Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria

Autores
Bodero Poveda, Elba María; Morales Alarcón, Cristian; Congacha Aushay, Ana Elizabeth; Ramos Araujo, Cristina Estefanía
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
La minería de datos permite la extracción de información, la clasificación de datos y el procesamiento de los mismos, para conocer su comportamiento, realizar predicciones y para la toma efectiva de decisiones. Esta investigación tiene como objetivo determinar cuáles son las técnicas de minería de datos más utilizadas para el análisis de la plusvalía inmobiliaria, para ello se hace uso de una revisión bibliográfica, análisis de contenido y la aplicación de un diseño de teoría fundamentada. En las investigaciones analizadas se pudo determinar que las técnicas de minería de datos aplicadas para predecir precios en bienes raíces son: Redes Neuronales Artificiales, Análisis Clúster, Árbol de decisión, Modelos de regresión, Modelos estadísticos, Clasificador Bayesiano Ingenuo, Algoritmo K-Neighbors, Algoritmo AdaBoost, evidenciando que la técnica de Redes Neuronales Artificiales es la que mejores resultados presenta. Con respecto a las variables de datos de cada propiedad se encontraron 27 entre las más importantes se presentan el tipo de propiedad, ubicación, precio, área de terreno, área de construcción, número de pisos, número de habitaciones, número de baños, número de estacionamientos o garaje, entre otras, además se analizaron los datos de las publicaciones en redes sociales y sitios web de inmobiliarias de la ciudad de Riobamba. Los resultados proporcionados por esta investigación son útiles para la aplicación de técnicas de minería de datos en investigaciones sobre inversiones inmobiliarias o predicciones del avalúo inmobiliario.
Data mining allows the extraction of information, data classification and data processing, in order to know their behavior, to make predictions and for effective decision making. The objective of this research is to determine which are the most used data mining techniques for the analysis of real estate capital gains. For this purpose, a literature review, content analysis and the application of a grounded theory design are used. In the research analyzed it was possible to determine that the data mining techniques applied to predict real estate prices are: Artificial Neural Networks, Cluster Analysis, Decision Tree, Regression Models, Statistical Models, Naive Bayesian Classifier, K-Neighbors Algorithm, AdaBoost Algorithm, evidencing that the Artificial Neural Networks technique is the one with the best results. With respect to the data variables of each property 27 were found among the most important are presented the type of property, location, price, land area, construction area, number of floors, number of bedrooms, number of bathrooms, number of parking spaces or garage among others, in addition, data from publications in social networks and real estate websites of the city of Riobamba were analyzed. The results provided by this research are useful for the application of data mining techniques in real estate investment research or real estate appraisal predictions.
A mineração de dados permite a extração de informações, a classificação de dados e o processamento dos mesmos, para conhecer seu comportamento, fazer previsões e para tomadas de decisão efetivas. O objetivo desta pesquisa é determinar quais são as técnicas de mineração de dados mais utilizadas para a análise de ganhos de capital imobiliário, para as quais se utiliza uma revisão bibliográfica, análise de conteúdo e a aplicação de um projeto de teoria fundamentada. Nas investigações analisadas foi possível determinar que as técnicas de mineração de dados aplicadas para prever preços de imóveis são: Redes Neurais Artificiais, Análise de Cluster, Árvore de Decisão, Modelos de Regressão, Modelos Estatísticos, Classificador Bayesiano Naive, Algoritmo K-Vizinhos, Algoritmo AdaBoost, mostrando que a técnica de Redes Neurais Artificiais é a que apresenta os melhores resultados. Em relação às variáveis de dados de cada imóvel, foram encontradas 27, dentre as mais importantes estão o tipo de imóvel, localização, preço, área do terreno, área de construção, número de andares, número de cômodos, número de banheiros, número de estacionamentos ou garagens, entre outros, além disso, foram analisados dados de publicações em redes sociais e sites imobiliários da cidade de Riobamba. Os resultados fornecidos por esta pesquisa são úteis para a aplicação de técnicas de mineração de dados em pesquisas de investimentos imobiliários ou previsões de avaliações de imóveis.
