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
- Institución
- Universidad Maza
- OAI Identificador
- oai:repositorio.umaza.edu.ar:00261/3328
Ver los metadatos del registro completo
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 |