Análisis y Proyección de Costos en Proyectos de Vivienda VIS y NO VIS Desarrollados por la Constructora Vértice Ingeniería y Construcción en el Área Metropolitana del Valle de Aburrá durante el Período 2016-2023

Abstract

RESUMEN : El objetivo del trabajo es estimar el costo de proyectos de vivienda VIS y NON VIS utilizando datos históricos de la Constructora Vértice Ingeniería y Construcción, que abarcan el período de 2016 a 2023. Este estudio investigó el poder predictivo de un Regresor de Bosque Aleatorio para estimar los costos totales de proyectos de desarrollo inmobiliario. El preprocesamiento de datos implicó el manejo de valores faltantes, la codificación de variables categóricas y la agregación de características relevantes para crear un conjunto de datos completo. El modelo de Bosque Aleatorio, optimizado a través de GridSearchCV, aprovechó su capacidad para manejar relaciones no lineales e interacciones entre variables. Las métricas de evaluación del modelo, incluyendo R-cuadrado (R²) y error cuadrático medio (RMSE), revelaron un valor R² (0,938) y un RMSE de 129.195.291, demostrando su fuerte desempeño predictivo, que para un proyecto VIS en promedio tiene un costo de 11.000.000.000 pesos colombianos y para un proyecto NON VIS tiene un costo promedio de 40.000.000.000 pesos colombianos, cabe señalar que un RMSE bajo indica un mejor ajuste del modelo. Esto representa una mejora significativa con respecto a los enfoques de regresión lineal anteriores. El trabajo futuro explorará la inclusión de variables adicionales, como indicadores macroeconómicos, y comparará el modelo Random Forest con otros métodos de conjunto como Gradient Boosting para mejorar aún más la precisión predictiva y la aplicabilidad en el sector inmobiliario.

ABSTRACT : The paper aims to estimate the cost of VIS and NON VIS housing projects using historical data from Constructor Vértice Ingeniería and Construcción, covering the period from 2016 to 2023. This study investigated the predictive power of a Random Forest Regressor for estimating total project costs in real estate development. Data preprocessing involved handling missing values, encoding categorical variables, and aggregating relevant features to create a comprehensive dataset. The Random Forest model, optimized through GridSearchCV, leveraged its ability to handle non-linear relationships and interactions between variables. The model evaluation metrics, including R-squared (R²) and root mean square error (RMSE), revealed an R² value (0.938) and an RMSE of 129,195,291, demonstrating its strong predictive performance, which for a VIS project on average has a cost of 11,000,000,000 Colombian pesos and for a NON VIS project has an average cost of 40,000,000,000 Colombian pesos, it should be noted that a low RMSE indicates a better fit of the model. This represents a significant improvement over previous linear regression approaches. Future work will explore the inclusion of additional variables, such as macroeconomic indicators, and compare the Random Forest model to other ensemble methods like Gradient Boosting to further enhance predictive accuracy and applicability in the real estate sector.