House Rocket

Aumento do Lucro a partir de Dados

A House Rocket (H.R.) é uma empresa de compra e venda de imóvel que atua principalmente no condado de King, no estado de Washington, EUA. Ela é uma empresa fictícia e usada aqui para ilustrar o processo de geração de insights através da análise e manipulação de dados para auxiliar na tomada de decisões de negócio.

1. Contexto de Negócio

A área estratégica da House Rocket deseja encontrar as melhores oportunidades de compra e venda de imóveis para maximizar os lucros da empresa.

O time de negócio não consegue tomar boas decisões sem analisar os dados. O portfólio é muito grande e levaria muito tempo para realizar essa análise manualmente.

1.1 Questões

Foi apresentado as seguintes questões a serem respondidas com base nos dados dos imóveis encontrados no portfólio da H.R.:

Quais são os imóveis que a House Rocket deveria comprar e por qual preço?
Uma vez a casa comprada, qual o melhor momento para vendê-las e por qual preço?

Você pode verificar a resposta para essas perguntas no Dashboard online

1.2 Dados

Os dados foram retirados do Kaggle e podem ser visto aqui

Variável	Significado
id	Identificação única de cada imóvel
date	Data em que o imóvel ficou disponível para venda
price	Valor de venda
bedrooms	Número de quartos
bathrooms	Número de banheiros, onde .5 refere-se a lavabos (i.e. sem chuveiro)
sqft_living	Tamanho construído do imóvel em pés quadrados
sqft_lot	Tamanho total do terreno em pés quadrados
floors	Número de andares
waterfront	Indica se a propriedade tem vista para a água ou não
view	Um índice de 0 a 4 para a qualidade da vista da propriedade, em que: 0 = sem vista, 1 = regular 2 = média, 3 = boa, 4 = excelente
condition	Um índice de 1 a 5 para a integridade física da propriedade, em que: 1 = muito ruim, 2 = ruim, 3 = média, 4 = boa, 5= excelente
sqft_above	O tamanho do sotão do imóvel em pés quadrados
sqft_basement	O tamanho do porão do imóvel em pés quadrados
yr_built	O ano em que a propriedade foi construída
yr_renovated	O ano em que o imóvel foi reformado pela última vez
zipcode	O zipcode do imóvel
lat	Latitude do imóvel
long	Longitude do imóvel
sqft_living15	O tamanho construido dos imóveis dos 15 vizinhos mais próximos (em pés quadrados)
sqft_lot15	O tamanho do terreno dos imóveis dos 15 vizinhos mais próximos (em pés quadrados)

1.3 Premissas

Podem haver erros de digitação em alguns registros que devem ser tratados/removidos durante a limpeza dos dados.
As variáveis sqft_living15, grade e sqft_lot15 foram desconsideradas e removidas
A variável date se refere a data em que o imóvel foi disponibilizado para venda
Imóveis em que a variável yr_renovated for igual a 0, considera-se que não passou por reformas

2. Planejamento da Solução

Para resolver os problemas de negócio exploramos os dados, criamos hipóteses, as validamos e os aprendizados, usamos na construção da solução, que foram entregues de acordo com a necessidade.

2.1 Ferramentas e Técnicas usadas

Para resolução dos problemas apresentados foi utilizado:

Python, Pandas, Matplotlib, Plotly, Seaborn e Geopandas
Jupyter Notebook e VSCode
Streamlit e Streamlit Cloud
Git e Github
Técnicas de estatística descritiva
Técnicas de Exploração e Análise de Dados (EDA)

2.2 Resolução dos problemas

O seguinte raciocínio foi utilizado para a construção da solução

1. Quais são os imóveis que a House Rocket deveria comprar e por qual preço?

Para resolver esse problema, primeiramente agrupamos os imóveis por localização (zipcode) e encontramos o valor mediano de venda para cada região.

