BIG DATA INMOBILIARIO. GESTIÓN EMPRESARIAL DE LA INFORMACIÓN. BUSINESS INTELLIGENCE. DATA MINING

1. Lo más importante está por venir.
2. Un gramo de "oro" de toneladas de "mineral" digital (data mining).
3. La tasación inmobiliaria no se entiende sin el Big Data.
4. Big Data en la publicidad y marketing inmobiliario.
5. Mejora en la toma de decisiones sobre la compra de bienes inmuebles.
6. Detección de zonas ideales para la promoción inmobiliaria.
7. Inversión inmobiliaria con riesgo cero.
8. Internet de las cosas para mejorar la eficiencia y la rentabilidad.
9. Planificación de seguros y análisis del clima

La implementación de Big Data en el campo de bienes inmuebles es probable que sea lenta. Sin embargo, muchas empresas inmobiliarias y empresas de desarrollo de software inmobiliario ya están aprovechando los beneficios de esta tecnología para mejorar la eficiencia de los agentes inmobiliarios, simplificar el proceso de búsqueda de viviendas para los clientes y eliminar los costes innecesarios en el desarrollo.

El universo digital se está expandiendo. En 2012 la informática entró en la era Zettabyte. Las redes sociales, dispositivos móviles, datos de dispositivos portátiles, información de negocios son solo algunos tipos de fuentes que pueden generar enormes cantidades de datos. El pronóstico para el volumen de datos creados en todo el mundo muestra que en 2025 alcanzaremos 163 zettabytes. En comparación, la cantidad total de información digital creada por la humanidad en 2009 fue la mitad de un zettabyte. Si ya le sorprende el tamaño de la cantidad de información que se procesa, este es otro hecho interesante. Hoy en día, solo se procesa el 0,5% de todos los datos disponibles. Por eso, lo más importante está por venir.

2. Un gramo de "oro" de toneladas de "mineral" digital (data mining). 

Sin embargo, las tecnologías de Big Data no tienen tanto que ver con el volumen, sino con los enfoques, las herramientas y los métodos de procesamiento de datos que ayudan a extraer un gramo de "oro" de toneladas de "mineral" digital (data mining). 

Durante la última década, las tecnologías de innovación han reformado casi todas las áreas de las actividades de las inmobiliarias, ya sea construyendo un modelo de negocio, utilizando recursos humanos u optimizando los costes. 

3. La tasación inmobiliaria no se entiende sin el Big Data.

Por ejemplo, cualquier inmueble, como propiedad tangible, tiene su valor en el mercado inmobiliario. Es útil saber su precio al realizar cualquier transacción. Como regla general, la evaluación es realizada por expertos tasadores. El Big Data inmobiliario ha realizado ajustes a la situación actual.

Ya hay muchos servicios que hacen una evaluación de la propiedad inmobiliaria aportando una gran cantidad de parámetros. Por ejemplo, a principios de este siglo, el portal Zillow combinó 180 periódicos locales con anuncios de compra y venta en su plataforma, y hoy ofrece un programa llamado Zestimate que valora el precio de venta de una vivienda y la renta de su alquiler. 

4. Big Data en la publicidad y marketing inmobiliario. 

Una de las tendencias tecnológicas inmobiliarias más recientes es el uso del Big Data en la publicidad y marketing inmobiliario. Casi el 90% de los compradores de viviendas buscan su casa en internet. El portal sabe exactamente qué inmueble está buscando. Cuando un cliente potencial va a una página web elige una búsqueda de parámetros bastante específicos. Gracias al análisis de datos los especialistas en marketing inmobiliario podrán hacerse con los datos de preferencia, la edad, etc.

Dichos datos brindan la oportunidad de hacer un anuncio más personalizado. Por ejemplo, gracias a los algoritmos de análisis de datos, la plataforma Streeteasy de Zillow, un servicio de alquiler de apartamentos en Nueva York, conoce perfectamente a su público y crea campañas publicitarias ingeniosas para todos aquellos que buscan un lugar para vivir en Nueva York.

5. Mejora en la toma de decisiones sobre la compra de bienes inmuebles.

¿Qué suele ver un cliente potencial cuando busca una vivienda para alquilar o comprar? El usuario solo ve la dirección y algunas fotos, mientras que otros datos importantes permanecen ocultos. 

