Insights House Rocket Company

1. Problema de negócio

A House Rocket (empresa fictícia) é uma plataforma digital que tem como modelo de negócio, a compra e a venda de imóveis usando tecnologia.

A principal estratégia é comprar imóveis em ótimas localizações com preços baixos e revendê-los mais caros. O CEO da House Rokcet gostaria de maximizar a receita da empresa encontrando boas oportunidades de negócio

1.1 Desafio

Como Cientista de Dados, o meu objetivo é encontrar as melhores oportunidades de negócio respondendo as seguintes perguntas:

1. Quais casas o CEO da House Rocket deveria comprar e por qual preço de compra?
2. Uma vez a casa em posse da empresa, qual seria o preço da venda?

2. Dataset

Para ajudar a responder essas perguntas, foi utilizado um dataset público disponível no Kaggle.

Variável	Definição
id	Identificador de cada imóvel.
date	Data em que a imóvel 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 o imóvel tem uma orla, '0' se não.
view	Vista, Um índice de 0 a 4 de quão boa era a visualização da imóvel.
condition	Um índice de 1 a 5 sobre o estado das moradias, 1 indica imóvel degradado 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 imóvel.
yr_renovated	Representa o ano em que o imóvel foi reformado. Considera o número ‘0’ para descrever as imóvel nunca renovadas.
zipcode	Um código de cinco dígitos para indicar a área onde se encontra a imóvel.
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.

3. Planejamento da solução

Para responder as perguntas do CEO, foi feita uma Análise Exploratória dos Dados (EDA) a fim de encontrar insights que possam ser acionáveis no negócio.

3.1 Processo

1. Entendimento das perguntas feitas pelo CEO
2. Coleta dos dados
3. Limpeza dos Dados
4. Levantamento de hipóteses sobre o comportamento do negócio
5. Análise Exploratória de Dados (EDA)
6. Identificação de Insights
7. Sugestões de soluções para o negócio

3.2 Ferramentas utilizadas

• Python, Pandas, Numpy e Seaborn
• Anaconda, VSCode e Jupyter Notebook
• Mapas interativos com Plotly e Folium
• Streamlit Python framework web
• Heroku Cloud

4. Top 3 Insights

1. Imóveis com vista para água são 40% mais caros na média.

   • Prospectar imóveis com vista para água que estejam com o preço menor que a mediana da região (zipcode)

     

2. Imóveis com condition acima ou igual a 3 são 53% mais caros na média.

   • Prospectar imóveis que estejam com condition acima oi igual a 3 e com preço menor que a mediana

     

3. Imóveis com grade acima de 7 são 67% mais caros na média.

   • Prospectar imóveis que estejam com o grade acima oi igual a 7 e com preço menor que a mediana

     

5. Resultado da solução

Estratégia de compra:

• Agrupar os imóveis por região (zipcode)
• Encontrar a mediana do preço do imóvel por região
• Sugerir a compra dos imóveis abaixo do preço mediano com condições acima ou igual a 3 ou vista para água ou grade acima de 7

Estratégia de Venda:

• Criar 4 faixas de preço, usando a mediana da região como referência

• Aumentar o valor de venda do imóvel até atingir a próxima faixa

• Limitar aumento do imóvel em 30%

  

Considerando as estratégias de compra e venda, o lucro total estimado é de aproximadamente $63,2 MM, com uma margem de lucro média de 7,6%. Para isso, deve ser prospectado aproximadamente 9,4% dos imóveis disponíveis no portfólio.

O aplicativo na cloud com a solução pode ser conferido em Heroku.

6. Próximos passos

• Previsão de preços: desenvolver um modelo de machine de learning para prever o valor dos imóveis e sugerir compra dos imóveis com erro positivo, isto é, imóveis que tem a previsão maior do que o valor real.
• Probabilidade de compra: se fosse possível obter dados do comportamento de compra dos clientes, seria possível desenvolver um modelo de machine learning para estimar a probabilidade de compra de cada imóvel. Com o modelo, seria possível precificar melhor o imóvel, o retorno de venda e rankear quais imóveis devem ser prospectados primeiro, caso haja limite de recursos operacionais para compra e venda dos mesmos.

7. Referências

• Este projeto de insights é um desafio da Comunidade DS.
• O conjunto de dados foi coletado no Kaggle.
• O dicionário de dados foi obtido no Geocenter.