Técnicas de minería de datos para el anólisis de la plusvalía inmobiliaria
DOI:
https://doi.org/10.23857/dc.v8i1.2531Palabras clave:
MinerÃa de datos, algoritmos, predicciones, plusvalÃa, bienes inmuebles.Resumen
La minería de datos permite la extracción de información, la clasificación de datos y el procesamiento de los mismos, para conocer su comportamiento, realizar predicciones y para la toma efectiva de decisiones. Esta investigación tiene como objetivo determinar cuóles son las técnicas de minería de datos mós utilizadas para el anólisis de la plusvalía inmobiliaria, para ello se hace uso de una revisión bibliogrófica, anólisis de contenido y la aplicación de un diseño de teoría fundamentada. En las investigaciones analizadas se pudo determinar que las técnicas de minería de datos aplicadas para predecir precios en bienes raíces son: Redes Neuronales Artificiales, Anólisis Clíºster, írbol de decisión, Modelos de regresión, Modelos estadísticos, Clasificador Bayesiano Ingenuo, Algoritmo K-Neighbors, Algoritmo AdaBoost, evidenciando que la técnica de Redes Neuronales Artificiales es la que mejores resultados presenta. Con respecto a las variables de datos de cada propiedad se encontraron 27 entre las mós importantes se presentan el tipo de propiedad, ubicación, precio, órea de terreno, órea de construcción, níºmero de pisos, níºmero de habitaciones, níºmero de baños, níºmero de estacionamientos o garaje, entre otras, ademós se analizaron los datos de las publicaciones en redes sociales y sitios web de inmobiliarias de la ciudad de Riobamba. Los resultados proporcionados por esta investigación son íºtiles para la aplicación de técnicas de minería de datos en investigaciones sobre inversiones inmobiliarias o predicciones del avalíºo inmobiliario.Citas
Asilkan, O., Faqolli, A., Gerdeci, A., & Cico, B. (2012). Estimating the market values of houses in Tirana using data mining. Global Journal on Technology, 1. http://archives.un-pub.eu/index.php/P-ITCS/article/view/857/1082
Banerji, G., & Saxena, K. (2012). Analysis of Data Mining Techniques on Real Estate. International Journal of Soft Computing and Engineering (IJSCE), 2(3), 223-230. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.649.7414&rep=rep1&type=pdf
Casas, J., Casas, D., Caridad, J., & Níºñez, J. (2019). Mercado inmobiliario de España: Una herramienta para el análisis de la oferta. Cuadernos de Economía, 42(120). http://www.cude.info/index.php/CUDE/article/view/69
Durganjali, P., & Pujitha, M. V. (2019). House Resale Price Prediction Using Classification Algorithms. 2019 International Conference on Smart Structures and Systems (ICSSS) (pp. 1-4). https://ieeexplore.ieee.org/abstract/document/8882842
Fernández, L., Cózar, A., & Llorca, A. (2017). Análisis clíºster de precios de vivienda de 2017 en la ciudad de Valencia. XII Congreso de ciencia regional de Andalucía. Comercio Regional y empleo: Una perspectiva Regional. https://old.reunionesdeestudiosregionales.org/sevilla2017/media/uploads/2017/10/05/Paper_Analisis_cluster.pdf
Ferrán, M. (2011). Una metodología de minería de datos para la agrupación de series temporales: aplicación al sector de la construcción residencial. [Tesis Doctoral, Universidad Complutense de Madrid]. https://core.ac.uk/download/pdf/19715384.pdf
Grybauskas, A., Pilinkienė, V., & Stundžienė, A. (2021). Predictive analytics using Big Data for the real estate market during the COVID-19 pandemic. Journal of big data, 8(1), 1-20. https://journalofbigdata.springeropen.com/articles/10.1186/s40537-021-00476-0
Huang, C., Yang, Y., Wang, H., Zhang, X., Zhao, J., & Wan, J. (2020). Research and application of data mining algorithm. In Journal of Physics: Conference Series (Vol. 1748, No. 3, p. 032043). https://iopscience.iop.org/article/10.1088/1742-6596/1748/3/032043/pdf
