Implementación de un modelo de regresión de machine learning para mejorar la valoración de departamentos de Tempo Perú en Lima Centro y Lima Oeste

• Autores: Doig Diaz, Augusto, Aguilar Alvarez, Roger, Evangelista Pescoran, Misael Elias, Rodriguez Mallqui, Jordan King
• Formato: tesis de maestría
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/684715
• Enlace del recurso: http://hdl.handle.net/10757/684715
• Nivel de acceso: acceso abierto
• Materia: Valorización inmobiliaria; XGB Regressor; Machine learning; Modelo predictivo de regresión; Real estate valuation; Predictive regression model; https://purl.org/pe-repo/ocde/ford#2.02.04

La investigación aplica técnicas avanzadas de aprendizaje automático, específicamente el modelo XGB Regressor, para mejorar la precisión y eficiencia en la valoración de propiedades inmobiliarias en Lima Centro y Lima Oeste. Enfocada en Tempo Perú, aborda los desafíos de los métodos tradicionales y subjetivos de valoración. El estudio identifica variables clave que influyen en la valoración de departamentos y construye un modelo de regresión utilizando XGB Regressor, implementado en la aplicación web Evaluator para automatizar el proceso y mejorar la eficiencia operativa. Se probaron cinco regresores lineales y ocho no lineales, determinando que el XGB Regressor ofrecía los mejores resultados en términos de precisión y robustez. La metodología integró CRISP-DM y SCRUM, abarcando desde la recolección y análisis de datos hasta la construcción del modelo y su implementación. Los datos incluyeron características del inmueble, proximidad a lugares de interés (empresas, lugares públicos, entretenimiento), nivel socioeconómico, información de DataCrim y Google Maps. Los resultados mostraron un R² de 95.16% y un MAPE de 7.219%, validando la efectividad del modelo. Las variables más influyentes fueron el área del inmueble, la latitud y la densidad de comercios cercanos. La implementación del modelo mejoró significativamente la precisión de las valoraciones, redujo tiempos y costos, y aumentó la satisfacción del cliente, fortaleciendo la posición de Tempo Perú en el mercado. Este estudio demuestra cómo el aprendizaje automático puede transformar la valoración inmobiliaria, ofreciendo mayor precisión y eficiencia, y proporcionando a Tempo Perú una herramienta robusta que optimiza sus procesos operativos y mejora su competitividad.