Com essa informação sugerimos a compra dos imóveis que preenchessem as seguintes condições:

O Preço do imóvel esteja abaixo do valor mediano de venda da região
O imóvel esteja em condições boa ou excelente

Para calcular o valor de oferta olhamos para a densidade de imóveis disponíveis para venda por região:

Imóveis em região com até 204 anúncios -> Valor de compra igual ao valor anunciado
Imóveis em região com 205 a 282 anúncios -> Valor de compra 2% menor que o anunciado
Imóveis em região com 283 a 409 anúncios -> Valor de compra 3% menor que o anunciado
Imóveis em região com 410 ou mais anúncios -> Valor de compra 5% menor que o anunciado

As faixas dos anúncios foram determinados com base nos quartis do agrupamento

2. Uma vez a casa comprada, qual o melhor momento para vendê-las e por qual preço?

Para chegar nessa resposta, agrupamos novamente o imóvel pelo zipcode e pegamos a estação do ano em que o imóvel foi anunciado já que o preço varia dependendo da época do ano em que o anuncio foi feito.

Com essas informações, sugerimos a venda em determinada estação do ano e pelo valor que segue a seguinte regra:

Se o preço anunciado for maior que o preço mediano dos imóveis naquela região e na mesma estação do ano:
- Imóveis em região com até 204 anúncios -> Valor de venda 3% maior que o anunciado
- Imóveis em região com 205 a 282 anúncios -> Valor de venda 2% maior que o anunciado
- Imóveis em região com 283 a 409 anúncios -> Valor de venda 1% maior que o anunciado
- Imóveis em região com 410 ou mais anúncios -> Valor de venda 0,5% maior que o anunciado
Se o preço anunciado for menor que o preço mediano dos imóveis naquela região e na mesma estação do ano:
- Imóveis em região com até 204 anúncios -> Valor de venda 30% maior que o anunciado
- Imóveis em região com 205 a 282 anúncios -> Valor de venda 20% maior que o anunciado
- Imóveis em região com 283 a 409 anúncios -> Valor de venda 15% maior que o anunciado
- Imóveis em região com 410 ou mais anúncios -> Valor de venda 10% maior que o anunciado

As faixas dos anúncios foram determinados com base nos quartis do agrupamento

2.3 Entregáveis

Foi feito como entregável para esses problemas de negócios

Tabela (csv) com imóveis a serem comprados e sugestão de preço de oferta
Tabela (csv) com imóveis a serem vendidos e sugestão de preço de venda
Dashboard online com as informações geradas

3. Principais Insights encontrados

Os principais insights encontrados foram:

3.1 Os imóveis mais caros estão concentrados na região Norte e Central

É possível perceber, ao olhar para o mapa que os imóveis com maior preço (> $600k) se encontram na região central e norte.

3.2 Imóveis construidos entre 1940 e 1980 são 15% mais baratos

Ao agruparmos os imóveis por data de contrução percebemos que aqueles que foram construídos entre 1940 e 1980 são, em média, 15% mais baratos

3.3 Imóveis construidos na década de 30 tem uma proporção maior de reformas

Há um aumento abrupto na proporção de imóveis reformados e que foram construídos na decada de 30 (1930 à 1939). Cerca de 16% dos imóveis construídos nessa época foram reformados em algum momento, valor semelhante aos cosntruidos no começo do século 20

4. Resultados (ROI - Return on Investment)

Caso todos os imóveis que foram comprados, assim como sugerido, sejam vendidos posteriormente, a House Rocket terá um lucro estimado de $ 51 milhões

5. Conclusão

A análise dos dados trouxeram informações valiosas para que a área responsável possa tomar a decisão de qual imóvel comprar e qual venda.

Mais do que apenas indicar os imóveis, conseguimos modelar uma lógica de precificação baseado na densidade de anúncios por região e pela sazonalidade para a venda

6. Próximos Passos

Como próximos passos, sugerimos:

Aprofundar a lógica de precificação adicionando mais registros (inclusive de outros peíodos que não apenas 2014 e 2015)
Treinar modleos de ML para estimar valores de compra e venda com base em certas características

igorvgp/project-house-rocket-insights