Los filtros avanzados de búsqueda de propiedades y el descubrimiento de información relevante del hogar requieren el procesamiento de una gran cantidad de datos. El portal Trulia brinda la oportunidad de evaluar un apartamento o una casa en términos de una gran cantidad de parámetros. Puede calcular el tiempo para ir al trabajo, dependiendo del tipo de transporte que usa, el promedio de edad de los vecinos, averiguar la cantidad y los tipos de delitos en el área, etc.

6. Detección de zonas ideales para la promoción inmobiliaria.

La ubicación puede considerarse el elemento más importante. El Big Data de bienes inmuebles ayuda a elegir la ubicación óptima teniendo en cuenta su propósito, por ejemplo dónde construir un centro comercial para atraer a más clientes y cómo ubicar un centro de negocios para facilitar el trabajo de los empleados.

Por ejemplo, Deepblocks aplica inteligencia artificial para analizar grandes volúmenes de datos de proyectos inmobiliarios. El proceso de análisis predictivo de bienes inmuebles necesita unos minutos, mientras que anteriormente requería de 3 a 6 meses de trabajo minucioso por parte de muchos expertos en el mercado inmobiliario.

7. Inversión inmobiliaria con riesgo cero.

El análisis de Big Data ofrece una imagen clara de cómo invertir y dónde comprar una propiedad de acuerdo con los conjuntos de datos históricos. Antes invertir en bienes inmuebles era un negocio arriesgado. Pero ahora, con la tecnología del Big Data, a los inversionistas les resulta muy atractivo conocer las perspectivas de los activos que compran en términos de variables demográficas como el suministro de agua, electricidad, tráfico, otros servicios y servicios públicos.

El Big Data ayuda a enmarcar los informes financieros y facilita que los gerentes de carteras y los inversores tomen mejores decisiones al invertir sus fondos.

Dado que la mayoría de las transacciones de fondos se realizan por medios digitales, se debe tener cuidado para evitar cualquier actividad engañosa. Por lo tanto, el Big Data habilita los controles y los puntos de precaución al realizar actividades de transacción de fondos.

8. Internet de las cosas para mejorar la eficiencia y la rentabilidad.

El internet de las cosas (Internet of Things (IoT)) está asociado con la tecnología del Big Data que ayuda a monitorear la propiedad o el edificio. Ayuda a evaluar las mejoras necesarias para alcanzar su eficacia.

9. Planificación de seguros y análisis del clima

De acuerdo con los datos históricos de huracanes y condiciones climáticas catastróficas, el Big Data analiza las restricciones geográficas y evalúa la propiedad a fin de asegurarla.

Estos son los factores clave en función de los cuales Big Data encuentra la solución en el negocio de inversión en bienes inmuebles. 

Estos son algunos de los ejemplos de Big Data que están interrumpiendo en el negocio inmobiliario:

Bowery

Facilita al comprador aspectos clave sobre cada aspecto de la valoración de la propiedad. Ayuda a los profesionales de bienes inmuebles a simplificar el proceso de evaluación que consume tiempo.

Enertiv

Transforma en tiempo real el conjunto masivo de datos de construcción en valor de activos a través de la tecnología IoT como su principal fortaleza.

Coldwell Banker

Coldwell Banker marca su presencia al equipar al equipo de ventas con una aplicación completa para rastrear al comprador en términos de sus intereses y requisitos.

CrediFi

Como su nombre lo indica, se concentran en los datos cruciales para las evaluaciones financieras en la industria de bienes inmuebles comerciales. También ayuda a gestionar un préstamo.

VTS

VTS destaca en la usabilidad de los datos. Se realiza reuniendo los datos cruciales, modificándolos en una fuente de información y, finalmente, convirtiéndolos en un producto accesible para cualquier persona del equipo de la empresa en cualquier tipo de dispositivo.

Jones Lang LaSalle

JLL ayuda a los agentes inmobiliarios aportando datos e información importantes sobre ubicaciones o el tipo de propiedad que están vendiendo. JLL recopila todos los datos y los hace accesibles para que puedan ahorrar su tiempo en lugar de consultar.

Xceligent

Ayuda en el proceso de compra orientado a la investigación. Se unifica la  información del comprador, la investigación de inquilinos y tendencias recientes del mercado. Estos datos se recogen para identificar a los compradores potenciales, los actores del mercado real. 

Pero todo esto es sólo el principio, lo más importante del Big Data inmobiliario está por venir. 
 

• Big Data inmobiliario en 18 preguntas y respuestas.

a. Concepto de Big Data inmobiliario
b. El valor de los datos y cómo analizar su información.
c. Los macrodatos
d. Innovación basada en datos
e. Las 5 V del Big Data

• Volumen
• Velocidad
• Variedad
• Variabilidad
• Veracidad

a. Beneficios del procesamiento de Big Data
b. La importancia del Big Data no gira en torno a la cantidad de datos que tiene una empresa, sino a la forma en que una empresa utiliza los datos recopilados.

• Ahorro de costes
• Reducciones de tiempo
• Comprender las condiciones del mercado en base a los macrodatos
• Controlar la reputación en internet

c. Uso de Big Data Analytics para impulsar la adquisición y retención de clientes
d. Uso de Big Data Analytics para resolver el problema de los anunciantes y ofrecer información de marketing
e. Big Data Analytics como motor de innovación y desarrollo de productos
f. El uso de Big Data con análisis predictivo. Inteligencia artificial.

a. Establecer una estrategia de Big Data
b. Conocer las fuentes de Big Data
c. Acceder, gestionar y almacenar los datos
d. Analizar macrodatos
e. Tomar decisiones inteligentes basadas en datos

a. Concepto de Real estate Data Mining (minería de datos)

• El Real Estate Big Data se centra en analizar los grandes volúmenes de datos que superan la capacidad de los procesamientos informáticos. En cambio, la minería de datos inmobiliaria o Real Estate Data Mining analiza los grandes volúmenes de datos. Sintetiza e identifica y agrupa patrones de comportamiento entre los datos inmobiliaros.

b. Patrones de seguimiento. Ventas inmobiliarias.
c. Clasificación. Nivel de riesgos inmobiliarios
d. Asociación. Relación entre interés inmobiliario y servicios de la zona.
e. Detección de valores atípicos. Nichos de mercado inmobiliario.
f. Agrupación.
g. Regresión o proyección de precios inmobiliarios
h. Predicción de tendencias inmobiliarias

a. La inteligencia empresarial (BI) abarca el análisis de datos con la intención de descubrir tendencias, patrones y conocimientos.
b. La inteligencia empresarial (BI) y la minería de datos (Data Mining).

• ¿Cómo se relacionan y comparan la inteligencia empresarial y los macrodatos?
• El Big Data existe dentro de la inteligencia empresarial.
• Los analistas utilizan la minería de datos para encontrar la información que necesitan y utilizan la inteligencia empresarial para determinar por qué es importante.

c. Business Intelligence, Big Data y Data mining son tres conceptos diferentes que existen en el mismo ámbito.

a. Los mercados inmobiliarios son propensos a cambiar en cualquier momento.
b. ¿Ponemos un ejemplo? El rastreo financiero de los compradores inmobiliarios.
c. Ayudando a encontrar propiedades inmobiliarias
d. Simplificando el proceso de venta
e. ¿Cambiará la inteligencia empresarial la forma en que evolucionan las transacciones inmobiliarias?

a. Datos inmobiliarios residenciales
b. Datos inmobiliarios comerciales
c. Datos inmobiliarios industriales
d. Datos de suelo

a. Datos de la propiedad inmobiliaria

• Características físicas de la propiedad

b. Estrategias de marketing inmobiliario y audiencia objetivo

• Datos de geolocalización
• Datos de parcela
• Posesión inmobiliaria.
• Riesgo de inundación
• Tipo de propiedad
• Financiación
• Fiscalidad
• Situación del mercado inmobiliario

a. Precio / metro cuadrado
b. Precio solicitado
c. Precio pagado
d. Renta de alquiler
e. Cargas y servidumbres de la propiedad
f. Días en venta o alquiler
g. Historial de ventas y transacciones
h. Rendimiento
i. Datos de rendimiento bruto
j. Datos de rendimiento neto
k. Datos demográficos inmobiliarios

• Ingresos medios del área
• La tasa de desempleo en el área
• Nivel de personas sin hogar
• Nivel de educación
• Tasas de delincuencia en el área
• La antigüedad media de los habitantes
• Tamaño y densidad de la población en el área circundante de la propiedad
• Movilidad dentro del edificio
• Servicios locales

a. Documentos registrales
b. Estadísticas oficiales
c. Proveedores de datos inmobiliarios
d. Servicio de listado múltiple (MLS)

a. Valoraciones inmobiliarias y cargas fiscales
b. Informes de ejecución hipotecaria
c. Datos de hipotecas y prestamistas
d. Información de arrendatarios comerciales
e. Cargas fiscales

a. Consultar múltiples fuentes
b. Procedimientos de verificación de datos
c. Estandarización de direcciones
d. Integraciones

a. Analítica predictiva. Inteligencia artificial.
b. Mayor transparencia de la industria inmobiliaria
c. Supervisión y comunicación en tiempo real
d. Estrategia personalizada. Aseguradoras.

