Modelo predictivo para la renta de inmuebles para estancias cortas |
| title_sort |
Modelo predictivo para la renta de inmuebles para estancias cortas |
| dc.creator.fl_str_mv |
Quevedo Rubio, Diego Alejandro Pizarro Salas, Marta Liliana |
| dc.contributor.advisor.spa.fl_str_mv |
Tabares Pozos, Alejandra |
| dc.contributor.author.spa.fl_str_mv |
Quevedo Rubio, Diego Alejandro Pizarro Salas, Marta Liliana |
| dc.subject.keyword.none.fl_str_mv |
Alquiler de inmuebles Estancias cortas Modelo predictivo Modelo de análisis de datos Modelo de negocio Machine Deep Machine Learning |
| topic |
Alquiler de inmuebles Estancias cortas Modelo predictivo Modelo de análisis de datos Modelo de negocio Machine Deep Machine Learning Administración |
| dc.subject.themes.none.fl_str_mv |
Administración |
| description |
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. |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-22T19:57:03Z |
| dc.date.available.none.fl_str_mv |
2022-02-22T19:57:03Z |
| dc.date.available.spa.fl_str_mv |
2024-08-31 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/55352 |
| dc.identifier.pdf.spa.fl_str_mv |
25419.pdf |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/55352 |
| identifier_str_mv |
25419.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
22 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.spa.fl_str_mv |
Maestría en Inteligencia Analítica para la Toma de Decisiones |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería Industrial |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/07baf46f-360f-4b41-8c2d-0a21024823b0/download https://repositorio.uniandes.edu.co/bitstreams/b7e93837-f90c-475e-9a27-c5ac61cff68d/download https://repositorio.uniandes.edu.co/bitstreams/b675d2b9-27eb-4dfb-99dc-2bafd923821e/download |
| bitstream.checksum.fl_str_mv |
7e8ebe67a0678dea13ad67efa18820f0 c6f7bd0a3f6998381909fe71d7bef476 996c5184ec5fa05a67ea0c440bee38f2 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133985167343616 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Tabares Pozos, Alejandrae14f8caf-a61e-4f9f-a9a7-43902edaae42400Quevedo Rubio, Diego Alejandro6f51fc6b-15c8-4949-900b-ab10fa8a8ab2500Pizarro Salas, Marta Liliana538c5597-6f42-4b81-b771-4c5e7a58b3ed5002022-02-22T19:57:03Z2024-08-312022-02-22T19:57:03Z2021http://hdl.handle.net/1992/5535225419.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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.Kiruna is an organization in the real estate sector that is venturing into the rental model of real estate for short stays, establishing a new product and / or line of business for a company can be a fact of great uncertainty since it works on unknown markets, Therefore, the company seeks to increase its knowledge of this modality. The objective of this study is to predict rental prices for short stays taking into account the characteristics of the property. To this end, the research question is the following: What should be the rental price per night for a property in the city of Bogotá in the town of Chapinero, according to its physical and geographical characteristics, rental conditions, among others? The research question is answered through the implementation of Machine Learning and Deep Learning models that seek to find the value closest to the real rental price of the properties in this lease format. The executed models are compared from two performance metrics, the Mean Squared Error and the R-squared, obtaining the best response with a neural network, for which a clustering model was also applied by the K-means method, which It allowed to generate 4 specialized models for each cluster, helping to improve the metrics obtained. Additionally, it was possible to identify those variables that have a greater impact on the rental price, helping to reduce the uncertainty of the organization in the face of the new business line under development.Magíster en Inteligencia Analítica para la Toma de DecisionesMaestría22 páginasapplication/pdfspaUniversidad de los AndesMaestría en Inteligencia Analítica para la Toma de DecisionesFacultad de IngenieríaDepartamento de Ingeniería IndustrialModelo predictivo para la renta de inmuebles para estancias cortasTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAlquiler de inmueblesEstancias cortasModelo predictivoModelo de análisis de datosModelo de negocioMachine DeepMachine LearningAdministración200914623PublicationORIGINAL25419.pdfapplication/pdf1271464https://repositorio.uniandes.edu.co/bitstreams/07baf46f-360f-4b41-8c2d-0a21024823b0/download7e8ebe67a0678dea13ad67efa18820f0MD51TEXT25419.pdf.txt25419.pdf.txtExtracted texttext/plain32518https://repositorio.uniandes.edu.co/bitstreams/b7e93837-f90c-475e-9a27-c5ac61cff68d/downloadc6f7bd0a3f6998381909fe71d7bef476MD52THUMBNAIL25419.pdf.jpg25419.pdf.jpgIM Thumbnailimage/jpeg4759https://repositorio.uniandes.edu.co/bitstreams/b675d2b9-27eb-4dfb-99dc-2bafd923821e/download996c5184ec5fa05a67ea0c440bee38f2MD531992/55352oai:repositorio.uniandes.edu.co:1992/553522023-10-10 18:17:00.305https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfrestrictedhttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |