Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza

Autores
Renzo Enrique Polo; Ramiro Alberdi; Diego Erba
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Fil: Renzo Enrique Polo. Mapee Inteligencia Geográfica; Argentina.
Fil: Ramiro Alberdi. Facultad de Ingeniería y Ciencias. Hídricas. Universidad Nacional del Litoral; Argentina.
Fil: Diego Erba. Consultor independiente; Argentina.
La necesidad de valuar masivamente los inmuebles se ha comprobado en el desarrollo de las políticas públicas en general. Los métodos tradicionalmente aplicados para la valuación masiva de inmuebles (VMI) han involucrado el uso de fórmulas e índices complejos, difíciles de obtener, procesar y mantener, elegidos en parte por la falta de conocimiento en tecnologías de automatización de procesos. Los procedimientos de VMI no se realizan con una frecuencia apropiada para acompañar la dinámica del mercado inmobiliario y por ese motivo nunca se llega a una valuación precisa de los inmuebles. En búsqueda de soluciones a dicha problemática, se desarrolló este trabajo siguiendo tres acciones: 1) generar una base de datos de entrenamiento capturando, sistematizando y procesando datos de oferta de inmuebles en el mercado inmobiliario de tres ciudades intermedias de la provincia de Mendoza; 2) caracterizar lasbases de entrenamiento y predicción mediante variables geográficas; 3) asignar valores a todas las parcelas urbanas a través de técnicas de Machine Learning, más concretamente a través del algoritmo XGBoost para el modelado de valores. Aun cuando este recurso ha sido poco explorado en este ámbito de aplicación, los resultados y métricas obtenidas muestran que su utilización deriva en parámetros de calidad aceptables para los objetivos planteados, y que su implementación permite diseñar estrategias eficientes y eficaces para la construcción de VMI, a menor costo en dinero y en tiempo que los métodos tradicionales. La clave del éxito, en parte, tiene fuerte dependencia con la estrategia de recolección de datos.
Fuente
Revista Científica Investigación, Ciencia y Universidad (ICU),Vol. 7 Núm. 9 (2023)
Materia
Valuaciones
Machine learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
UMaza Digital
Institución
Universidad Maza
OAI Identificador
oai:repositorio.umaza.edu.ar:00261/3328

id UMazaD_a9928e41d314f54b9aa82d78e78be42d
oai_identifier_str oai:repositorio.umaza.edu.ar:00261/3328
network_acronym_str UMazaD
repository_id_str 4419
network_name_str UMaza Digital
spelling Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de MendozaRenzo Enrique PoloRamiro AlberdiDiego ErbaValuacionesMachine learningFil: Renzo Enrique Polo. Mapee Inteligencia Geográfica; Argentina.Fil: Ramiro Alberdi. Facultad de Ingeniería y Ciencias. Hídricas. Universidad Nacional del Litoral; Argentina.Fil: Diego Erba. Consultor independiente; Argentina.La necesidad de valuar masivamente los inmuebles se ha comprobado en el desarrollo de las políticas públicas en general. Los métodos tradicionalmente aplicados para la valuación masiva de inmuebles (VMI) han involucrado el uso de fórmulas e índices complejos, difíciles de obtener, procesar y mantener, elegidos en parte por la falta de conocimiento en tecnologías de automatización de procesos. Los procedimientos de VMI no se realizan con una frecuencia apropiada para acompañar la dinámica del mercado inmobiliario y por ese motivo nunca se llega a una valuación precisa de los inmuebles. En búsqueda de soluciones a dicha problemática, se desarrolló este trabajo siguiendo tres acciones: 1) generar una base de datos de entrenamiento capturando, sistematizando y procesando datos de oferta de inmuebles en el mercado inmobiliario de tres ciudades intermedias de la provincia de Mendoza; 2) caracterizar lasbases de entrenamiento y predicción mediante variables geográficas; 3) asignar valores a todas las parcelas urbanas a través de técnicas de Machine Learning, más concretamente a través del algoritmo XGBoost para el modelado de valores. Aun cuando este recurso ha sido poco explorado en este ámbito de aplicación, los resultados y métricas obtenidas muestran que su utilización deriva en parámetros de calidad aceptables para los objetivos planteados, y que su implementación permite diseñar estrategias eficientes y eficaces para la construcción de VMI, a menor costo en dinero y en tiempo que los métodos tradicionales. La clave del éxito, en parte, tiene fuerte dependencia con la estrategia de recolección de datos.2024-04-19info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttps://repositorio.umaza.edu.ar/handle/00261/3328Revista Científica Investigación, Ciencia y Universidad (ICU),Vol. 7 Núm. 9 (2023)reponame:UMaza Digitalinstname:Universidad Mazaspainfo:eu-repo/semantics/altIdentifier/doi/10.59872/icu.v7i9.428info:eu-repo/semantics/altIdentifier/url/10.59872/icu.v7i9.428info:eu-repo/semantics/altIdentifier/url/https://revistas.umaza.edu.ar/icu/article/view/428/349info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/2025-09-29T14:29:16Zoai:repositorio.umaza.edu.ar:00261/3328instacron:UMAZAInstitucionalhttp://repositorio.umaza.edu.ar/Universidad privadaNo correspondehttp://repositorio.umaza.edu.ar/oaicienciaytecnica@umaza.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:44192025-09-29 14:29:16.42UMaza Digital - Universidad Mazafalse
dc.title.none.fl_str_mv Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
title Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
spellingShingle Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
Renzo Enrique Polo
Valuaciones
Machine learning
title_short Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
title_full Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
title_fullStr Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
title_full_unstemmed Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
title_sort Aplicación de técnicas de Machine Learning para Valuación Masiva de Inmuebles en ciudades intermedias de la provincia de Mendoza
dc.creator.none.fl_str_mv Renzo Enrique Polo
Ramiro Alberdi
Diego Erba
author Renzo Enrique Polo
author_facet Renzo Enrique Polo
Ramiro Alberdi
Diego Erba
author_role author
author2 Ramiro Alberdi
Diego Erba
author2_role author
author
dc.subject.none.fl_str_mv Valuaciones
Machine learning
topic Valuaciones
Machine learning
dc.description.none.fl_txt_mv Fil: Renzo Enrique Polo. Mapee Inteligencia Geográfica; Argentina.
Fil: Ramiro Alberdi. Facultad de Ingeniería y Ciencias. Hídricas. Universidad Nacional del Litoral; Argentina.
Fil: Diego Erba. Consultor independiente; Argentina.
La necesidad de valuar masivamente los inmuebles se ha comprobado en el desarrollo de las políticas públicas en general. Los métodos tradicionalmente aplicados para la valuación masiva de inmuebles (VMI) han involucrado el uso de fórmulas e índices complejos, difíciles de obtener, procesar y mantener, elegidos en parte por la falta de conocimiento en tecnologías de automatización de procesos. Los procedimientos de VMI no se realizan con una frecuencia apropiada para acompañar la dinámica del mercado inmobiliario y por ese motivo nunca se llega a una valuación precisa de los inmuebles. En búsqueda de soluciones a dicha problemática, se desarrolló este trabajo siguiendo tres acciones: 1) generar una base de datos de entrenamiento capturando, sistematizando y procesando datos de oferta de inmuebles en el mercado inmobiliario de tres ciudades intermedias de la provincia de Mendoza; 2) caracterizar lasbases de entrenamiento y predicción mediante variables geográficas; 3) asignar valores a todas las parcelas urbanas a través de técnicas de Machine Learning, más concretamente a través del algoritmo XGBoost para el modelado de valores. Aun cuando este recurso ha sido poco explorado en este ámbito de aplicación, los resultados y métricas obtenidas muestran que su utilización deriva en parámetros de calidad aceptables para los objetivos planteados, y que su implementación permite diseñar estrategias eficientes y eficaces para la construcción de VMI, a menor costo en dinero y en tiempo que los métodos tradicionales. La clave del éxito, en parte, tiene fuerte dependencia con la estrategia de recolección de datos.
description Fil: Renzo Enrique Polo. Mapee Inteligencia Geográfica; Argentina.
publishDate 2024
dc.date.none.fl_str_mv 2024-04-19
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://repositorio.umaza.edu.ar/handle/00261/3328
url https://repositorio.umaza.edu.ar/handle/00261/3328
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/doi/10.59872/icu.v7i9.428
info:eu-repo/semantics/altIdentifier/url/10.59872/icu.v7i9.428
info:eu-repo/semantics/altIdentifier/url/https://revistas.umaza.edu.ar/icu/article/view/428/349
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.source.none.fl_str_mv Revista Científica Investigación, Ciencia y Universidad (ICU),Vol. 7 Núm. 9 (2023)
reponame:UMaza Digital
instname:Universidad Maza
reponame_str UMaza Digital
collection UMaza Digital
instname_str Universidad Maza
repository.name.fl_str_mv UMaza Digital - Universidad Maza
repository.mail.fl_str_mv cienciaytecnica@umaza.edu.ar
_version_ 1844621756172599296
score 12.559606