Khare, S., Gourisaria, M. K., Harshvardhan, G. M., Joardar, S., & Singh, V. (2021). Real Estate Cost Estimation Through Data Mining Techniques. In IOP Conference Series: Materials Science and Engineering ,1099, (1), p. 012053). https://iopscience.iop.org/article/10.1088/1757-899X/1099/1/012053/pdf
López, F. (2020). Un modelo economí©trico para determinar el valor de venta de proyectos inmobiliarios en la ciudad de Santiago. Horizontes Empresariales, 19(1), 28-50. http://revistas.ubiobio.cl/index.php/HHEE/article/view/4158/3856
Martínez-Sánchez, D. N., & Tí©llez-Buitrago, V. J. (2021). Mí©todo automático para la predicción del avalíºo comercial de un inmueble en la ciudad de Bogotá. [Tesis pregrado, Universidad católica de Colombia]. https://repository.ucatolica.edu.co/bitstream/10983/26289/1/trabajo%20de%20grado%20Completo.pdf
Márquez, L. (2020). El capital inmobiliario-financiero y la producción de la ciudad latinoamericana hoy. Cadernos Metrópole, 22(49), 665-682. https://doi.org/10.1590/2236-9996.2020-4901
Merizalde, M., Caicedo, F., & Salame, M. (2020). Ley de la Plusvalía en el Ecuador; un breve análisis desde su aprobación hasta su inmediata derogación. Dilemas Contemporáneos: Educación, Política y Valores, 7. https://doi.org/10.46377/dilemas.v33i1.2119
Ministerio de Desarrollo Urbano y Vivienda. (2016, 3 de octubre). Normas tí©cnicas para catastro de bienes inmuebles urbanos, rurales. Registro Oficial Suplemento 853. https://www.habitatyvivienda.gob.ec/wp-content/uploads/downloads/2016/10/Acuerdo-Ministerial-29-16.pdf
Peterson, G. E. (2010). La plusvalía de la tierra como opción para el financiamiento de la infraestructura urbana. The World Bank. https://doi.org/10.1596/978-0-8213-8329-2
Real Academia Española. (2021). Diccionario de la lengua española (23a ed.). https://dle.rae.es/plusval%C3%ADa
Registro Oficial órgano de la Repíºblica del Ecuador. (2016, 3 de octubre). Valor de la propiedad. Registro oficial no. 853 https://www.registroficial.gob.ec/index.php/registro-oficial-web/publicaciones/registro-oficial/item/8389-registro-oficial-no-853.html
Rivas, W., & Mazón, B. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH.
Shinde, N., & Gawande, K. (2018). Survey on predicting property price. In 2018 International Conference on Automation and Computational Engineering (ICACE) (pp. 1-7). https://doi.org/10.1109/ICACE.2018.8687080
Soltani, A., Pettit, C. J., Heydari, M., & Aghaei, F. (2021). Housing price variations using spatio-temporal data mining techniques. Journal of Housing and the Built Environment, 1-29. https://link.springer.com/article/10.1007/s10901-020-09811-y
Teng, W. T., Wang, L., Wang, Y., & Chang, Q. (2016). Housing price prediction using neural networks. In 2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD) (pp. 518-522). IEEE. https://ieeexplore.ieee.org/abstract/document/7603227
Torrente, á. (2021). Sistema de Web Scraping orientado a portales del ámbito inmobiliario [Tesis Doctoral, Universidade da Coruña]. http://castor.det.uvigo.es:8080/xmlui/bitstream/handle/123456789/575/TorrentePatino_Alvaro_TFM_2021.pdf?sequence=1
Trinidad, A., Carrero, V., & Soriano, R. (2006). Teoría fundamentada Grounded theoryâ€: la construcción de la teoría a traví©s del análisis interpretacional (Centro de Interpretaciones Sociológicas (ed.). https://n9.cl/r8bg8
Yu, Y., Lu, J., Shen, D., & Chen, B. (2021). Research on real estate pricing methods based on data mining and machine learning. Neural Computing and Applications, 33(9), 3925-3937. https://sci-hub.se/https://doi.org/10.1007/s00521-020-05469-3
Publicado
Cómo citar
Número
Sección
Licencia
Authors retain copyright and guarantee the Journal the right to be the first publication of the work. These are covered by a Creative Commons (CC BY-NC-ND 4.0) license that allows others to share the work with an acknowledgment of the work authorship and the initial publication in this journal.