a. Estandarización
b. Confiabilidad
c. Calidad de los datos

a. El marketing extrae datos de cientos de fuentes para crear perfiles de consumidores
b. ¿Por qué comprar datos a las plataformas inmobiliarias  de internet?
c. Búsqueda de clientes potenciales específicos
d. Datos de rendimiento que miden la efectividad de las campañas de marketing
e. Perfiles de consumidores detallados que abarcan ubicación y hábitos de compra.

a. Datos históricos
b. Mercado objetivo y vecindario
c. Múltiples fuentes para recopilar datos imparciales
d. ¿Cómo afectan los factores del mercado inmobiliario a la estrategia de inversión?
e. Utilizar los precios de venta de inmuebles recientes
f. Proceso de realización de análisis de mercado inmobiliarios.

1. Investiga la calidad y los servicios del vecindario
2. Estimaciones del valor de la propiedad para el área
3. Seleccionar comparables para su análisis del mercado inmobiliario.
4. Calcula el precio medio de anuncios comparables.
5. Ajuste su análisis de mercado con ajustes a los comparables. ZZ¿QUÉ APRENDERÁ?

1. Ha cambiado la forma de investigar el mercado inmobiliario y predecir la demanda del cliente.

a. El Big Data permite diseñar y configurar una promoción adaptada a la demanda actual existente en una zona específica de una ciudad.
b. El cliente inmobiliario dispone de más datos para tomar la decisión económica más importante de su vida.
c. Big Data inmobiliario. La analítica de datos puede utilizarse para reducir los costes operativos de la construcción o mejorar la eficiencia energética.
d. Ejemplos de Big Data inmobiliario

2. El análisis de Big Data permite a las empresas inmobiliarias mejorar la eficiencia.

a. Mitigación de riesgos
b. Dirigirse a posibles compradores
c. Mejora las valoraciones de las propiedades
d. Mejora las estrategias de marketing
e. Mejores experiencias de cliente
f. Predicciones precisas
g. Construcción inteligente
h. Datos inmobiliarios informados y personalizados

3. Análisis de Big Data inmobiliario y su efecto en el sector.

a. Mejor evaluación del mercado inmobiliario
b. Toma de decisiones más inteligente para los inversores
c. Mejora el proceso de selección de arrendatarios para propietarios
d. Comercialización eficiente

1. Para la búsqueda y emplazamiento de inmuebles.
2. ¿Qué necesitamos?

a. Modelos analíticos
b. Datos estructurados y no estructurados (costes inmobiliarios, transporte de la zona, etc.)

3. Edificios inteligentes.

a. Monitorizar el uso del espacio interior de los inmuebles.
b. Sensores para medir el uso del espacio.
c. Técnicas de racionalización de costes inmobiliarios (Facility Management).

1. Los datos en crudo carecen de valor.
2. Los datos hay que verificarlos.
3. Los datos hay que estructurarlos.

a. El ejemplo de la geolocalización como suministro de datos.
b. Ejemplos de aprovechamiento de datos en ciudades inteligentes.
c. Ejemplos de datos por sensores (M2M) internet de las cosas.
d. Datos de transacciones
e. Datos oficiales.
f. Licenciamiento de datos
g. Datos que serán explotados por las empresas.

4. Áreas que se benefician del Big Data inmobilario
5. Las oportunidades del Big Data inmobiliario

a. Análisis de los clientes
b. Análisis de marketing
c. Efectividad operativa
d. Modelos de negocio emergentes (visión del sector)

1. El análisis de Big Data inmobiliario

a. Mejor evaluación del mercado inmobiliario
b. Toma de decisiones más inteligente para los inversores
c. Mejora el proceso de selección de arrendatarios para propietarios
d. Comercialización eficiente

2. El correcto análisis de los datos inmobiliarios.
3. Las cinco V del Big Data
4. La ventaja de Big Data en el análisis inmobiliario
5. El poder de los datos en el sector inmobiliario.

a. Tomar mejores decisiones
b. Reducir costes
c. Aumentar la productividad
d. Gestionar la reputación
e. Mejorar el servicio al cliente
f. Aumentar las ganancias

6. Las ventajas del Big Data en el sector inmobiliario

a. Mitigación de riesgos.
b. Evaluaciones simples y rápidas.
c. Entender mejor las necesidades de los clientes.
d. Estrategias de marketing mejoradas.
e. Pronóstico de tendencias de mercado.
f. Nuevos servicios de seguros.

