Modelos automatizados de valoración (AVMs)

Abstract

Esta tesis investiga el impacto de la integración de Big Data en la precisión y fiabilidad de los Modelos de Valoración Automatizados (AVM) en la valoración inmobiliaria, utilizando una combinación de enfoques cuantitativos y cualitativos. También se analizaron artículos académicos para obtener una comprensión global de los AVM y Big Data, destacando las ventajas de estas tecnologías y proporcionando contexto sobre su importancia en los mercados inmobiliarios modernos. La revisión de la literatura ofrece una visión de los métodos tradicionales de valoración y su evolución, destacando cómo Big Data puede mejorar la precisión y la eficiencia de los AVMs al tiempo que aborda los desafíos asociados, tales como la privacidad de los datos y la transparencia del modelo. La metodología de investigación combina el análisis de datos cuantitativos y la revisión cualitativa de los resultados de los AVM para evaluar la influencia de Big Data en la precisión de la valoración. También incluye un estudio de caso para explorar el papel y el impacto de Big Data en escenarios prácticos. Los resultados revelan que el Big Data mejora significativamente el rendimiento de los AVM al reducir el error absoluto medio, aunque introduce complejidades como la naturaleza de «caja negra» de los modelos, que puede afectar al proceso de toma de decisiones. En la parte de debate de mi investigación se hace hincapié en los retos éticos y operativos, subrayando la necesidad de marcos más estrictos para gestionar eficazmente la integración de Big Data. El estudio concluye vinculando las conclusiones empíricas con las teóricas, sugiriendo que, si bien el Big Data mejora las AVM, su pleno potencial sólo puede aprovecharse con una cuidadosa consideración de la calidad de los datos, la transparencia y el cumplimiento de la normativa. La investigación subraya que el impacto del Big Data en las AVM es polifacético y depende de varios factores, como la integridad de los datos y la infraestructura tecnológica.

This thesis investigates the impact of Big Data integration on the accuracy and reliability of Automated Valuation Models (AVMs) in real estate valuation, using a mix of a quantitative and qualitative approaches. Academic articles were also analysed to gain a comprehensive understanding of AVMs and Big Data, highlighting the advantages of these technologies and providing context on their importance in modern real estate markets. The literature review offers insights into traditional valuation methods and their evolution, highlighting how Big Data can enhance AVMs' precision and efficiency while addressing associated challenges such as data privacy and model transparency. The research methodology combines quantitative data analysis and qualitative review of AVM outputs to assess the influence of Big Data on valuation accuracy. It also includes a case study to explore the role and impact of Big Data in practical scenarios. The findings reveal that Big Data significantly improves AVM performance by reducing median absolute error, though it introduces complexities like the "black box" nature of models, which can impact the decision-making process. In the discussion portion of my research there is a focus on the ethical and operational challenges, emphasising the need for tighter frameworks to manage Big Data integration effectively. The study concludes by linking empirical findings with theoretical insights, suggesting that while Big Data enhances AVMs, its full potential can only be realized with careful consideration of data quality, transparency, and regulatory compliance. The research underscores that the impact of Big Data on AVMs is multifaceted, contingent on various factors including data integrity and technological infrastructure.