O objetivo desse projeto é fornecer para o time de negócios, uma seleção de imóveis, dadas as melhores condições, para que a empresa possa realizar suas operações de compra e venda. Os insights fornecidos neste projeto visam demonstrar um valor de lucro máximo que a empresa pode obter dado as condições que a mesma pode definir num segundo momento.
A ferramenta de visualização utilizada nesse projeto - Streamlit, permitirá que a empresa possa visualizar esse resultado de forma gráfica, tabular e através de mapas de localização.
O resultado geral obtido foi uma seleção de 10.505 imóveis (podendo ser variável de acordo com as condições/localizações) que corresponde a quase 50% dos imóveis do portfólio disponibilizado.
Assumindo que o time de negócios definiu os percentuais de 30% e 10% de margem de lucro(conforme detalhes nos tópicos 1.4 e 2.2b, o lucro máximo que poderá ser obtido com as operações é de US$ 1.186.638.788,20
| Número de imóveis | Custo total | Receita de vendas | Lucro (profit) |
|---|---|---|---|
| 10.505 | US$ 4.079.586.744,00 | US$ 5.266.225.532,20 | US$ 1.186.638.788,20 |
Link para visualização:
A House Rocket é uma plataforma digital que tem como modelo de negócio, a compra e a venda de imóveis usando a tecnologia para analisar suas melhores oportunidades.
O objetivo do case é fornecer insights para a empresa encontrar as melhores oportunidades de negócio no mercado de imóveis. O CEO da House Rocket gostaria de maximizar a receita da empresa encontrando boas oportunidades de negócio.
Sua principal estratégia é comprar boas casas em ótimas localizações com preços baixos e depois revendê-las posteriormente a preços mais altos. Quanto maior a diferença entre a compra e a venda, maior o lucro da empresa.
Entretanto, as casas possuem muitos atributos que as tornam mais ou menos atrativas aos compradores e vendedores, e a localização e o período do ano também podem influenciar os preços.
Considerando que:
a) O time do negócio não consegue tomar boas decisões de compra sem analisar os dados,e;
b) O portfólio é muito grande, o que levaria muito tempo para fazer o trabalho manualmente.
O objetivo desse projeto é fornecer uma seleção de imóveis, dadas as melhores condições, para que a empresa possa realizar suas operações de compra e venda. O planejamento é demonstrar através de visualizações, quais as melhores oportunidades e qual resultado (lucro) máximo que pode ser alcançado.
Em suma, o projeto visa responder às seguintes perguntas de negócio:
- Quais são os imóveis que a House Rocket deveria comprar e por qual preço ?
- Uma vez a casa comprada, qual o melhor momento para vendê-las e por qual preço ?
Os dados foram extraídos do link abaixo, onde constam todos os imóveis em portfólio e disponíveis para a empresa.
https://www.kaggle.com/harlfoxem/housesalesprediction
Os atributos dos imóveis dentro do portfólio e seus respectivos significados, são os seguintes:
| Atributo | Descrição |
|---|---|
| id | Numeração única de identificação de cada imóvel |
| date | Data da venda da casa |
| price | Preço que a casa está sendo vendida pelo proprietário |
| bedrooms | Número de quartos |
| bathrooms | Número de banheiros (0.5 = banheiro em um quarto, mas sem chuveiro) |
| sqft_living | Medida (em pés quadrado) do espaço interior dos apartamentos |
| sqft_lot | Medida (em pés quadrado)quadrada do espaço terrestre |
| floors | Número de andares do imóvel |
| waterfront | Variável que indica a presença ou não de vista para água (0 = não e 1 = sim) |
| view | Um índice de 0 a 4 que indica a qualidade da vista da propriedade. Varia de 0 a 4, onde: 0 = baixa 4 = alta |
| condition | Um índice de 1 a 5 que indica a condição da casa. Varia de 1 a 5, onde:1 = baixo 5 = alta |
| grade | Um índice de 1 a 13 que indica a construção e o design do edifício. Varia de 1 a 13, onde: 13 = baixo, 7 = médio e 1113 = alta |
| sqft_basement | A metragem quadrada do espaço habitacional interior acima do nível do solo |
| yr_built | Ano de construção de cada imóvel |
| yr_renovated | Ano de reforma de cada imóvel |
| zipcode | CEP da casa |
| lat | Latitude |
| long | Longitude |
| sqft_livining15 | Medida (em pés quadrado) do espaço interno de habitação para os 15 vizinhos mais próximo |
| sqft_lot15 | Medida (em pés quadrado) dos lotes de terra dos 15 vizinhos mais próximo |
Além do dataset acima citado, foi utilizado um arquivo geojson para a criação de mapas de densidade. A API foi extraída do site ArcGIS Hub.
