Imagina que você é o dono de uma imobiliária chamada House Rocket. Seu objetivo é simples: comprar imóveis por um preço baixo e vendê-los por um valor mais alto. Fácil, certo? Não exatamente. O portfólio de imóveis é enorme e os dados são complicados. Como saber quais imóveis realmente valem a pena comprar e, mais importante, por quanto e quando vender para garantir o maior lucro possível? Foi exatamente para resolver esse tipo de problema que criei este projeto
O time de negócios da House Rocket não conseguia acompanhar o mercado de forma eficiente, já que fazer tudo manualmente levava muito tempo e gerava decisões não tão boas. Então, a melhor solução é: precisamos analisar os dados de forma inteligente para tomar decisões mais rápidas e melhores.
No fim desse artigo tem o link do meu GitHub, com o projeto completo, incluindo todos os detalhes e arquivos usados.
Conhecendo o terreno: os dados
Comecei analisando os dados de vendas de imóveis no Condado de King, em Washington, entre maio de 2014 e maio de 2015. A base de dados tinha informações detalhadas como o preço de venda, número de quartos e banheiros, a área do imóvel, sua condição, se tinha vista para água, entre outros atributos importantes.
Sabendo que localização e condição são os principais fatores que afetam o valor de um imóvel, filtrei os dados com essas informações em mente. Dividi os imóveis por região (usando o código postal) e calculei a mediana dos preços em cada área.
A lógica era: se encontrássemos imóveis abaixo da mediana e em boas condições (nota ≥ 4), essas poderiam ser boas oportunidades de compra.
Mas não bastava saber quais imóveis comprar. Também precisávamos entender quando vendê-los e, claro, qual seria o preço de revenda. Aqui entra um fator muito importante no mercado imobiliário: a sazonalidade.
O poder da sazonalidade
O mercado imobiliário é bem sensível às estações do ano. As pessoas tendem a comprar mais durante as estações mais quentes, o que faz com que os preços subam. Então, agrupei novamente os imóveis por estação e calculei a mediana dos preços em cada período. A estratégia de revenda ficou assim:
- Se o preço de compra fosse maior que a mediana com sazonalidade, o preço de venda seria 10% acima do valor de compra.
- Se o preço de compra fosse menor que a mediana com sazonalidade, o preço de venda seria 30% acima.
Essa foi a estratégia usada para maximizar o lucro.
Alguns Insights
Enquanto explorava os dados, descobri alguns insights interessantes. Por exemplo, imóveis com vista para água são 212% mais caros na média! Ou seja, são imóveis extremamente importantes para se fazer negócio!
Outras hipóteses testadas:
- Imóveis com qualidade de construção acima da média são 93% mais caros.
- E, ao contrário do que se poderia imaginar, imóveis construídos antes de 1955 não são necessariamente mais baratos; na verdade, são 0,79% mais caros em média.
Esses insights não só ajudam o time da House Rocket a definir estratégias melhores, além de fornecerem dados interessantes para um futuro projeto de machine learning.
Resultados
Ao final, o projeto mostrou que a House Rocket poderia lucrar cerca de US$ 71.700 por imóvel seguindo as estratégias recomendadas. Isso de maneira mais rápida e eficiente!
Além disso, criei uma aplicação interativa usando Streamlit, que permite que a equipe de negócios explore os dados de forma fácil e visual. Assim, em vez de confiar apenas em relatórios complexos ou planilhas, agora eles podem ajustar parâmetros e ver instantaneamente quais imóveis valem a pena comprar ou vender.
O que é o Streamlit?
De forma resumida, o Streamlit é uma ferramenta de código aberto em Python que permite criar rapidamente aplicativos web interativos para visualização e análise de dados. É especialmente útil para cientistas de dados e desenvolvedores que querem transformar scripts de análise de dados em dashboards ou interfaces web sem precisar ter conhecimentos avançados em front-end.
Ferramentas Utilizadas
- Python: Utilizado para processamento e análise dos dados.
- Streamlit: Plataforma escolhida para desenvolver uma aplicação web que permite a visualização interativa e análise descritiva dos dados. Os stakeholders podem explorar facilmente os insights gerados e ajustar parâmetros conforme necessário.
- Jupyter Notebook: Utilizado para a fase de exploração e modelagem dos dados.
Se quiser uma explicação detalhada de todo o projeto, com todos os arquivos e códigos, fique à vontade para acessar meu GitHub! Quem sabe você possa encontrar insights para você aplicar no seu próprio negócio!
