Modelo de valoración automatizada y bot inmobiliario

El problema

El cliente quería dos cosas para el mercado inmobiliario australiano: un modelo que prediga el precio de un inmueble con la mayor precisión posible, y un bot que evalúe una propiedad como lo haría un agente inmobiliario experimentado, para encontrar la operación que dé el mayor beneficio. Ninguna de las dos existía, y ambas dependían de datos inmobiliarios que primero había que recopilar.

Qué construí

• Una capa de recopilación de datos que obtenía anuncios a través de API como la API para desarrolladores de Domain.com.au y extraía datos adicionales directamente de portales inmobiliarios mediante scraping.
• Ingeniería de características sobre los anuncios recopilados para convertir los registros brutos de inmuebles en entradas del modelo.
• Un modelo de regresión XGBoost, elegido tras compararlo con otros algoritmos sobre los mismos datos; superó a las alternativas.
• Un prototipo del algoritmo de evaluación del agente, implementado a partir de la descripción del cliente de cómo un agente valora un inmueble para obtener el máximo beneficio.

Cómo se entregó

La primera etapa fue el modelo de valoración. Mi métrica objetivo era el R², y el modelo XGBoost final alcanzó en torno al 84 %, un resultado sólido para este caso de uso. La segunda etapa fue el bot del agente: el cliente compartió la lógica de evaluación, construí el prototipo y empecé a probarlo. La versión alfa tiene todas las funciones implementadas; lo que todavía necesita son datos suficientes para cubrir todas las combinaciones de entradas que el algoritmo puede pedir.

Resultado

Un modelo de valoración automatizada con un R² en torno al 84 % para precios de inmuebles australianos, construido sobre datos que recopilé mediante la API de Domain.com.au y web scraping, y una alfa completa en funciones del bot del cliente para maximizar el beneficio. El trabajo pendiente es cobertura de datos, no código.