Dentro do processo de entendimento de negócio, exploração dos dados e decisão para fornecer os insights finais, foram adotadas as seguintes premissas:
- Os valores iguais a zero em yr_renovated são casas que nunca foram reformadas;
- O valor igual a 33 na coluna bathroom foi considerada um erro e por isso foi delatada das análises. Possivelmente poderia ser um erro de digitação, mas por falta dessa clareza, a exclusão foi optada;
- A coluna price significa o preço que a casa foi ou será comprada pela empresa House Rocket;
- Valores duplicados em id foram removidos e considerados somente a compra mais recente
- Dado que a localidade e a condição são os principais fatores que influenciam na valorização ou desvalorização dos imóveis, essas foram características decisivas na seleção ou não dos imóveis
- Para as condições dos imóveis, foi determinada a seguinte classificação: 1 = péssimo, 2 = ruim, 3 = regular, 4 = bom e 5 = excelente Como a sazonalidade também influencia diretamente a demanda por investimento em imóveis, a estação do ano foi a característica decisiva para a época da venda do imóvel (https://blog.loft.com.br/sazonalidade/)
_A premissa mais relevante (business assumption) , é que foi assumido no projeto que o time de negócios aplica um percentual de 30% sobre o valor dos imóveis compradas no valor abaixo do valor mediano da região + sazonalidade, e de 10% nos imóveis comprados acima do valor mediano da região + sazonalidade
A primeira etapa do projeto foi realizar a coleta, tratamento e exploração dos dados. Nessa etapa foi possível realizar identificar necessidades de limpeza e transformação de dados, realizar uma análise das estatísticas descritivas dos conjuntos de dados, e ainda realizar a criação de novas features para facilitar e proporcionar as visualizações e criações dos insights que serão apresentados. A motivação da criação das novas features serão explanadas em outro momento.
- Estatísticas descritivas:
| attributes | maximum | minimum | mean | median | std |
|---|---|---|---|---|---|
| price | 7700000.00 | 75000.00 | 541645.37 | 450000.00 | 367314.32 |
| bedrooms | 11.00 | 0.00 | 3.37 | 3.00 | 0.91 |
| bathrooms | 8.00 | 0.00 | 2.12 | 2.25 | 0.77 |
| sqft_living | 13540.00 | 290.00 | 2082.73 | 1920.00 | 919.14 |
| sqft_lot | 1651359.00 | 520.00 | 15136.06 | 7614.00 | 41538.57 |
| floors | 3.50 | 1.00 | 1.50 | 1.50 | 0.54 |
| view | 4.00 | 0.00 | 0.24 | 0.00 | 0.77 |
| condition | 5.00 | 1.00 | 3.41 | 3.00 | 0.65 |
| grade | 13.00 | 1.00 | 7.66 | 7.00 | 1.17 |
| sqft_above | 9410.00 | 290.00 | 1791.00 | 1560.00 | 829.01 |
| sqft_basement | 4820.00 | 0.00 | 291.73 | 0.00 | 442.78 |
| yr_built | 2015.00 | 1900.00 | 1971.10 | 1975.00 | 29.38 |
| yr_renovated | 2015.00 | 0.00 | 84.73 | 0.00 | 402.43 |
| sqft_living15 | 6210.00 | 399.00 | 1988.35 | 1840.00 | 685.68 |
| sqft_lot15 | 871200.00 | 651.00 | 12786.34 | 7620.00 | 27375.41 |
- Novas features:
- constrution: ano de construção maior ou menor que 1955
- basement: imóvel com ou sem porão
- season: estação do ano da venda do imóvel
- waterfront: vista ou não para água
- renovated: imóvel foi ou não reformado
- describe_condition: descrição da condição do imóvel, baseado no classificação assumida no item 1.4 deste ReadMe
- status: indica se o imóvel deve ou não ser comprado
Todo planejamento dessa solução foi pensando na criação de um aplicativo de visualização, onde a empresa poderá consultar a seleção dos imóveis, seus insights e outras informações inerentes às perguntas de negócio.
