Implementación de un modelo de regresión de machine learning para mejorar la valoración de departamentos de Tempo Perú en Lima Centro y Lima Oeste

Abstract

La investigación aplica técnicas avanzadas de aprendizaje automático, específicamente el modelo XGB Regressor, para mejorar la precisión y eficiencia en la valoración de propiedades inmobiliarias en Lima Centro y Lima Oeste. Enfocada en Tempo Perú, aborda los desafíos de los métodos tradicionales y subjetivos de valoración. El estudio identifica variables clave que influyen en la valoración de departamentos y construye un modelo de regresión utilizando XGB Regressor, implementado en la aplicación web Evaluator para automatizar el proceso y mejorar la eficiencia operativa. Se probaron cinco regresores lineales y ocho no lineales, determinando que el XGB Regressor ofrecía los mejores resultados en términos de precisión y robustez. La metodología integró CRISP-DM y SCRUM, abarcando desde la recolección y análisis de datos hasta la construcción del modelo y su implementación. Los datos incluyeron características del inmueble, proximidad a lugares de interés (empresas, lugares públicos, entretenimiento), nivel socioeconómico, información de DataCrim y Google Maps. Los resultados mostraron un R² de 95.16% y un MAPE de 7.219%, validando la efectividad del modelo. Las variables más influyentes fueron el área del inmueble, la latitud y la densidad de comercios cercanos. La implementación del modelo mejoró significativamente la precisión de las valoraciones, redujo tiempos y costos, y aumentó la satisfacción del cliente, fortaleciendo la posición de Tempo Perú en el mercado. Este estudio demuestra cómo el aprendizaje automático puede transformar la valoración inmobiliaria, ofreciendo mayor precisión y eficiencia, y proporcionando a Tempo Perú una herramienta robusta que optimiza sus procesos operativos y mejora su competitividad.

The research applies advanced machine learning techniques, specifically the XGB Regressor model, to enhance accuracy and efficiency in the valuation of real estate properties in Central and Western Lima. Focused on Tempo Perú, it addresses the challenges of traditional and subjective valuation methods. The study identifies key variables influencing apartment valuations and builds a regression model using XGB Regressor, implemented in the web application Evaluator to automate the process and improve operational efficiency. Five linear regressors and eight nonlinear regressors were tested, determining that the XGB Regressor offered the best results in terms of precision and robustness. The methodology integrated CRISP-DM and SCRUM frameworks, encompassing everything from data collection and analysis to model construction and implementation. The data included property characteristics, proximity to points of interest (businesses, public places, entertainment), socioeconomic level, and information from DataCrim and Google Maps. The results showed an adjusted R² of 95.16% and a MAPE of 7.219%, validating the model's effectiveness. The most influential variables were the property's area, latitude, and the density of nearby businesses. The implementation of the model significantly improved valuation accuracy, reduced time and costs, and increased customer satisfaction, strengthening Tempo Perú's position in the market. This study demonstrates how machine learning can transform real estate valuation, offering greater precision and efficiency, and providing Tempo Perú with a robust tool that optimizes its operational processes and enhances its competitiveness.