Proyecto Final de Data Science de Albano Vergara
Diplomatura en Ciencia de Datos con R y Python

Cuando alguien termina una diplomatura en ciencia de datos, la pregunta que sigue no es si aprendió a entrenar un modelo. Es si puede resolver un problema real de punta a punta: conseguir los datos, entenderlos, modelarlos y —lo más difícil— convertir el resultado en algo que alguien pueda usar para tomar una decisión.

Albano Vergara hizo exactamente eso. Sociólogo y profesor de estadística universitaria, cerró su cursada de la Diplomatura en Ciencia de Datos con Python presentando un modelo de Machine Learning que detecta departamentos publicados por debajo de su valor estimado en tres barrios de la Ciudad de Buenos Aires.

En esta entrada recorremos cómo lo construyó, qué decisiones tomó en cada etapa y por qué su proyecto funciona como ejemplo de lo que puede lograrse en un proyecto final de ciencia de datos bien planteado. Al final está la presentación completa en video.

El problema: qué es una oportunidad de inversión inmobiliaria

Antes de escribir una línea de código hay una pregunta que define todo el proyecto: ¿qué es exactamente una oportunidad?

Albano la definió en términos medibles. Un modelo entrenado con las características observables de una propiedad —superficie, barrio, antigüedad, cantidad de ambientes, entre otras— produce una estimación de valor. Cuando esa estimación queda por encima del precio que pide el vendedor, hay una brecha. Esa brecha es la señal: puede indicar a alguien apurado por vender, una tasación desactualizada o simplemente un aviso mal calibrado.

La definición importa porque condiciona todo lo que viene después. Un proyecto que arranca con «voy a predecir precios de propiedades» termina en una tabla de métricas. Uno que arranca con «voy a detectar propiedades cuyo precio publicado está por debajo de su valor estimado» termina en una herramienta.

Etapa 1: construir el dataset con web scraping

No había dataset. Esa es la primera diferencia entre un ejercicio de clase y un proyecto real.

Albano hizo scraping de un portal inmobiliario de avisos clasificados para armar su propia base de datos. Fue la etapa que más tiempo le llevó del proyecto entero, y la que describió con la mejor metáfora de toda la presentación: trabajar esos datos era como remar en dulce de leche.

Dos aprendizajes de esta etapa que aplican a cualquier proyecto de web scraping inmobiliario o de recolección de datos propios:

• La recolección y la limpieza pesan tanto como el modelado. Es habitual subestimar esta fase; en la práctica suele consumir más de la mitad del esfuerzo total.
• La IA generativa es una aliada legítima en esta etapa. Albano se apoyó en herramientas de IA para resolver la parte técnica del scraping y de la limpieza, y fue explícito al señalar que sin ellas no habría podido bajar las columnas que necesitaba. No hay ningún mérito en hacer a mano lo que una herramienta resuelve mejor: el mérito está en saber qué pedir y en validar lo que devuelve.

También hay un límite importante que conviene tener presente al trabajar con datos de portales: el precio publicado no es el precio de la transacción. Es el precio que el vendedor pide, y en el mercado argentino la diferencia entre lo que se pide y lo que finalmente se paga puede ser considerable. Todo el modelo se construye sobre esa aclaración.

Etapa 2: análisis exploratorio y preparación de los datos

Con el dataset armado, el proyecto pasó por el circuito clásico: análisis exploratorio para entender distribuciones y relaciones entre variables, tratamiento de valores faltantes y estructuración de los conjuntos de entrenamiento y testeo.

Hay un detalle de esta etapa que vale la pena destacar, porque marca una diferencia entre la estadística clásica y el machine learning aplicado a un negocio: los valores extremos no se descartan. En un análisis estadístico tradicional, un outlier suele tratarse como ruido. Acá, las propiedades atípicas son justamente aquellas donde se puede ganar o perder mucho dinero. No aportan a la media, pero aportan a la varianza, y cuando se está evaluando una inversión la varianza importa tanto como el valor esperado.

