equipo desarrollo 
Resulta frecuente tener muchas dudas cuando nos adentramos en el mundo del mercado inmobiliario. Si estamos buscando casa, nos solemos preguntar ¿Cuánto debería valer esa casa que he visto?, ¿Existe un barrio parecido al que me gusta? o ¿Me endeudo a tipo fijo o variable? Si al contrario queremos vender una casa, aparte de la duda obligatoria ¿A qué precio pongo el anuncio? podemos preguntarnos ¿Por qué no consigo vender mi piso? o hasta ¿Cómo puedo agilizar la venta de mi casa?
Para dar respuesta a todas estas preguntas, dentro del equipo de Data Crew de idealista nos esforzamos en mejorar nuestros productos y crear otros nuevos mediante la explotación avanzada de los datos. En un post anterior hemos presentado algunas de estas soluciones que hemos desarrollado tanto para idealista.com/data como para otras verticales de negocio. En esta línea queremos compartir la experiencia de un proyecto de Data Science que intenta contestar a unas cuantas dudas de aquellos que, como en el caso de los clientes de idealista.com/tools, se enfrentan a la dura tarea de vender una casa.
VENDER CASA NO ES TAREA FÁCIL
Lo sabe bien el magnate de la moda Tommy Hilfiger. Como nos contaban nuestros compañeros de idealista.com/news, el controvertido diseñador puso a la venta en 2015 su fabuloso ático ubicado en el Hotel Plaza de Nueva York, pidiendo por él unos 80 millones de dólares. Tras varias rebajas, el empresario finalmente llegó a vender su lujoso apartamento en 2019 a un precio de 31,2 millones de dólares. Es decir, una venta que ha tardado cuatro años, realizada con un generoso descuento de más del 60% sobre el precio inicialmente ofertado.
El caso del ático de Tommy Hilfiger es otra prueba de que vender una casa, por bonita que sea, no es nada fácil. Primero hay que tener una idea de su valor. Esto puede resultar complicado si no tenemos información sobre el precio de viviendas similares. En nuestro ejemplo, Tommy lo tenía particularmente difícil porque en general no suelen venderse muchos áticos de extra-lujo en Nueva York, sobre todo situados en el exclusivo Hotel Plaza. Además, estudios para los EEUU y España enseñan que los vendedores tienden a sobreestimar el valor de la casa por varias razones: por ejemplo un apego sentimental a la vivienda o una visión demasiado optimista del mercado. En este sentido, Tommy hubiera podido fijar un alto precio de oferta a su ático por qué le tenía un cariño particular.
Para tener una idea del valor de una casa, ya ofrecemos el servicio de idealista.com/maps que genera valoraciones de cualquier inmueble residencial en España, Italia, y Portugal. Solucionado este paso, tenemos que encontrar el justo equilibrio entre precio de oferta y tiempo en el mercado que estamos dispuestos a asumir. Aquí se abre un dilema. Si queremos vender rápidamente nuestra casa, tenemos que poner un precio de oferta relativamente bajo para que nuestro anuncio resulte atractivo. Por otro lado, si no tenemos particular prisa en vender y queremos maximizar ganancias, como podría ser el caso de Tommy Hilfiger, nos decantamos por fijar un precio relativamente elevado.
Para poder elegir el justo equilibrio entre precio de oferta y tiempo en mercado, no solo nos gustaría saber cuanto tiempo tardan en media las casas en venderse, sino más importante aún cómo afecta cada característica del anuncio (en particular su precio de oferta) en determinar su tiempo en el mercado.
ANÁLISIS DE SUPERVIVENCIA
En gran parte de las preguntas a las que nos enfrentamos como Data Scientists recurrimos a modelos de regresión o clasificación. Hacemos una excepción en este caso concreto utilizando el análisis de supervivencia, una rama de la estadística que se ocupa de predecir el tiempo hasta que ocurra un evento. Esta técnica tiene su origen en la investigación médica, en la que se hace un seguimiento de los pacientes durante un período prolongado hasta que ocurra un evento, en general la muerte, razón por la cual se le llama “análisis de supervivencia”.