Para iniciar a montagem das visualizações, foram realizados os seguintes passos para cada pergunta de negócio:
a) Quais são os imóveis que a House Rocket deveria comprar e por qual preço ?
- Agrupar os imóveis por região ( zipcode );
- Dentro de cada região, foi encontrada a mediana do preço do imóvel;
- Essa mediana foi retornada em cada linha do dataset para ser possível a comparação;
- Foi assumida a seleção dos imóveis que estão abaixo do preço mediano da região e que estejam em boas condições - condition com valor 3, 4 ou 5
- O próximo passo foi a criação de uma feature auxiliar para receber a indicação se o imóvel deve ou não ser comprado. Ou seja, se o imóvel estiver com preço abaixo da mediana da região e, estiver em condição “regular”, “bom” ou “excelente”, o imóvel é selecionado.
b) Uma vez a casa comprada, qual o melhor momento para vendê-las e por qual preço ?
-
Agrupar os imóveis selecionados na questão 1 por região ( zipcode ) e também por temporada (season);
-
Dentro de cada região e temporada, foi encontrada a mediana do preço do imóvel;
-
Para cálculo do valor de venda, foram assumidas as seguintes condições, as quais foram aplicadas em novas features criadas - sale_price e profit:
- Se o preço da compra for maior que a mediana da região + sazonalidade. O preço da venda será igual ao preço da compra + 10%
- Se o preço da compra for menor que a mediana da região + sazonalidade. O preço da venda será igual ao preço da compra + 30%
O objetivo deste projeto é responder às questões de negócios e gerar novos insights através de visualizações das tabelas, dashboards e mapas.
As duas primeiras tabelas do aplicativo, demonstram respectivamente, os imóveis sugeridos para compra - com a opção de realizar filtros para visualizar os resultados por região e/ou por condição do imóvel, e os mesmos imóveis, com seus respectivos cenários de venda e lucro provisionado.
Com a seleção feita, é possível visualizar os imóveis selecionados em um mapa e também, a densidade de lucro, onde é possível verificar qual região é mais lucrativa para se investir.
Dentre os imóveis selecionados como sugestão de compra e venda, foram feitas algumas análises para se encontrar insights, com o objetivo de maximizar o resultado esperado, oferecendo estratégias para a tomada de decisão.
Ou seja, foram planejados dois grupos de insights dentro do projeto. Os diretamente ligados aos imóveis selecionados, e outro considerando todas as informações do portfólio, com o objetivo de gerar informações possivelmente desconhecidas e que possam vir a ser objetos de novas questões de negócio.