7. El futuro del Big Data en el análisis inmobiliario

a. Gestión de edificios más inteligente
b. Democratización transparente de los datos

8. ¿Qué significa Big Data para la industria inmobiliaria del mañana?

a. Mitigación de riesgos
b. Dirigirse a posibles compradores
c. Mejora las valoraciones de las propiedades
d. Mejora las estrategias de marketing
e. Mejores experiencias de cliente
f. Predicciones precisas
g. Construcción inteligente
h. Datos inmobiliarios informados y personalizados
i. Inteligencia artificial
j. Integrar análisis avanzados en una cartera inmobiliaria

1. Aplicaciones de Big Data para la gestión de riesgos.

a. Identificar tendencias emergentes y factores de riesgo.
b. Evaluar ubicaciones potenciales de negocios
c. Identificación de posibles fraudes
d. Evaluar el riesgo financiero
e. Gestión de riesgos asociados a proveedores.
f. Control de la competencia para no perder clientes.
g. Gestión de impagados.
h. Gestión de seguros de la construcción.
i. Antiblanqueo de dinero

2. Uso de BIM y Big Data para reducir el riesgo en el sector inmobiliario

a. El riesgo interno de la planificación del cronograma de construcción.
b. Riesgo de diseño cambiante
c. Falta de definición de alcance
d. Documentos no emitidos
e. Uso de datos para reducir los riesgos para los propietarios
f. Minimización de riesgos en la esfera del diseño

1. Las ventajas del Big Data en el análisis inmobiliario

a. Tomar mejores decisiones
b. Reducir costes
c. Aumentar la productividad
d. Mejorar el servicio al cliente
e. Aumentar los ingresos
f. Mitigación de riesgos
g. Evaluaciones rápidas.
h. Entender mejor las necesidades de los clientes.
i. Estrategias de marketing mejoradas.
j. Pronóstico de tendencias de mercado.

2. Estudios de mercado inmobiliario al instante.
3. Anticipar tendencias de preferencias inmobiliarias de los consumidores.
4. Seguimiento del valor de una cartera inmobiliaria
5. Exploración comparativa de inversores inmobiliarios.
6. El Geomarketing o mapas con datos de precios, tipología, etc.

1. La información del mercado inmobiliario se está adaptando a los procesos de gestión de grandes datos (Urban Data Analytics (uDA)).
2. Las inmobiliarias pueden agilizar la toma de decisiones de inversión o venta con un click.
3. ¿Qué puede descubrir un sector tan volátil como el inmobiliario con el Big Data?
4. Casos reales de inmobiliarias que utilizan BIG DATA.

1. Big Data como Inteligencia artificial que permite automatizar la valoración masiva de inmuebles.
2. El Big Data en la valoración inmobiliaria. Herramientas de valoración de los bancos, tasadoras online y de las webs inmobiliarias.
3. El Big Data de predicción de tendencias inmobiliarias.

1. Infraestructura de ciudades inteligentes (contadores de servicios públicos, alumbrado público, sistemas de agua, etc.)
2. El diseño del urbanismo eliminará el ruido gracias al BIG DATA.

1. El 80% de los datos de las organizaciones son susceptibles de ser geolocalizados.
2. La geointeligencia inmobiliaria muestra la importancia de la explotación inteligente del dato (catastro, etc).
3. Ventajas de la geointeligencia inmobiliaria (comparativas inmobiliarias, predicciones, etc.).

a. Predicciones (precio, liquidez, etc.) y gestionar de forma analítica una cartera inmobiliaria.
b. Combinación de capacidades de Big Data y geolocalización.
c. Digitalización total de procesos de planeamiento urbanístico.
d. Identificar patrones de conducta inmobiliaria.

4. Aplicación de la inteligencia artificial a la localización (Location Intelligence)

• Big Data inmobiliario para analizar datos sociodemográficos para descubrir las tendencias de compra, venta o alquilar.

5. Efecto práctico de la Geointeligencia inmobiliaria: la cercanía de colegios a la vivienda.

1. El BIM y el Big Data aportan valor porque los datos cruzados generan información útil en la creación de valor empresarial.

• El Big Data puede hacer que la arquitectura y la construcción sean más eficientes.
• El Building Informatión Modeling (BIM) es el nuevo estándar de la construcción.

2. La metodología BIM integra bases de datos procedentes del Big Data

• ¿Qué implica la monitorización del dato, su gestión y análisis?

