Projeto de Insights de uma empresa fictícia do ramo imobiliário.
Contextualização: A House Rocket é uma plataforma digital, que tem como modelo de negócio a compra e a venda de imóveis através da internet.
Recentemente, as áreas de prespecção e de vendas da House Rocket receberam novas metas de desempenho. Ambas as áreas estão com dificuldades em cumpri-las, utilizando suas ferramentas tradicionais de trabalho.
Este projeto de insights tem por objetivo fornecer subsídios para a tomada de decisão aos dois times de negócios.
Estima-se que após a entrega do projeto, a House Rocket possa obter aumento de 20 a 30% no seu lucro líquido.
Produto de dados solicitado pelo time de prospecção:
- Dashboard interativo do portfólio disponível, com todas informações de negócio mais relevantes disponíveis atualmente, para que possam realizar análises e melhorar sua prospecção.
Produto de dados solicitado pelo time de vendas:
- Respostas para duas questões:
- 1 - Quais são os imóveis que deveríamos comprar?
- 2 - Uma vez o imóvel comprado, qual o melhor momento para vendê-lo, e por qual preço?
- Será utilizado o critério de sazonalidade considerando inverno e verão na análise exploratório de dados.
- Todos os produtos de dados entregues devem ser acessíveis via internet e também através de dispositivos móvies.
- O planejamento da solução será validado com os times de negócio, visando garantir que as soluções desenvolvidas são efetivas e úteis na sua tomada de decisão.
As variáveis do dataset original são:
| Variável | Definição |
|---|---|
| id | Identificador de cada propriedade. |
| date | Data em que a propriedade ficou disponível. |
| price | O preço de cada imóvel, considerado como preço de compra. |
| bedrooms | Número de quartos. |
| bathrooms | O número de banheiros, o valor 0,5 indica um quarto com banheiro, mas sem chuveiro. O valor 0,75 ou 3/4 banheiro representa um banheiro que contém uma pia, um vaso sanitário e um chuveiro ou banheira. |
| sqft_living | Pés quadrados do interior das casas. |
| sqft_lot | Pés quadrados do terreno das casas. |
| floors | Número de andares. |
| waterfront | Uma variável fictícia para saber se a casa tinha vista para a orla ou não, '1' se a propriedade tem uma orla, '0' se não. |
| view | Vista, Um índice de 0 a 4 de quão boa era a visualização da propriedade. |
| condition | Um índice de 1 a 5 sobre o estado das moradias, 1 indica propriedade degradada e 5 excelente. |
| grade | Uma nota geral é dada à unidade habitacional com base no sistema de classificação de King County. O índice de 1 a 13, onde 1-3 fica aquém da construção e design do edifício, 7 tem um nível médio de construção e design e 11-13 tem um nível de construção e design de alta qualidade. |
| sqft_above | Os pés quadrados do espaço habitacional interior acima do nível do solo. |
| sqft_basement | Os pés quadrados do espaço habitacional interior abaixo do nível do solo. |
| yr_built | Ano de construção da propriedade. |
| yr_renovated | Representa o ano em que o imóvel foi reformado. Considera o número ‘0’ para descrever as propriedades nunca renovadas. |
| zipcode | Um código de cinco dígitos para indicar a área onde se encontra a propriedade. |
| lat | Latitude. |
| long | Longitude. |
| sqft_living15 | O tamanho médio em pés quadrados do espaço interno de habitação para as 15 casas mais próximas. |
| sqft_lot15 | Tamanho médio dos terrenos em metros quadrados para as 15 casas mais próximas. |
O que será entregue efetivamente?
- Um grande dashboard interativo acessível via navegador, contendo os produtos de dados solicitados pelos times de negócio.
Quais ferramentas serão usadas no processo?
- Python 3.8.0;
- IDE PyCharm;
- Google Colab.
Minha estratégia para resolver esse desafio é:
- Compreender o modelo de negócios;
- Compreender o problema de negócios;
- Coletar os dados;
- Realizar a limpeza dos dados;
- Realizar a análise exploratória de dados;
- Validar hipóteses e gerar insights;
- Implantar o dashboard em produção.
Produto de dados ao time de Prospecção:
- Seções no dashboard interativo, contendo:
- Lista contendo os imóveis do portfólio, e todas as suas características disponíveis. Deve conter filtro de variáveis desejadas para comparação.
- Lista contendo média de preços e número de imóveis disponível em cada região (código postal). Deve conter filtro para uma ou várias regiões.
- Lista contendo métricas descritivas (valor mínimo, máximo, médio, mediano, e desvio padrão) de cada variável disponível no portfólio.
- Mapa de densidade do portfótio, exibindo o número de imóveis da região conforme o zoom aplicado no mapa.
- Mapa de densidade de preços, exibindo o valor médio dos imóveis de cada região.
- Gráfico interativo de preço médio por ano de construção, com filtro de ano de construção mínimo.
- Gráfico interativo de preço médio por dia, para imóveis com registros de atualização de preços, com filtro de data mínima disponível.
- Gráfico de distribuição de preços dos imóveis, com filtro de preços máximos.
- Gráficos de distribuição do número de quartos, banheiros, andares e vista para a água, com a possibilidade de filtrar todos os valores existentes.
Produtos de dados ao time de Vendas:
- Seções no dashboard interativo, contendo:
- Relatório de imóveis recomendados para compra, que se enquadrem nas seguintes condições:
- 1 - Abaixo do preço mediano da sua região;
- 2 - Em boas condições (Escala 1 à 5, somente classificações 4 e 5);
- 3 - Apenas se tiverem vista para o mar.
- Mapa exibindo a localização dos imóveis indicados para compra.
- Relatório contendo a melhor sazonalidade para venda dos respectivos imóveis sugeridos para compra, e valor de venda recomendado. Estratégia:
- 1 - Para cada região com imóveis sugeridos para compra, identificar a variação de preço médio por sazonalidade, para sugerir a venda na sazonalidade onde os valores são mais elevados.
- 2 - Definição do preço de venda: Se o preço da compra do imóvel for maior que o preço médio da região + sazonalidade de maior preço, o preço da venda sugerido será igual ao preço da compra + 10%. Se o preço da compra do imóvel for menor que o preço médio da região + sazonalidade de maior preço, o preço da venda sugerido será igual ao preço da compra + 30%.
- Relatório de imóveis recomendados para compra, que se enquadrem nas seguintes condições:
- Insight de negócio: Prospectar para compra imóveis com vista para o mar, quando estiverem com valor até 150% maior que imóveis sem vista na mesma região. Aliar outros critérios relevantes como o seu estado de conservação, para a tomada de decisão.
2 Imóveis com data de construção menor que 1955, são em média apenas 0.79 % mais baratos que os após 1955.
- Insight de negócio: Prospectar imóveis com data de construção menor de 1955, que tenham passado por reformas, e que estejam com preço no mínimo 10% abaixo da média dos imóveis com ano de construção maior que 1955 na mesma região.
3 Imóveis reformados na mesma região, tem preços em média 17.49 % maiores que imóveis não reformados.
- Insight de negócio: Prospectar imóvies reformados, onde o preço do imóvel seja até 5% maior que a média dos imóveis não reformados da região, nas mesmas condições.
De acordo com os critérios definidos, 5 imóvies foram sugeridos para a compra.
Destes, todos apresentam condições de venda com 30% de margem na sazonalidade indicada.
Mesmo com a margem citada, apenas um imóvel ultrapassa o preço da mediana de preços da região. Logo, é possível aumentar ainda mais a margem, conforme as demais características do imóvel.
Considerando apenas os 30% de lucro por imóvel, o lucro total estimado caso as sugestões de compra e venda sejam seguidas é de aproximadamente $544 mil dólares.
O objetivo do projeto foi alcançado, dado que os produtos de dados propostos foram gerados com sucesso, e apresentados aos times de prospecção e de vendas. Os times já o utilizam agora para a tomada de decisão e o atingimento de metas na House Rocket.
O dashboard com os produtos de dados em produção pode ser acessado via navegador pelo Heroku
Melhorias nos dashboars podem ser incrementadas no futuro, avaliando algumas situações:
- Foram adotados altos critérios para sugestão dos imóveis para a compra (apenas notas 4 e 5, numa escala de 1 a 5). Uma grande quantidade de oportunidades pode existir nos imóveis com avaliações menores.
- Pode ser analisada se a distância do mar impacta proporcionalmente no preço dos imóveis, e se há oportunidades a partir desta análise.
- Pode ser estudado em que região há maior valorização de imóveis reformados, a fim de recomendar compra para reforma quando viável, considerando demais métricas de negócio como o estado do imóvel.
- Este Projeto de Insights é parte do curso "Python do Zero ao DS", da Comunidade DS
- O Dataset foi obtido no Kaggle
- Os significados das variáveis foi obtido no Geocenter
- A imagem utilizada é de uso livre e foi obtida no Pexels