La determinación precisa del precio de una vivienda no es una cuestión fácil. A la hora de valorar una vivienda, uno de los aspectos que más influye en su precio final es la calidad potencial de ubicación en la que la vivienda se encuentra. Para evaluar si una ubicación es o no de buena calidad, hay que considerar una gran cantidad de factores como la accesibilidad de la zona, la cercanía o no de servicios públicos, niveles de ruido, seguridad y delincuencia, si es una zona de interés turístico, etc.

A continuación, veremos ejemplos de cómo cambia la calidad potencial de ubicación en distintas zonas de la ciudad de Madrid según la metodología utilizada por DataCentric para ayudar a Tinsa a determinar el valor de una vivienda. Por ejemplo, para la zona entre el distrito de Salamanca y Ciudad Lineal tenemos las siguientes valoraciones aproximadas* en las que trabajamos con 5 categorías de calidad potencial de ubicación: baja, media-baja, media, media-alta y alta.:

calidad de ubicacion de inmuebles

A simple vista puede verse que existen ya unas divisiones intuitivas en ciertos puntos, como por ejemplo a ambos lados de la M-30, donde el cambio es muy marcado, y también se aprecia como la calidad aumenta en el barrio de Salamanca y en la zona de El Viso. A la hora de interpolar estas valoraciones puntuales al total de zonas hay muchas opciones. El principal problema reside en encontrar un método lo suficientemente preciso en zonas con mucha muestra diversa, y que extrapole con coherencia en zonas con menos datos.

La metodología final es robusta y respeta las divisiones producidas por grandes calles, carreteras y accidentes naturales. Incluye algoritmia específica dependiendo de si nos encontramos en zonas urbanas o rurales, y considera valoraciones de la zona a extrapolar, de zonas vecinas, y de regiones más amplias de las que forma parte la zona analizada.

Así, para la zona de Salamanca-Ciudad Lineal que comentábamos:
ejemplo de zonas con distinta calidad de ubicacion

A nivel general se aprecian tres zonas muy claras definidas por la calle de Príncipe de Vergara y la M-30. La M-30 es una vía clave que provoca cambios significativos en la calidad potencial de ubicación: la calidad en la zona entre la M-30 y Príncipe de Vergara pasa de ser media y media-alta, a ser media-baja y baja dentro del distrito de Ciudad Lineal en el entorno de Calle Alcalá.

Un punto importante es que, aunque dentro de estas tres grandes zonas la calidad potencial de ubicación es relativamente homogénea aparecen pequeñas diferencias que reflejan las características singulares de cada ubicación. Esto puede verse en la zona de Quintana o El Carmen y de forma más clara en las cercanías de la Avenida de América y la calle Arturo Soria, donde se observa claramente una mejor calidad potencial de ubicación respecto a su entorno.

En definitiva, la metodología se ha aplicado en todo el territorio nacional y recoge mucha información sobre la calidad potencial de ubicación de forma intuitiva y clara. Así, estos datos resultan muy relevantes a la hora de determinar el valor de una vivienda, decidir la localización de un local comercial o detectar zonas problemáticas en rutas de reparto, por ejemplo.

Información contenida en Pyramid Data

Esta variable es creada específicamente por personal experto en valoración de inmuebles para cada una de las viviendas que se valoran. La calidad potencial de ubicación es uno de los pilares que determinan el precio final de una vivienda, junto con otras características como la tipología de vivienda, su antigüedad, su estado de conservación, su calidad, etc. Y en su conjunto, son esenciales para realizar inversiones inmobiliarias de gran calado y optimizar proyectos de geomarketing.

Todas estas características del inmueble y muchas más las podrás encontrar en Pyramid, la fuente de datos de DataCentric. Una plataforma que te permite integrar todos estos datos de cualquier punto a nivel nacional de forma sencilla dentro de tus sistemas de información para la toma de decisiones.

Rocio Jiménez

Head of Analytics

Carlos Álvarez

Data Scientist