1. Las tres V de Big Data en el comercio minorista

Volumen
Velocidad
Variedad

2. Beneficios clave del uso de Big Data en la industria minorista

a. Accesibilidad de datos
b. Personalización
c. Segmentación de clientes
d. Internet de las cosas
e. Mantenimiento predictivo
f. Experiencia del cliente mejorada
g. Optimización de precios
h. Mayor retención de clientes

3. Monitorizar todos los movimientos en interiores y exteriores para entender los comportamientos de los clientes.

a. Saber de qué parte de la ciudad viene el usuario, para dónde va, y cuándo viene al centro comercial, y si lo hace con regularidad
b. Conocer el perfil de cliente que visita el centro investigando en qué lugares ha estado anteriormente para después enviarle sugerencias específicas de su gusto, o también para controlar a la competencia.

4. Big Data como previsor de la remodelación de una infraestructura (centro comercial).
5. Telegestión y monitorización de instalaciones de centros comerciales. Aplicación de técnicas de inteligencia artificial y Big Data para la mejora de estándares de eficiencia de instalaciones multisite.

a. ¿Qué es la telegestión y monitorización de instalaciones de centros comerciales?
b. La implantación de plataforma monitorización y control.
c. Funcionalidades de la implantación de plataforma telegestión y monitorización en centros comerciales.
d. Ejemplos de resultados

1. Equipos de climatización no conectados al sistema de control centralizado.
2. Problemas en circuitos concretos: Escaleras mecánicas.
3. Ejemplo de registro de temperatura ambiente en local en la que una zona tiene problemas de temperatura.
4. Ajustes en la operativa de local comercial con un sistema de refrigeración basada en aporte de agua fría por parte del centro.
5. Averías localizadas remotamente

• Alarma de máquina derivada de configuración incorrecta del horario
• Climatización parada por falsa alarma de incendios
• Red de recarga vehículos eléctricos.

1. ¿Qué es CRM (Customer Relationship Management) y Software CRM?

a. ¿Qué es CRM (Customer Relationship Management)?
b. Funcionalidad del CRM

• CRM operativo
• CRM analítico
• CRM colaborativo

2. Ventajas de utilizar un CRM marketing

a. Unificación de todas las bases de datos en una sola.
b. Análisis de datos y toma de decisiones.
c. Segmentación de clientes y oportunidades.

3. Marketing digital inmobiliario y sistema CRM.

a. La implantación de un CRM o Customer Relationship Management.
b. Estrategia de marketing CRM

4. Utilidades del CRM

a. Marketing de administración de clientes (marketing directo de base de datos).
b. Automatización y promoción de ventas, tecnologías "data warehouse".

5. Utilidad del CRM: gestionar la interacción de una empresa con sus clientes actuales y potenciales.

a. Aporta información completa del cliente sobre el proyecto, las facturas, inventario, etc.
b. CRM como modelo de gestión: la información para obtener una ventaja competitiva.
c. Redes sociales para volver al marketing 1 a 1 de las grandes empresas.
d. Acciones dentro de la base de datos: convertir datos en oportunidades de marketing.

• Módulo de ventas
• Módulo de mercado

1. ¿Qué es la inteligencia del negocio (Business Intelligence. Business Analytics)?

a. Concepto.
b. Dar sentido a los datos.
c. Herramientas que ayudan en la toma de decisiones en todos los niveles de la empresa.
d. ¿Qué se consigue tras la aplicación de la inteligencia del negocio a los datos?
e. Herramientas de inteligencia

• Accesibilidad a la información.
• Apoyo en la toma de decisiones.
• Orientación al usuario final.

f. Funciones del Business Intelligence (BI)

• Proceso interactivo continuado
• Exploración documental
• Analizar
• Información estructurada y datawarehouse
• Área de análisis
• Comunicación los resultados y gestión de cambios.

2. ¿Cómo funciona la inteligencia de negocios?
3. Métodos y procesos de la inteligencia de los negocios.

a. Data Mining y Machine Learning (ML)
b. Informes
c. Métricas de rendimiento y evaluación comparativa
d. Análisis descriptivo
e. Consultas
f. Análisis estadístico
g. Visualización de datos
h. Análisis visual
i. Preparación de datos

4. Todos tenemos mucha información, pero los que triunfan son los que ven las TENDENCIAS entre montañas de información.

a. Para tomar decisiones empresariales hay que tener herramientas de conocimiento. El conocimiento es hoy en día la herramienta más poderosa.
b. El conocimiento hoy viene de la tecnología. Los negocios y la tecnología deben entenderse.