Facultad de Informática
Universidad Nacional de Chimborazo
Materia
Ciencias Informáticas
Minería de datos
algoritmos
predicciones
plusvalía
bienes inmuebles
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/130339

id SEDICI_db4c878499b6cfd71740053c95bbb282
oai_identifier_str oai:sedici.unlp.edu.ar:10915/130339
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Técnicas de minería de datos para el análisis de la plusvalía inmobiliariaData mining techniques for real estate appreciation analysisTécnicas de mineração de dados para análise de ganhos de capital imobiliárioBodero Poveda, Elba MaríaMorales Alarcón, CristianCongacha Aushay, Ana ElizabethRamos Araujo, Cristina EstefaníaCiencias InformáticasMinería de datosalgoritmosprediccionesplusvalíabienes inmueblesLa minería de datos permite la extracción de información, la clasificación de datos y el procesamiento de los mismos, para conocer su comportamiento, realizar predicciones y para la toma efectiva de decisiones. Esta investigación tiene como objetivo determinar cuáles son las técnicas de minería de datos más utilizadas para el análisis de la plusvalía inmobiliaria, para ello se hace uso de una revisión bibliográfica, análisis de contenido y la aplicación de un diseño de teoría fundamentada. En las investigaciones analizadas se pudo determinar que las técnicas de minería de datos aplicadas para predecir precios en bienes raíces son: Redes Neuronales Artificiales, Análisis Clúster, Árbol de decisión, Modelos de regresión, Modelos estadísticos, Clasificador Bayesiano Ingenuo, Algoritmo K-Neighbors, Algoritmo AdaBoost, evidenciando que la técnica de Redes Neuronales Artificiales es la que mejores resultados presenta. Con respecto a las variables de datos de cada propiedad se encontraron 27 entre las más importantes se presentan el tipo de propiedad, ubicación, precio, área de terreno, área de construcción, número de pisos, número de habitaciones, número de baños, número de estacionamientos o garaje, entre otras, además se analizaron los datos de las publicaciones en redes sociales y sitios web de inmobiliarias de la ciudad de Riobamba. Los resultados proporcionados por esta investigación son útiles para la aplicación de técnicas de minería de datos en investigaciones sobre inversiones inmobiliarias o predicciones del avalúo inmobiliario.Data mining allows the extraction of information, data classification and data processing, in order to know their behavior, to make predictions and for effective decision making. The objective of this research is to determine which are the most used data mining techniques for the analysis of real estate capital gains. For this purpose, a literature review, content analysis and the application of a grounded theory design are used. In the research analyzed it was possible to determine that the data mining techniques applied to predict real estate prices are: Artificial Neural Networks, Cluster Analysis, Decision Tree, Regression Models, Statistical Models, Naive Bayesian Classifier, K-Neighbors Algorithm, AdaBoost Algorithm, evidencing that the Artificial Neural Networks technique is the one with the best results. With respect to the data variables of each property 27 were found among the most important are presented the type of property, location, price, land area, construction area, number of floors, number of bedrooms, number of bathrooms, number of parking spaces or garage among others, in addition, data from publications in social networks and real estate websites of the city of Riobamba were analyzed. The results provided by this research are useful for the application of data mining techniques in real estate investment research or real estate appraisal predictions.A mineração de dados permite a extração de informações, a classificação de dados e o processamento dos mesmos, para conhecer seu comportamento, fazer previsões e para tomadas de decisão efetivas. O objetivo desta pesquisa é determinar quais são as técnicas de mineração de dados mais utilizadas para a análise de ganhos de capital imobiliário, para as quais se utiliza uma revisão bibliográfica, análise de conteúdo e a aplicação de um projeto de teoria fundamentada. Nas investigações analisadas foi possível determinar que as técnicas de mineração de dados aplicadas para prever preços de imóveis são: Redes Neurais Artificiais, Análise de Cluster, Árvore de Decisão, Modelos de Regressão, Modelos Estatísticos, Classificador Bayesiano Naive, Algoritmo K-Vizinhos, Algoritmo AdaBoost, mostrando que a técnica de Redes Neurais Artificiais é a que apresenta os melhores resultados. Em relação às variáveis de dados de cada imóvel, foram encontradas 27, dentre as mais importantes estão o tipo de imóvel, localização, preço, área do terreno, área de construção, número de andares, número de cômodos, número de banheiros, número de estacionamentos ou garagens, entre outros, além disso, foram analisados dados de publicações em redes sociais e sites imobiliários da cidade de Riobamba. Os resultados fornecidos por esta pesquisa são úteis para a aplicação de técnicas de mineração de dados em pesquisas de investimentos imobiliários ou previsões de avaliações de imóveis.Facultad de InformáticaUniversidad Nacional de Chimborazo2022info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf916-930http://sedici.unlp.edu.ar/handle/10915/130339spainfo:eu-repo/semantics/altIdentifier/issn/2477-8818info:eu-repo/semantics/altIdentifier/doi/10.23857/dc.v8i41.2531info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:32:47Zoai:sedici.unlp.edu.ar:10915/130339Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:32:47.839SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
Data mining techniques for real estate appreciation analysis
Técnicas de mineração de dados para análise de ganhos de capital imobiliário
title Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
spellingShingle Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
Bodero Poveda, Elba María
Ciencias Informáticas
Minería de datos
algoritmos
predicciones
plusvalía
bienes inmuebles
title_short Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
title_full Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
title_fullStr Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
title_full_unstemmed Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
title_sort Técnicas de minería de datos para el análisis de la plusvalía inmobiliaria
dc.creator.none.fl_str_mv Bodero Poveda, Elba María
Morales Alarcón, Cristian
Congacha Aushay, Ana Elizabeth
Ramos Araujo, Cristina Estefanía
author Bodero Poveda, Elba María
author_facet Bodero Poveda, Elba María
Morales Alarcón, Cristian
Congacha Aushay, Ana Elizabeth
Ramos Araujo, Cristina Estefanía
author_role author
author2 Morales Alarcón, Cristian
Congacha Aushay, Ana Elizabeth
Ramos Araujo, Cristina Estefanía
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Minería de datos
algoritmos
predicciones
plusvalía
bienes inmuebles
topic Ciencias Informáticas
Minería de datos
algoritmos
predicciones
plusvalía
bienes inmuebles
dc.description.none.fl_txt_mv La minería de datos permite la extracción de información, la clasificación de datos y el procesamiento de los mismos, para conocer su comportamiento, realizar predicciones y para la toma efectiva de decisiones. Esta investigación tiene como objetivo determinar cuáles son las técnicas de minería de datos más utilizadas para el análisis de la plusvalía inmobiliaria, para ello se hace uso de una revisión bibliográfica, análisis de contenido y la aplicación de un diseño de teoría fundamentada. En las investigaciones analizadas se pudo determinar que las técnicas de minería de datos aplicadas para predecir precios en bienes raíces son: Redes Neuronales Artificiales, Análisis Clúster, Árbol de decisión, Modelos de regresión, Modelos estadísticos, Clasificador Bayesiano Ingenuo, Algoritmo K-Neighbors, Algoritmo AdaBoost, evidenciando que la técnica de Redes Neuronales Artificiales es la que mejores resultados presenta. Con respecto a las variables de datos de cada propiedad se encontraron 27 entre las más importantes se presentan el tipo de propiedad, ubicación, precio, área de terreno, área de construcción, número de pisos, número de habitaciones, número de baños, número de estacionamientos o garaje, entre otras, además se analizaron los datos de las publicaciones en redes sociales y sitios web de inmobiliarias de la ciudad de Riobamba. Los resultados proporcionados por esta investigación son útiles para la aplicación de técnicas de minería de datos en investigaciones sobre inversiones inmobiliarias o predicciones del avalúo inmobiliario.
