RentSmart

Analizar la influencia de la proximidad a puntos de interés (restaurantes, bancos, transporte público) en los precios de arrendamiento de locales comerciales en Bogotá, utilizando los datos extraídos del sistema y comparándolos con patrones de demanda en distintas zonas de la ciudad.

Implementar un script de scraping para extraer información clave (ubicación, precio, tamaño, descripción) de locales comerciales en portales web de arrendamiento, seleccionando para ello páginas especializadas como **Fincaraíz**, **Metrocuadrado** o **OLX**, que contengan la información solicitada. Se empleará la extensión **Web Scraper** para facilitar el proceso de identificación de patrones de datos, estructurar la extracción y automatizar la recolección de información relevante.

Implementar un proceso automatizado que detecte y gestione valores faltantes en los campos clave (ubicación, precio, tamaño) mediante técnicas de imputación (media o mediana) o eliminación de registros incompletos cuando sea necesario. Además, estandarizar los formatos de los datos, como convertir precios a una moneda uniforme y unificar las unidades de tamaño en metros cuadrados. Finalmente, corregir errores tipográficos y normalizar las descripciones de los locales comerciales, garantizando consistencia y calidad en los datos para su posterior análisis.

Crear una tabla en PostgreSQL que almacene los datos obtenidos de arrendamiento comercial, definiendo un esquema que incluya campos como id, ubicación, precio, tamaño, descripción e imágenes, con tipos de datos adecuados.

Diseñar un boceto inicial de la interfaz utilizando herramientas de diseño como Figma o Sketch. Establecer un nuevo repositorio en GitHub para el proyecto, asegurando que esté configurado con un archivo README que describa el propósito y los objetivos del proyecto.

Implementar en Streamlit una visualización que muestre un resumen de los datos obtenidos, incluyendo un listado de locales comerciales en formato de tabla y gráficos básicos. Para ello, utilizar componentes de Streamlit como st.table() para presentar la información tabulada y st.bar_chart() o st.line_chart() para ilustrar tendencias en los precios y tamaños de los locales.

Ampliar el proyecto básico para incluir una interfaz de usuario que permita a los empresarios filtrar y explorar locales comerciales por barrio, así como integrar datos de OpenStreetMap sobre puntos de interés.

Desarrollar una interfaz que permita a los usuarios buscar locales comerciales por barrio. Se recomienda desarrollar la interfaz visual con la librería Streamlit; esto es una sugerencia. Mostrar información adicional sobre los locales, como equipamiento cercano y puntos de interés (restaurantes, bancos, transporte público).

La tarea consiste en recopilar y limpiar los datos de arrendamiento de locales comerciales, eliminando valores atípicos mediante la selección de datos entre los percentiles 25 y 75. Se probarán diferentes algoritmos de machine learning, como XGBoost, Random Forest y Regresión Lineal, para encontrar el que mejor se ajuste a los datos. Luego, se entrenará el modelo seleccionado, evaluando su rendimiento con métricas como MAE, RMSE y R². Finalmente, el modelo entrenado se integrará en la aplicación, permitiendo realizar predicciones precisas del precio de arriendo en tiempo real y visualizarlas en la interfaz desarrollada con Streamlit.