تحليل سوق العقارات في مدريد

🔹 هدف المشروع بناء نموذج ذكي قائم على البيانات للتنبؤ بأسعار الشقق السكنية في مدينة مدريد، بهدف دعم المستثمرين والمشترين وصنّاع القرار العقاري في تقييم العقارات واتخاذ قرارات استثمارية دقيقة مبنية على التحليل الإحصائي والنماذج التنبؤية. 1️⃣ تنظيف البيانات المتقدم (Advanced Data Cleaning) الوصف تهيئة Dataset عقارية كبيرة ومعقدة لتكون صالحة للتحليل وبناء النماذج التنبؤية. التنفيذ Dataset يحتوي على 21,742 عقار و 58 متغيرًا معالجة القيم المفقودة: حذف الأعمدة ذات القيم المفقودة 100% تعويض القيم الجزئية حسب طبيعة المتغير معالجة القيم الشاذة: إزالة القيم غير المنطقية (سعر = 0، مساحة = 0) استخدام IQR وBoxplots هندسة البيانات: استخراج اسم الحي من العنوان توحيد تنسيق المساحة والأسعار تحويل المتغيرات النصية لصيغة قابلة للتحليل الأدوات: Python – Pandas – NumPy المهارات: Data Wrangling – Feature Engineering 2️⃣ التحليل الاستكشافي للبيانات (EDA) التحليل الأحادي دراسة توزيع المساحات، الغرف، الحمامات، والأسعار تحليل التفاوت السعري بين الأحياء باستخدام Histograms وBoxplots التحليل الثنائي دراسة العلاقة بين المساحة والسعر وعدد الغرف والسعر Correlation Matrix وHeatmaps مقارنة متوسط الأسعار بين الأحياء الهدف: تحديد المتغيرات الأكثر تأثيرًا على السعر الأدوات: Matplotlib – Seaborn 3️⃣ الإجابة على سؤال استراتيجي ❓ ما العامل الأكثر تأثيرًا على سعر الشقة: المساحة أم الموقع؟ التحليل تثبيت المساحة ومقارنة الأسعار بين الأحياء تحليل الفروقات السعرية داخل نفس النطاق المساحي النتيجة 📍 الموقع هو العامل الحاسم نفس الشقة قد يختلف سعرها بشكل كبير حسب الحي، مما يؤكد أهمية الموقع في التقييم العقاري. 4️⃣ بناء النماذج التنبؤية (Predictive Modeling) النموذج الأول: Simple Linear Regression التنبؤ بالسعر اعتمادًا على المساحة فقط استخدام حي Recoletos كنموذج مرجعي Baseline Model لفهم التأثير المباشر للمساحة النموذج الثاني: Multiple Linear Regression إدخال المساحة، عدد الغرف، وعدد الحمامات تحسين R² وAdjusted R² تحليل الأثر النسبي لكل متغير النموذج الثالث: Dummy Variables Model تحويل الأحياء إلى متغيرات وهمية دمج المساحة والموقع في نموذج شامل قياس تأثير كل حي على السعر الأدوات: Statsmodels – Python المهارات: Regression Modeling – Model Interpretation 📊 القيمة المضافة تقييم أي عقار خلال ثوانٍ تحديد الأحياء الأعلى ربحية تقليل مخاطر الاستثمار تقارير واضحة لغير المتخصصين قابلية التوسع لمدن أخرى وإضافة متغيرات مستقبلية 🛠️ الأدوات والتقنيات Python – Pandas – NumPy – Matplotlib – Seaborn – Statsmodels – Jupyter Notebook 📈 مؤشرات الأداء (KPIs) 21,742 عقار محلل 140 حي في مدريد نماذج ذات دقة إحصائية عالية تحليلات مرئية سهلة الفهم