A día de hoy, el análisis de supervivencia se puede aprovechar en muchos ámbitos ya que puede dar respuestas a distintos tipos de cuestiones. Por ejemplo, empresas manufactureras necesitan poder predecir la vida útil de sus máquinas. O en finanzas, es importante calcular el riesgo de que se pueda incumplir una deuda. En el campo comercial es dónde estas técnicas sacan gran valor añadido. El ejemplo clásico es poder predecir cuándo un cliente rescindirá su contrato y así actuar a tiempo y evitar su abandono (customer churn). Además, se puede estimar cuántos ingresos se esperan de un cliente hasta que deja de serlo (customer lifetime value), así que se puedan dirigir campañas de marketing a los clientes adecuados en el momento idóneo.
APLICACIÓN DEL ANÁLISIS DE SUPERVIVENCIA EN MERCADO INMOBILIARIO
Existen ya casos de éxito en aplicar el análisis de supervivencia a los mercados residenciales como por ejemplo Opendoor, que se ocupa de comprar casas a través de un proceso online, realiza reparaciones de las propiedades que compra y las vuelve a poner a la venta. Cuanto más tiempo permanezca una casa en venta, más coste soporta la empresa. Por este motivo, Opendoor está aplicando estas técnicas para poder comprender y predecir cuánto tiempo tardará en venderse una casa.
De la misma manera, en idealista tenemos millones de anuncios de propiedades en venta o alquiler distribuidos entre España, Italia, y Portugal. Analizamos la vida de cada anuncio en idealista a lo largo de todas sus fases desde su activación y consecuente entrada en el mercado (el “nacimiento” del anuncio) hasta su salida del mercado (la “muerte” del anuncio).
En su nacimiento y a lo largo de su vida, cada anuncio se caracteriza por un determinado tiempo en mercado esperado (o dicho en términos médicos su “esperanza de vida”) debido a factores que afectan su probabilidad de venta (o alquiler) a lo largo de su vida (“factores de riesgo”). Alguno de estos factores dependen de las características del inmueble anunciado, es decir los “chollos vuelan”, mientras otros dependen de las condiciones de la zona y del mercado.
Nuestro objetivo consiste en identificar cuáles de estos factores juegan un papel clave de cara a determinar la probabilidad de venta de un anuncio. Utilizamos un modelo standard Cox Proportional Hazard, que por su simplicidad e interpretabilidad de los resultados se suele considerar el más utilizado en el análisis de supervivencia. “Alimentamos” el modelo con el histórico de todos los anuncios salidos del portal en los últimos tres años. El modelo aprende las características clave que hacen que un anuncio sea apetecible para el mercado. Por ejemplo, el modelo internaliza varias correlaciones interesantes:
- anuncios con precio de oferta por debajo del precio de mercado se venden más rápido
- propiedades con una pequeña superficie se venden más rápido
- propiedades de segunda mano se venden más rápido que las de obra nueva
- anuncios en zonas con alta demanda se venden más rápido, o los anuncios tardan más en venderse si en la zona hay mucha competencia de otros anuncios
- anuncios de agencia tardan menos en venderse que los de particulares
Equipado con estos conocimientos, el modelo nos permite hacer una estimación del tiempo en mercado esperado y de la probabilidad de venta (o alquiler) de cualquier anuncio existente en el portal o que entrará a futuro. Estas mismas predicciones se están ya integrando en las valoraciones masivas de carteras efectuadas por nuestros compañeros de idealista.com/data.
Además, el modelo nos abre la puerta a la posibilidad de efectuar simulaciones de escenarios “¿qué pasaría si?” donde por ejemplo nos preguntamos cómo variaría el tiempo de mercado de un anuncio si en lugar de publicarse por un particular fuese anunciado por una agencia. O alternativamente, cómo variaría el tiempo en mercado si aplicásemos una reforma al inmueble o redujéramos el precio de oferta, si en lugar de venderlo lo metemos en alquiler, etc… Parte de estos experimentos entrarán como nuevas funcionalidades de idealista.com/tools.
• • •
¿Qué aprendemos de todo esto? Que hay vida más allá de los modelos de regresión y clasificación, como por ejemplo el análisis de supervivencia. A pesar que esta técnica proviene del ámbito médico, muy lejano al mundo digital e inmobiliario, es posible aplicarla consiguiendo resultados muy interesantes. Por esta razón en el equipo de Data Crew de idealista estamos siempre abiertos a tener en cuenta lo que se está haciendo con los datos en otros sectores, por muy diferentes que sean al nuestro.