Etapa 3: cuatro modelos comparados

Albano entrenó y comparó cuatro algoritmos:

Árbol de decisión

El punto de partida interpretable. Permite ver qué variables usa el modelo para partir el espacio de datos y en qué orden, lo que ayuda a validar que el modelo está aprendiendo relaciones razonables y no artefactos del dataset.

Regresión lineal

La referencia obligada. Si un modelo más complejo no supera a una regresión lineal bien especificada, el modelo complejo no se justifica. Funciona como piso de comparación.

Random Forest

El primer salto en capacidad predictiva. Al promediar muchos árboles reduce la varianza del modelo individual y captura relaciones no lineales entre superficie, ubicación y precio.

CatBoost

Este no estaba en el programa: Albano lo encontró investigando por su cuenta. CatBoost es una implementación de gradient boosting diseñada para manejar variables categóricas de forma nativa, algo especialmente útil en este problema, donde el barrio es una variable categórica con mucho peso explicativo. Fue el modelo con mejor rendimiento del conjunto.

Un punto metodológico que atravesó toda la discusión de esta etapa: la métrica de evaluación tiene que estar expresada en la unidad del problema. Un R² es adimensional y no dice cuánto dinero está en juego. Un error medio expresado en dólares sí. Cuando el objetivo del modelo es decidir una inversión, la evaluación tiene que hablar el idioma de esa decisión.

Hay una consideración adicional, y es de las más interesantes del proyecto: en este problema los errores no son simétricos. Si el modelo estima que una propiedad vale 100 y se compra a 50, la diferencia es ganancia. Si estima 100 y se compra a 150, la diferencia es pérdida. Las métricas que elevan el error al cuadrado o toman su valor absoluto tratan a ambos desvíos por igual, y para el negocio no lo son. Reconocer eso es lo que separa una evaluación técnica de una evaluación útil.

Etapa 4: del modelo a la herramienta

Acá es donde el proyecto se despega del promedio.

En lugar de cerrar con una tabla de métricas, Albano construyó un widget funcional con dos instancias:

Primera instancia: exploración. El usuario elige barrio, superficie y rango de precio. El sistema devuelve cuántas unidades cumplen esas condiciones, junto con los valores mínimo, máximo y mediano observados en ese segmento.

Segunda instancia: simulación de la oferta. Sobre las unidades detectadas, el usuario define una oferta concreta e incorpora dos parámetros que no salen del modelo sino del negocio:

• El costo de transacción. Entre comisiones inmobiliarias, escrituración e impuestos, comprar y vender puede llevarse cerca de un 10% de la operación. Un modelo que ignora esto sobreestima sistemáticamente la rentabilidad.
• El umbral de ganancia esperada. El usuario define qué rentabilidad mínima justifica la operación.

Con esos dos parámetros cargados, el sistema responde si conviene o no hacer la inversión.

Ese segundo parámetro incorpora, de manera indirecta, la variable más difícil de todo el problema: el tiempo. Ganar un 10% en un mes es un negocio excelente. El mismo 10% en cinco años no es un negocio. El umbral obliga a quien usa la herramienta a hacer explícito su horizonte, que es exactamente la pregunta que un modelo de precios por sí solo no responde.

Qué hace que un proyecto final de ciencia de datos funcione

Si estás por encarar tu propio proyecto final de ciencia de datos, hay tres decisiones de este trabajo que vale la pena copiar:

1. Elegí un problema donde exista una decisión concreta. «Predecir precios» es un ejercicio. «Decidir si conviene comprar» es un problema. La diferencia se nota en todo lo que viene después.
2. Construí tu propio dataset si podés. Usar un dataset limpio de Kaggle te ahorra la parte más tediosa y también la más formativa. Recolectar datos reales te enfrenta a los problemas que vas a tener en cualquier trabajo.
3. Terminá en una interfaz, no en un notebook. El notebook demuestra que sabés modelar. La interfaz demuestra que entendés para qué sirve el modelo. Esa es la diferencia entre presentar un ejercicio y presentar una propuesta.

LinkedIn de Albano Vergara: https://www.linkedin.com/in/albano-blas-vergara-13a40116/

¿Te Gustaría aprender Ciencia de Datos Online?