Alquiler en Barcelona

Alquiler en

Predecir la ocupación anual de la noche que un AirBNB podría ser alquilado.

¿Cuántos días al año se alquilará un inmueble en función de su precio, condiciones y posición?

Este caso de uso ofrece un enfoque de análisis de datos y aprendizaje automático en relación con una posible inversión inmobiliaria de Airbnb. Su objetivo es resolver la pregunta. ¿Cuántos días al año se alquilará un inmueble en función de su precio, condiciones y posición?

01. Análisis de datos de Airbnb

Empezamos dividiendo el mapa por distritos mostrando el número de propiedades disponibles para alquilar, mostrando un análisis del precio más frecuente dado por el barrio geolocalizado en el mapa. Si bien el precio más frecuente por noche en general es de 30 euros en la ciudad, existe una variación extrema en cuanto a los precios y los más comunes dependiendo del barrio y las características de Airbnb. Además, y a modo de resumen, hay una frecuencia global de precios que oscila entre los 15 y los 250 en la ciudad.

Número de AirBNB y precio medio en Barcelona

02. Precios y barrios

En un entorno más granular, durante este caso de uso, exploramos 10 barrios de diferentes 4 distritos de Barcelona, dada la información de calidad que el conjunto de datos proporcionaba. Con respecto a esto, mostramos la mediana y el precio mínimo de los barrios por noche.

Con respecto al análisis estadístico, la mediana representa el punto medio del conjunto de datos -la mitad de los puntos de datos son menores que la mediana y la mitad de los puntos de datos son mayores-. Se hace una comparación con el precio mínimo por noche, lo que nos da una visión general de las decisiones que podrían tomarse respecto a los precios por barrio.

Nota que en algunos barrios hay un incremental que va de la 5ª a la 6ª noche, lo que nos da la hipótesis de que los alquileres pueden tener una duración de 2 días, 5 días y 7 días, y de la 5ª a la 6ª se puede romper la rentabilidad, por eso el precio incremental.

Con esta visión general y un ajuste granular en el mapa, podríamos tener una idea del tipo de Airbnb y del precio global de un lugar.

03. Tipos de Airbnb

Las condiciones y los tipos de habitación de Airbnb juegan un papel importante a la hora de alquilar. Por lo tanto, el gráfico radial muestra los tipos de Airbnbs (Apartamento entero, Habitación privada y Otros que suman).

04. Conclusiones

En cuanto a la propuesta del reto de machine learning, hemos construido un modelo de predicción de ocupación ( en días) en forma de formulario, sseleccionando las características más relevantes en cuanto a la ocupación, con el objetivo de resolver la pregunta ‘¿Cuántos días podría estar ocupada mi propiedad de AirBNB en función del precio que podría cobrar por noche como anfitrión? Puedes seleccionar el precio por noche, el tipo de barrio en el que se encuentra tu propiedad de AirBNB, dándote la oportunidad de diseñar la mejor propuesta de precios para tu propiedad basándote también en las ubicaciones y condiciones de la misma.

Para los modelos de predicción de aprendizaje automático, hemos estudiado la dependencia lineal y la distribución de los datos, así como las posibles correlaciones, y elegimos coherentemente y ejecutamos automl-jar teniendo RSME – Root Mean Squared Error – como métrica clave para la evaluación. Teniendo esta línea de base y criterios, hemos seleccionado XGBoost como nuestra solución algorítmica para predecir la ocupación. Encuentra en el formulario anterior, seleccionando el precio, otras características y la ubicación del AirBnB, y encuentra la ocupación que los modelos dan como resultado.

Ten en cuenta que el precio es la característica más relevante del modelo como han mostrado los diferentes árboles de parcelas resultantes y la ocupación puede variar en función de este precio y del número máximo de noches.

Como conclusión podríamos decir que la ocupación de AirBnB depende de los precios, del tipo de barrio en el que se encuentra la propiedad, de la disponibilidad en términos de noches máximas y de la calidad del AirBnB medida en las puntuaciones dadas por las reseñas y el número de reseñas por mes.

¿Buscas soluciones de datos?