Dentre os imóveis selecionados, foi feita uma exploração de dados através de gráficos, com o objetivo de analisar quais atributos oferecem uma maximização do lucro obtido. O resultado foi o seguinte:
| atributo | condicao | total_imoveis | _%imoveis | lucro_total | _%lucro |
|---|---|---|---|---|---|
| zipcode | 98052 | 281 | 2.67 | 40728499.30 | 3.63 |
| bedrooms | 3 | 5752 | 54.75 | 601494702.90 | 53.66 |
| bathrooms | 1.00 | 3041 | 28.95 | 279422866.10 | 24.93 |
| floors | 1.00 | 6595 | 62.78 | 675302314.00 | 60.24 |
| season | winter | 3978 | 37.87 | 427901808.40 | 38.17 |
| renovated | no | 10193 | 97.03 | 1088345647.30 | 97.09 |
| describe_condition | median | 6717 | 63.94 | 710291390.60 | 63.36 |
| waterfront_ | não | 10496 | 99.91 | 1120206748.40 | 99.93 |
| basement | no | 7003 | 66.66 | 712727020.60 | 63.58 |
| grade | 7 | 5821 | 55.41 | 590203975.30 | 52.65 |
| view | 0 | 10228 | 97.36 | 1087680140.40 | 97.03 |
| constrution | > 1955 | 7077 | 67.37 | 763675798.80 | 68.12 |
A feature %_imoveis demonstra o percentual de imóveis na condição x com relação ao total dos imóveis selecionados. O %_lucro, o percentual do lucro, dentre os imóveis com a condição x, com relação ao total do lucro esperado com a solução do projeto.
Foi realizado ainda um teste aplicando o conceito de Pareto, para verificar se seria possível maximizar o lucro com um número menor de casas vendidas, todavia como é possível verificar, não há uma diferença considerável entre %_imóveis e %_lucro.
Evidente perceber que os principais insights a se destacar, é que imóveis com view igual a zero, sem vista para a água e que nunca foram reformados, são melhores para se investir, em termos de lucratividade. Outro ponto relevante, é que as operações de venda realizadas no inverno são mais lucrativas, portanto, é o melhor período para se vender imóveis.
Tendo todo entendimento do negócio, e respondida as perguntas de negócio, foram levantadas algumas hipóteses para serem validadas, com o objetivo de gerar insights para próximas questões de negócio ou mesmo gerar novas estratégias para a House Rocket:
| Hipótese | Resultado | Tradução para negócio |
|---|---|---|
| H1 -Imóveis com vista para a água são em média mais caros | Verdadeira | Imóveis com vista para água são 212% mais caros. Procurar investir em imóveis sem vista para água, por terem custo de negócio menor |
| H2 - Imóveis com data de construção menor que 1955 são em média mais baratos | Falsa | Investir em imóveis independente da data de construção |
| H3 - Imóveis sem porão são maiores do que imóveis com porão | Verdadeira | Investir em imóveis sem porão, pois oferecem maior área de terreno |
| H4 - Houve crescimento do preço médio dos imóveis YoY ( Year over Year ) | Falsa | Não houve considerável crescimento no preço médio entre os anos. Ou seja, o período analisado teve preços médios próximos, sem variações que poderia ser estudadas como anormalidades |
| H5 - Imóveis com mais quartos são em média mais caros | Verdadeira | Investir em imóveis de até 4 quartos é o ideal. Acima de 5 quartos, o preço médio é 69% maior |
O objetivo desse projeto era fornecer uma lista de imóveis com opções de compra e venda, e consequentemente o lucro máximo que poderá ser obtido se todas as transações ocorrerem. Ou seja, o resultado financeiro apresentado abaixo representa o lucro máximo que pode ser obtido utilizando as recomendações informadas.
| Número de imóveis | Custo total | Receita de vendas | Lucro (profit) |
|---|---|---|---|
| 10.505 | US$ 4.079.586.744.00 | US$ 5.266.225.532.20 | US$ 1.186.638.788.20 |
Todavia cabe reforçar, que o lucro pode ser explorado por condições e região dos imóveis, onde as visualizações fornecidas demonstram todo resultado do projeto, assim como o resultado financeiro, de forma customizada para as opções escolhidas.
O projeto tem como princípio a geração de insights para o negócio, assim como responder algumas perguntas feitas pela empresa. O objetivo foi concluído, e foi possível extrair informações relevantes e com potencial forma de gerar direcionamento para as próximas operações da House Rocket.
As visualizações fornecidas irão permitir com que a empresa possa avaliar as regiões mais lucrativas, os atributos que levam o imóvel a se tornar mais viável para as operações de compra e venda, e ainda visualizar o lucro máximo que poderá ser alcançado de acordo com as opções de negócio.