House_Rocket

This repository contains files and script to build a company strategy dashboard.

1. Descrição do problema de negócio:

A House Rocket é uma empresa fictícia que trabalha com a compra e venda de imóveis. A equipe de negócio da empresa precisa decidir quais são as melhores opções de imóveis para compra. Devido a grande quantidade de imóveis no portfólio e da quantidade de atributos que cada imóvel possui, é demandada uma análise mais criteriosa e técnica. Porém, realizar o trabalho manualmente é muito demorado e pode levar a decisões precipitadas. Deste modo, é necessária a realização de um projeto para avaliar quais são as melhores estratégias para que a empresa consiga escolher bons imóveis para a compra, aumentando o seu faturamento.

2. Questões de negócio:

2.1. Quais são os imóveis que a House Rocket deveria comprar?

2.2. Uma vez comprados os imóveis, qual o melhor momento para vendê-los e por qual preço?

3. Base de dados e descrição dos atributos:

3.1. Dados disponíveis em: https://www.kaggle.com/harlfoxem/housesalesprediction/discussion/207885.

3.2. Descrição dos atributos (colunas):

Columns	Description
'id':	código do imóvel
'date':	data em que o imóvel foi vendido.
'price':	preço de venda do imóvel.
'bedrooms':	quantidade de quartos.
'bathrooms':	quantidade de banheiros.
'sqft_living':	tamanho interno do imóvel em ft.
'sqft_lot':	tamanho do lote em ft.
'floors':	quantidade de andares.
'waterfront':	se possui vista para o mar (1) ou não (0).
'view':	qualidade da vista (0 até 4).
'condition':	condição do imóvel (1 até 5).
'grade':	qualidade do design e da construção (1 até 13).
'sqft_above':	tamanho do andar superior (ou do único andar).
'sqft_basement':	tamanho do andar inferior (porão).
'yr_built':	ano de construção do imóvel.
'yr_renovated':	ano de reforma do imóvel (se reformado).
'zipcode':	localidade.
'lat':	latitude.
'long':	longitude.
'sqft_living15':	tamanho interno do imóvel em ft dos 15 vizinhos mais próximos.
'sqft_lot15':	tamanho do lote em ft dos 15 vizinhos mais próximos.

4. Premissas de negócio:

4.1 Premissas

• Date é referente ao dia que o imóvel foi disponibilizado para venda.
• Assumimos que Ids duplicados são imóveis reavaliados. Portando mantemos os atualizados Consideramos que o valor "33" na variavel "bedrooms", houve um erro de digitação. Portando mudamos para "3".
• Imóveis no qual o ano de renovação é igual a 0 é considerado que não houve reforma.
• Podem haver erros de digitação em alguns registros que devem ser tratados/removidos durante a limpeza dos dados.

4.2. Foram criados novos atributos para a análise:

'floors_h7': Derivada da coluna Floors. Onde a coluna floors_h7 recebe os valores; menor ou igual a 1 é considerado 'house', diferente disso recebe o valor 'more_floors'.

'porao': Derivada da coluna m2_basement. Onde a coluna porao recebe os valores; sem_porao ou com_porao

'yr_construction': Derivada da coluna yr_built. Onde a coluna yr_construction recebe os imóveis do periodo 1900 - 1954 a 1955 - 2015.

'is_waterfront': indica se o imóvel possui vista para o mar ('is_waterfront' == com_vista) ou não ('is_waterfront' == sem_vista).

'dormitory_type': Derivada da coluna bedrooms. Onde a coluna nova recebe os seguintes valores; studio, apartament, house.

'year': retorna o ano do imóvel de acordo com a coluna 'date'.

'month': retorna o mês do imóvel de acordo com a coluna 'date'.

'year_week'; Derivada da coluna date. Onde a coluna nova recebe a semana e o ano.

'month_year'': retorna o ano e o mês do imóvel de acordo com a coluna 'date'.

'season': Derivada da coluna month. onde a colina season recebe os seguintes valores; winter, spring, summer, autumn.

5. Estrategia da solução:

5.1 Ferramentas utilizadas:

Python 3.10.8; PyCharm Community; Jupyter Notebook; Streamlit.

5.2 Produto final:

Relatório 'purchase_recommendations.csv' com sugestões de compra de imóveis; Relatório 'selling_recommendations.csv' com sugestões de preço de venda de imóveis e momento de venda de imóveis; Utilizando o framework Streamlit Cloud para visualização,localização dos imóveis com o mapa interativo e exploração dos dados.Na janela Overview podemos realizar pesquisas através dos filtros, analisar as métricas dos imóveis.

5.3 Planejamento para a criação do relatório de sugestão de compra dos imóveis:

• Foram coletados os dados e aplicadas as premissas de negócio.

• Os imóveis estão com duas condições pre estabelecidas para compra.

  1. O preço do imóvel tem que ser a baixo do valor mediano da sua região.
  2. As condições dos imóveis deve estar maior ou igual a 3.

• Para que a experiencia seja agradável, proporcionamos filtros interativos, assim o time de negócio poderar realizar sua proprias pesquisas.

• Os imóveis foram agrupados de acordo com a sua localidade por meio da coluna 'zipcode'.

• Foram determinadas as medianas dos preços para cada localidade.

5.4 Planejamento para a criação do relatório de sugestão de venda dos imóveis:

• Os imóveis foram agrupados de acordo com a sua localidade e sazonalidade.

• Foram determinadas as medianas dos preços para cada localidade e sazonalidade.

• Foi criado um novo atributo: 'price_sales' 'price_sales': representa o preço pelo qual os imóveis devem ser vendidos. Imóveis com preço abaixo do preço da mediana são vendidos pelo preço de compra acrescido de 30%, imóveis com imóveis com preço acima da mediana são vendidos pelo preço de compra acrescido de 10%.

6.1. Hipóteses:

Nossas hipóteses são totalmente interativas atráves dos dois filtros; Data e Preço. Dessa forma o time de negócio consegue ter uma autonomia melhor na toma de decisão.

Seguem as Hipóteses:

• Hipótese 1: Imóveis no ano de construção menor que 1955, são 50% mais baratos na média.

• Hipótese 2: Imóveis com vista para água, são 30 % mais caros, na média.

• Hipóteses 3: Imóveis sem porão, são -20% desvalorizados comparando com imóveis com porão.

• Hipótese 4: Imóveis tipo casa são 30% mais em conta do que imóveis com mais de 1 andar.

7. Resultados financeiros:

Como fizemos algo mais inderativo para o time de negó cio. O resultado financeiro vária conforme as buscas pelos filtros.

8. Conclusão:

Não só buscamos responder as perguntas do time de negócio, como deixamos o projeto o mais interativo possível. Com esse painel de métricas, vamos poder explorar ainda mais e assim ter uma tomada de decisão com base nas pesquisas do time de negócio.

9.Próximo passos:

• Aplicação de mais filtros.
• Novas hipóteses.
• Implementar o modelo de negócio.