Optimización Pricing Alquiler Residencial: análisis del mercado en Rios Rosas (Madrid)

Abstract

Este Trabajo de Fin de Grado analiza el mercado inmobiliario en la zona de Nuevos Ministerios–Ríos Rosas (Madrid), con el objetivo de identificar los factores que determinan el precio de la vivienda en los mercados de alquiler y compraventa, así como explorar cómo modelizarlos de manera eficiente, para ello se recopilaron más de 350 registros de viviendas mediante extracción manual y a través de la API de un portal inmobiliario, considerando variables estructurales como la superficie, el número de habitaciones y baños, la planta, la orientación interior o exterior, la presencia de ascensor y la disponibilidad de plaza de aparcamiento.

El análisis se estructuró en tres etapas, exploración de datos, modelización mediante regresión lineal y segmentación por perfiles de vivienda a través del método de clustering K-means. Los resultados muestran que la superficie y el número de habitaciones son las variables que más influyen en el precio, tanto en venta como en alquiler, mientras que otras como la planta o la orientación exterior ejercen un impacto más moderado. El modelo de regresión lineal, al emplear un conjunto reducido de predictores capaces de explicar gran parte de la variabilidad en los precios, puso de manifiesto la importancia de estas características básicas.

Por su parte, el análisis de clustering permitió identificar grupos homogéneos de viviendas que representan tipologías diferenciadas, desde pequeños apartamentos económicos hasta propiedades de lujo de gran tamaño. Un hallazgo relevante es que, aunque la regresión no detectó un efecto significativo de la plaza de aparcamiento, el clustering sí segmentó de forma clara las viviendas según dispusieran o no de esta característica, evidenciando el valor de combinar métodos complementarios. El trabajo también ofrece una reflexión metodológica, en mercados pequeños como el estudiado, prolongar la recolección de datos en el tiempo resulta más eficaz que depender exclusivamente de la API, si bien la recogida manual puede ser más ágil en el corto plazo, a largo plazo la automatización garantiza eficiencia y actualización sistemática.

En conclusión, el uso conjunto de análisis exploratorio, regresión y clustering proporciona una visión robusta del mercado inmobiliario, al identificar los determinantes clave del precio y aportar aplicaciones prácticas para la valoración, la gestión de activos y las políticas de vivienda.

This Final Degree Project analyzes the real estate market in the Nuevos Ministerios–Ríos Rosas area (Madrid), with the aim of identifying the key elements that determine housing prices in rental and sales markets, as well as exploring how they can be efficiently modeled. More than 350 housing records were collected through manual extraction and the API of a real estate portal, considering structural variables such as surface area, number of rooms and bathrooms, floor level, interior or exterior orientation, the presence of an elevator, and the availability of a parking space.

The analysis was structured in three stages, data exploration, modeling through linear regression, and housing segmentation using the K-means clustering method. Results show that surface area and number of rooms are the variables with the greatest influence on price, whether for sale or rent, while additional variables such as floor level or exterior orientation have a more moderate impact. The linear regression model, using a limited set of predictors to explain a large share of price variability, highlighted the importance of these basic attributes.

Clustering analysis, in turn, identified homogeneous groups of dwellings representing different types, ranging from small, affordable apartments to large, luxury properties. A key finding is that, although regression did not detect a significant effect of parking, clustering clearly segmented dwellings depending on the availability of this feature, demonstrating the value of combining complementary methods. The project also provides a methodological reflection, in small markets such as the one studied, extending data collection over time proves more effective than relying exclusively on the API. While manual collection may be more agile in the short term, automation ensures efficiency and systematic updating in the long term.

In conclusion, the combined use of exploratory analysis, regression, and clustering offers a robust perspective on the real estate market, identifying the key determinants of price and providing practical applications for property valuation, asset management, and housing policies.