Data mining allows the extraction of information, data classification and data processing, in order to know their behavior, to make predictions and for effective decision making. The objective of this research is to determine which are the most used data mining techniques for the analysis of real estate capital gains. For this purpose, a literature review, content analysis and the application of a grounded theory design are used. In the research analyzed it was possible to determine that the data mining techniques applied to predict real estate prices are: Artificial Neural Networks, Cluster Analysis, Decision Tree, Regression Models, Statistical Models, Naive Bayesian Classifier, K-Neighbors Algorithm, AdaBoost Algorithm, evidencing that the Artificial Neural Networks technique is the one with the best results. With respect to the data variables of each property 27 were found among the most important are presented the type of property, location, price, land area, construction area, number of floors, number of bedrooms, number of bathrooms, number of parking spaces or garage among others, in addition, data from publications in social networks and real estate websites of the city of Riobamba were analyzed. The results provided by this research are useful for the application of data mining techniques in real estate investment research or real estate appraisal predictions.
A mineração de dados permite a extração de informações, a classificação de dados e o processamento dos mesmos, para conhecer seu comportamento, fazer previsões e para tomadas de decisão efetivas. O objetivo desta pesquisa é determinar quais são as técnicas de mineração de dados mais utilizadas para a análise de ganhos de capital imobiliário, para as quais se utiliza uma revisão bibliográfica, análise de conteúdo e a aplicação de um projeto de teoria fundamentada. Nas investigações analisadas foi possível determinar que as técnicas de mineração de dados aplicadas para prever preços de imóveis são: Redes Neurais Artificiais, Análise de Cluster, Árvore de Decisão, Modelos de Regressão, Modelos Estatísticos, Classificador Bayesiano Naive, Algoritmo K-Vizinhos, Algoritmo AdaBoost, mostrando que a técnica de Redes Neurais Artificiais é a que apresenta os melhores resultados. Em relação às variáveis de dados de cada imóvel, foram encontradas 27, dentre as mais importantes estão o tipo de imóvel, localização, preço, área do terreno, área de construção, número de andares, número de cômodos, número de banheiros, número de estacionamentos ou garagens, entre outros, além disso, foram analisados dados de publicações em redes sociais e sites imobiliários da cidade de Riobamba. Os resultados fornecidos por esta pesquisa são úteis para a aplicação de técnicas de mineração de dados em pesquisas de investimentos imobiliários ou previsões de avaliações de imóveis.
Facultad de Informática
Universidad Nacional de Chimborazo
description La minería de datos permite la extracción de información, la clasificación de datos y el procesamiento de los mismos, para conocer su comportamiento, realizar predicciones y para la toma efectiva de decisiones. Esta investigación tiene como objetivo determinar cuáles son las técnicas de minería de datos más utilizadas para el análisis de la plusvalía inmobiliaria, para ello se hace uso de una revisión bibliográfica, análisis de contenido y la aplicación de un diseño de teoría fundamentada. En las investigaciones analizadas se pudo determinar que las técnicas de minería de datos aplicadas para predecir precios en bienes raíces son: Redes Neuronales Artificiales, Análisis Clúster, Árbol de decisión, Modelos de regresión, Modelos estadísticos, Clasificador Bayesiano Ingenuo, Algoritmo K-Neighbors, Algoritmo AdaBoost, evidenciando que la técnica de Redes Neuronales Artificiales es la que mejores resultados presenta. Con respecto a las variables de datos de cada propiedad se encontraron 27 entre las más importantes se presentan el tipo de propiedad, ubicación, precio, área de terreno, área de construcción, número de pisos, número de habitaciones, número de baños, número de estacionamientos o garaje, entre otras, además se analizaron los datos de las publicaciones en redes sociales y sitios web de inmobiliarias de la ciudad de Riobamba. Los resultados proporcionados por esta investigación son útiles para la aplicación de técnicas de minería de datos en investigaciones sobre inversiones inmobiliarias o predicciones del avalúo inmobiliario.
publishDate 2022
dc.date.none.fl_str_mv 2022
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/130339
url http://sedici.unlp.edu.ar/handle/10915/130339
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/issn/2477-8818
info:eu-repo/semantics/altIdentifier/doi/10.23857/dc.v8i41.2531
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
916-930
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616207171321856
score 13.070432