Artigo – Valor Investe – Machine learning a serviço do mercado, e do consumidor – Por Mate Pencz

Termo em inglês que batiza a tecnologia por meio da qual os computadores conseguem aprender algo com base em respostas obtidas com a associação de diferentes dados, o chamado machine learning é amplamente usado – muitas vezes nos panos de fundo – na entrega de valor de diversos produtos e serviços que são consumidos hoje em dia. No mercado imobiliário brasileiro não é diferente. Sim, o machine learning pode ajudar a organizar esse setor. Vamos observar, neste artigo, de que forma isso é possível.

Um dos conceitos mais usados no mercado imobiliário é o de bairro. Baseado em seu perfil, suas vivências, desejos e necessidades, cada pessoa tem um relacionamento diferente com o seu bairro. Alguns se importam pouco com o local que escolhem para morar, desde que seja perto do local do trabalho – o que, aliás, tem mudado muito no confinamento imposto pela pandemia do novo coronavírus. Outros nasceram, cresceram e fincaram raízes no mesmo bairro, por gerações até. Outros, ainda, se identificam com o estilo de vida de uma determinada localidade e decidem morar lá.

Em uma metrópole do tamanho de São Paulo, esse tipo de comportamento ganha traços ainda mais evidentes. A cidade é uma prova de que os bairros ganharam cores próprias, atraindo diferentes perfis de moradores ao longo dos anos. Se o desejo existe, muitas vezes a clareza de como consolidá-lo não é tão fácil: é muito comum vendedores e compradores se perguntarem como acertar na hora de determinar o preço de compra ou venda de um imóvel. A falta de critérios e dados claros gera descompassos que se refletem em uma precificação imprecisa, abrindo espaço para especulação e, muitas vezes, dificultando a liquidez.

Seguindo mais adiante: além de identificar quais bairros atendem aos diferentes perfis de clientes, é possível entender os bairros de acordo com aspectos mais funcionais, como metragem média dos apartamentos, densidade demográfica e arborização, entre outros. Dessa forma, conseguimos saber com precisão onde ficam os bolsões de valor imobiliário de uma cidade, isto é, zonas de valor separadas em partições, de forma que os preços dos imóveis em cada uma dessas partições sejam parecidos.

Valor como foco

Em outras palavras, conseguimos dividir uma cidade em porções, como fatias de um bolo. Em cada fatia, estão cravados imóveis com perfis de preços semelhantes. Ao examinar com lupa as diversas fatias, exercitamos o entendimento do mercado imobiliário e criamos um novo conceito de bairro. Esse conceito tem o valor como foco, em que comparamos as novas linhas de bairros com as já existentes.

Para mostrar como essa ferramenta funciona, tomemos como exemplo o bairro dos Jardins, na capital paulista. Tamanha a sua amplitude e densidade, a localidade ganhou várias denominações. As definições podem variar, mas é comum chamarmos de “Jardins” os bairros entre a Avenida Paulista, a Rua Estados Unidos, a Avenida Rebouças e a Avenida Brigadeiro Luiz Antônio. Em geral, dividimos os Jardins em dois bairros diferentes:

No plano geral, o algoritmo formou novas simbioses: Vila Nova Conceição e uma parte de Moema juntando-se em uma única zona, diferentes partições em Higienópolis e aumento de preços ao redor do Parque Ibirapuera.

Metodologia

Aplicamos a ideia com uma árvore de decisão, algoritmo de machine learning que aprende com a indução de regras. Utilizamos dados de latitude e longitude para encontrar partições com baixa dispersão de preço. Chegamos ao resultado da seguinte forma:

Preparamos uma base de anúncios imobiliários com estimativas de preço por metro de apartamentos em 2018. Utilizamos outras fontes de dados para precificação, como matrículas e transações. Para esse exercício, os dados coletados são suficientes.

Cada linha da base de dados é um prédio. Dessa forma, realizamos o cálculo médio do preço por metro dos apartamentos anunciados.

Aplicamos uma transformação de rotação nos dados de latitude e longitude. Assim, a árvore pode formar quebras diagonais. Nesse processo, delimitamos o alcance mínimo de 200 prédios por partição.

Publicamos o resultado usando o kepler.gl, que nos permite enxergar as partições e o preço por metro médio da partição.

Como é possível concluir, no mercado imobiliário, o machine learning, aplicado na rotina da precificação, traz confiança ao mercado e soluciona incertezas de consumidores. A ferramenta produz efeitos práticos. Ou seja, é possível aplicar a tecnologia para ajudar compradores e vendedores a ter uma referência de preço, baseada nas transações anteriores. Dessa forma, o processo de compra e venda torna-se mais rápido e há menos apartamentos parados no mercado devido a entraves na negociação.

Fonte: Valor Investe

Deixe uma resposta

Fechar Menu