5. El objetivo del Business Intelligence: conseguir información y analizarla.

a. Las ventajas del Business Intelligence.
b. Ventajas económicas (ingresos y costes).
c. Ventajas competitivas.
d. Ventajas estratégicas.

6. Aplicaciones de la inteligencia del negocio (Business Intelligence. Business Analytics).
7. Áreas de la inteligencia del negocio (Business Intelligence. Business Analytics).

a. Analítica Descriptiva o Descriptive Analytics.
b. Analítica Predictiva o Predictive Analytics.
c. Analítica Prescriptiva o Prescriptive Analytics.

8. Ventajas. La inteligencia del negocio (Business Intelligence) permite a las empresas un conocimiento profundo de sus clientes.

a. ¿Conoce a su cliente?
b. Administración de Relaciones con los Clientes (CRM Customer Relationships Management).

9. Cómo funcionan al mismo tiempo la inteligencia de los negocios, el análisis de datos y el análisis empresarial?
10. Beneficios de la inteligencia de negocios
11. ¿Qué son los sistemas OLAP (Online Analytical Processing) que son la base de las soluciones business intelligence?
12. Áreas funcionales de la inteligencia de los negocios (Business Intelligence BI).
13. Ventajas de la inteligencia de los negocios (Business Intelligence BI).

a. Seguimiento real del plan estratégico
b. Corregir errores de gestión empresarial.
c. Mejorar la competitividad.
d. Mejora de aplicaciones de gestión.

14. Objetivos estratégicos de la inteligencia de los negocios (Business Intelligence BI).

a. Indicadores estratégicos
b. Indicadores de desempeño (Efecto)
c. Indicadores de actuación o impulsores (Causa).
d. Métricas
e. Metas

15. Cuadro de Mando Integral (CMI).

a. Características básicas de CMI
b. Objetivos del cuadro de mando integral
c. ¿Para qué sirve el cuadro de mano integral?
d. Clases de cuadros de mando

• El cuadro de mando operativo (CMO)
• El cuadro de mando integral (CMI)

e. Perspectiva del cuadro de mando integral

• Perspectiva financiera
• Perspectiva del cliente

f. Diferencia del cuadro de mando integral con otras herramientas de business intelligence

16. Las herramientas de la Inteligencia del negocio (Business Intelligence. Business Analytics)

a. Datamart (datos de un área de negocio específica).

• Datamart OLAP
• Datamart OLTP

b. Datawarehouse (almacen de datos).
c. Metadatos (datos sobre los datos).

1. ¿Cómo crear un sistema de información en la empresa?

• Una forma simplificada del cálculo del ROI: Valor para el negocio / Coste del proyecto.

2. Planificación de proyectos de Business Intelligence.
3. Fase preliminar de la plani?cación de proyectos de Business Intelligence.
4. Selección del programa informático adecuado.
5. Fase de ejecución de proyectos de Business Intelligence.
6. Herramientas informáticas del Business Intelligence.

1. Inteligencia artificial y Aprendizaje automático.
2. El aprendizaje inductivo.
3. Agrupamiento. Clustering. ("Segmentación")
4. Reglas de Asociación
5. La predicción

a. Árboles de Predicción
b. Estimador de Núcleos
c. Árboles de Decisión
d. Redes de Neuronas
e. Técnicas Genéticas: Algoritmos Genéticos ("Genetic Algorithms")

1. ¿Por qué es tan importante el Big Data en el sector inmobiliario?
2. ¿Cómo pueden los agentes inmobiliarios y sus clientes beneficiarse de la IA?
3. ¿Dónde pueden las empresas inmobiliarias aprovechar mejor la IA?

a. Comercialización y ventas
b. Gestión de datos inmobiliarios.

4. ¿Cómo fijar una estrategia para usar IA en una inmobiliaria?

1. El Data Mining en la analítica empresarial.

• ¿Qué es el Data Mining?

2. Descripción general del proceso de Data Mining.

a. Comprensión empresarial.
b. Comprensión de datos.
c. Preparación de datos.
d. Modelado.
e. Evaluación.
f. Despliegue.

3. ¿Cómo informa la Data Mining al análisis empresarial?
4. Técnicas de Data Mining en analítica empresarial.

a. Clasificación.
b. Agrupación.
c. Reglas de asociación.
d. Análisis de regresión.
e. Detección de anomalías/valores atípicos.

