Módulo 2.2.1 - Ejercicio

Escenario

La empresa CapitalR Real Estate proporciona servicios a varias agencias inmobiliarias independientes en toda Norteamérica, a cambio de una cuota anual de membresía. Contrataron a su equipo de IA para ayudar a desarrollar una herramienta de aprendizaje automático que ayude a los agentes a poner los precios de las casas de manera adecuada. 

El precio de venta de una casa depende de muchos factores. Si una vivienda es demasiado costosa, podría permanecer en el mercado durante mucho tiempo. Incluso si se baja el precio, los clientes pueden pasar por alto las viviendas que se han "estancado" porque inicialmente estaban demasiado caras. A largo plazo, la casa puede venderse por un precio mucho más bajo de lo que habría vendido si su precio de oferta inicial hubiera sido más razonable.
Por otro lado, una casa que se vende rápidamente puede haber sido subvalorada. El propietario (y el vendedor, a quien se le paga en base a un porcentaje del precio de venta) puede sospechar que podrían haber obtenido más por la casa si hubieran tasado más cara.

Tanto para el vendedor de la casa como para el agente de bienes raíces, hay incentivos significativos para encontrar el precio "correcto" para una casa para que se venda lo suficientemente rápido y maximizar el rendimiento para el vendedor y el agente al mismo tiempo.

Sin embargo, el mercado inmobiliario fluctúa y se basa en variables como la economía local, la época del año, las percepciones públicas y muchos otros factores que cambian con el tiempo. Algunos clientes pueden requerir una venta rápida, mientras que otros se contentan con esperar mucho tiempo por un comprador, si eso les permite obtener un mejor precio para la casa.

Teniendo en cuenta todos los puntos de datos que pueden influir en la eficacia de la predicción, puede ser difícil encontrar el precio óptimo. Su tarea es determinar si una herramienta de software basada en el aprendizaje automático podría proporcionar una buena solución.