La pregunta
Después de diez años gravitando alrededor de Las Palmas (aquí, mis paradas), decidí que había llegado el momento de comprar una casa. Pero ¿dónde? En diez años, los precios habían subido rápido en las zonas más buscadas, sin señales de frenar. Y para mí no era solo un sitio donde vivir: quería seguir viajando de vez en cuando, así que también tenía que ser una buena inversión, ¡y a ser posible, un chollo!
Entonces, ¿cómo se encuentra un chollo? Mis estudios de Python y datos me vinieron muy bien, y la IA de los primeros tiempos (era finales de 2023) me ayudó con parte del código y con algunos conceptos financieros. Uno de ellos era el ratio precio/alquiler (lo que en España se suele llamar PER inmobiliario), que no es precisamente algo que se aprenda en el colegio o en la mayoría de los trabajos. Dicho de otro modo: ¿en qué zonas son más bajos los precios de venta en comparación con los alquileres? Eso es lo que se propuso responder mi notebook de Jupyter, a partir de varias descargas de anuncios de Idealista.
Los datos
Saqué los anuncios a través de una API de Idealista disponible en RapidAPI. Un script descarga todas las páginas de anuncios, tanto de venta como de alquiler, y las guarda en archivos JSON. Las descargas anteriores se archivan con su fecha, así que nunca se sobrescribe nada.
Después, la limpieza:
- Precio por m²: el precio de cada anuncio dividido entre su superficie, para poder comparar pisos pequeños con casas grandes.
- Duplicados: eliminados, porque el mismo anuncio puede aparecer en más de una página.
- Valores atípicos: revisé la distribución con un diagrama de caja y un histograma, y luego me quedé con ventas y alquileres dentro de unos límites razonables, descartando algunos anuncios extremos (por encima de 9.000 €/m², por ejemplo).
- Límites de la ciudad: solo los anuncios dentro de un recuadro trazado alrededor de Las Palmas.
El mapa
Dividí la ciudad en una cuadrícula y probé varios tamaños (10×10, 20×20…). Las celdas más pequeñas muestran más detalle, pero cada una contiene menos anuncios, así que las medias son menos fiables. Para cada celda, el notebook calcula el precio medio por m² de las viviendas en venta y de las viviendas en alquiler, y se queda solo con las celdas que tienen ambos.
Luego viene el dato clave: el ratio precio/alquiler, es decir, el precio de venta por m² dividido entre el alquiler de un año por m². Dicho de forma sencilla, son más o menos los años de alquiler que hacen falta para recuperar el precio de compra, sin contar impuestos ni otros gastos como reformas, muebles o mantenimiento. En cualquier caso, cuanto más bajo es el ratio, más conviene comprar en esa zona.
Por último, la cuadrícula se dibuja sobre un mapa de Las Palmas (OpenStreetMap). Cada celda muestra su ratio, y el borde se vuelve de un rojo más oscuro a medida que el ratio sube. De un vistazo, las celdas más claras son las zonas por donde empezar a buscar.
Del mapa a la casa
El mapa no eligió la casa. Me dijo dónde buscar. Me quedé con las celdas más prometedoras y me acerqué más:
- Los anuncios: un segundo mapa mostraba cada anuncio como un marcador clicable, con precio, superficie y precio por m², y un enlace directo al anuncio.
- La zona en sí: después fui a ver los barrios en persona.
- El trato: lo demás fue negociar con el propietario, algo que de momento es mejor no automatizar. 🙂
Así encontré la casa que compré en la primavera de 2024.
Límites
Es una brújula, no una tasación:
- Precios de oferta: los anuncios muestran lo que los propietarios esperan conseguir, no el precio real al que se venden o alquilan las viviendas.
- Celdas con pocos datos: en una celda con pocos anuncios, la media puede cambiar mucho por un solo anuncio raro.
- Una foto fija: los datos reflejan el día de la descarga, y el mercado no deja de moverse.
- No es el coste total: el ratio deja fuera impuestos, reformas, muebles, mantenimiento y los meses vacíos entre inquilinos.
- Anuncios de todo tipo: desde viviendas a estrenar hasta otras que necesitan una reforma integral, todas cuentan igual en la media. Algunos anuncios son subastas y otros vienen con condiciones poco habituales (por ejemplo, la nuda propiedad: compras la vivienda, pero el ocupante actual conserva el derecho a seguir viviendo en ella). Otros tienen condiciones que un simple script no sabe leer.
Hoy, una IA podría leer cada anuncio y señalar esos casos. En su momento yo no tenía esa opción, pero había pocos anuncios, así que pude revisarlos yo mismo.