- Quais são os imóveis que a House Rocket deveria comprar e por qual preço?
- Uma vez o imóvel comprado, qual o melhor momento para vendê-lo e por qual preço?
- Valores de "ID" duplicados foram excluídos.
- A coluna "price" representa o valor de compra do imóvel.
- O preço das casas é influenciado pela região (zipcode) e estação do ano (seasons)
- Imóveis considerados boas oportunidades de compra são os imóveis que estão em bom estado e abaixo do preço médio da região
- Para a decisão do preço de venda são consideradas três features, o preço de compra, a região e a estação do ano
- Se o preço de compra for menor que o preço médio da região na determinada estação, o preço de venda será 30% maior que o preço de compra
- Se for maior, o acrescimo será de 10%
- Relatório com as sugestões de compra do imóvel por um valor recomendado
- Relatório com as sugestões de venda de um imóvel por um valor recomendado
- Aplicativo contendo detalhes das casas e recomendações: https://report-house-rocket.herokuapp.com/
- Python 3.8.1
- Jupyter Notebook
- Entendimento do modelo de negócio da empresa
- Entendimento do problema de negócio
- Coleta dos Dados
- Limpeza dos dados
- Análise Exploratória dos Dados
- Levantamento de hipóteses
- Validação das hipóteses e Insights gerados
→ Recomendação de compra de imóveis
- Coletar os dados do site do kaggle
- Agrupar os dados pela região (zipcode e estação)
- Calcular a mediana do preço dos imóveis por região
- Sugerir que os imóveis que estão abaixo do preço mediano de cada região e que estejam em boas condições sejam comprados
- Salvar recomendações em .csv
→ Recomendação do preço de venda dos imóveis
- Agrupando dados por região e estação
- Combinando com o Dataframe original
- Adicionar features de ‘sell_price” de acordo com as premissas
- Adicionar feature ‘profit’
- Salvar em .csv
-
H1: Imóvel que possuem vista para água são 30% mais caros na média
→ Falso, imóveis com vista para a água são em média 212% mais caros
-
H2: Imóveis com data de construção menor que 1955 são 50% mais baratos na média
→ Falso, casas não reformadas são 43% mais baratas em média que casas reformadas
-
H3: Imóveis sem porão possuem área total (sqrt_lot) são 40% maiores do que os imóveis com porão
→ Falso, imóveis sem porão possuem área total 19% maior que imóveis com porão
-
H4: O crescimento do preço dos imóveis YoY (Year over Year) é de 10%
→ Falso, o crescimento de preços YoY é de 0,7%
-
H5: Imóveis com 3 banheiros tem um crescimento de MoM (Month over Month) de 15%
→ Falso, o crescimento médio MoM dos imóveis com 3 banheiros no período analisado é de 0,29%
-
H6: No inverno as casas são em média 30% mais baratas que nas outras estações
→ Falso, no inverno, as casas são em média 4% mais baratas que nas outras estações
-
H7: Casas com um alto grau de qualidade e design são até 50% mais caras
→ False, casas com um alto grau de qualidade e design são em média 227% mais caras
-
H8: Imóveis não reformados são 10% mais baratos do que a média dos imóveis reformados por região.
→ Falso, imóveis não reformados são em média 43,52% mais baratos que imóveis reformados
Após a análise, dentre os 21.435 imóveis disponíveis para a compra na região de King Country, 3808 foram sugeridos para compra e detalhados em relatório.
Caso os imóveis sugeridos sejam comprados, o investimento inicial esperado é de $11,5 bilhões. Após a revenda de todos os imóveis, será arrecadado um total de $13,5 bilhões de dólares e o lucro total previsto é de 1,97 bilhões, totalizando 17% de retorno sobre o capital incialmente investido
- Aplicar métodos mais robustos para o tratamento de outliers
- Aplicar modelo de machine learning capaz de avaliar boas oportunidades de compra considerando os atributos do imóvel
- Aplicar modelo de machine learning capaz de recomendar o melhor preço de venda das casas