5. Ya tengo la información en una base de datos, ¿cómo la entiendo? Con una tecnología que se llama DATA MINING.

a. Ayudar a comprender el contenido de una base de datos.
b. Modelado. Conocimiento de base de datos con valor agregado.

6. Datos no estructurados.
7. Tecnología del almacenamiento de datos. Las bases de datos NoSQL.

1. ¿Qué es el Data Mining?
2. Data Mining: inteligencia artificial y análisis estadístico.

a. Clasificación
b. Asociación (linkage analysis)
c. Secuencia
d. Clúster

3. Data Mining (en inteligencia artificial) o KDD (en informática).
4. ¿Qué es el Data Mining y cómo se relaciona con el KDD?

1. Análisis en Data Mining.

a. En una montaña de datos, seguro que hay oro (claves para el futuro empresarial).
b. Elegir el sistema informático que analice la información y saque conclusiones.

2. Los indicadores que miden si el Data Mining es el adecuado.
3. El Data Mining y su aplicación en el marketing.

1. Clasificación por técnicas del Data Mining.

Visualización.
Verificación.
Descubrimiento.

2. Clasificación por objetivos del Data Mining.
3. Clasificación por tendencias o líneas de investigación del Data Mining.
4. Clasificación por lenguaje de resultados del Data Mining.
5. Ejemplos de sistemas Data Mining en base a esquemas.

• IBM Intelligent Miner
• SAS Enterprise Miner
• Microsoft SQLServer
• SGI MineSet
• Clementine (SPSS) 
• DBMiner (DBMiner Technology Inc.) 

1. El Data Mining en la fase de modelamiento.
2. Fases del Data Mining.
3. Reconocimiento de patrones, parte fundamental de la Data Mining.
4. Fases del Data Mining.

1. ¿Cuál es la diferencia entre el Data Warehouse (almacenar información) y el y Data Mining (extraer de los datos información útil para la empresa)?
2. Características del almacenamiento de datos (datawarehouse).
3. Objetivos del almacenamiento de datos (datawarehouse).
4. Clases del almacenamiento de datos. Data Mart

1. Técnicas de explotación del Data Warehouse.
2. OLAP (On Line Analytical Processing)
3. Query & Reporting

• Análisis Exploratorio de Datos (E.D.A.: Exploratory data analysis)

1. ¿Qué es el (KDD) (Knowledge Discovery in Databases)? Pues el descubrimiento de datos.
2. Proceso KDD

• Pre-procesamiento de Datos: Limpieza, integración y transformación.
• Data Mining: Uso de métodos inteligentes para extraer conocimiento (búsqueda de oro) .
• Evaluación de patrones encontrados y presentación

3. ¿Por qué utilizo el KDD? ¿Qué consigo con ello?
4. ¿Qué fases sigue el KDD?

a. Selección de datos.
b. Preprocesamiento.
c. Transformación.

5. ¿Qué herramientas utiliza el KDD?
6. El proceso de KDD. Desde el preprocesamiento al post procesamiento.
7. El KDD, un proceso interactivo de búsqueda de información entre un volumen de datos que excede de la capacidad humana.

a. Técnicas de análisis automatizadas de bases de datos.
b. La identificación de los datos útiles para extraer la información que nos permita anticiparnos al FUTURO.

Caso práctico 1: "BIG DATA INMOBILIARIO" "Descubriendo Diamantes en Bruto: Identificación de Propiedades Subvaloradas"

• Causa del Problema
• Soluciones Propuestas
• Recolección de Datos
• Análisis y Modelado
• Implementación de Business Intelligence
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 2: "BIG DATA INMOBILIARIO" "Optimización de Precios de Alquiler en Tiempo Real"

• Causa del Problema
• Soluciones Propuestas
• Integración de Datos en Tiempo Real
• Desarrollo de Modelos Predictivos
• Implementación de Herramientas de Business Intelligence
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 3: "BIG DATA INMOBILIARIO" "Maximizando el Rendimiento de la Cartera Inmobiliaria con Análisis Predictivo"

• Causa del Problema
• Soluciones Propuestas
• Consolidación de Datos de Mercado
• Desarrollo de Modelos Predictivos
• Simulación de Portafolio y Optimización
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 4: "BIG DATA INMOBILIARIO" "Impulsando la Sostenibilidad y Eficiencia Energética mediante el Big Data"

• Causa del Problema
• Soluciones Propuestas
• Monitoreo y Recolección de Datos en Tiempo Real
• Análisis de Datos y Modelización
• Implementación de Mejoras Basadas en Datos
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 5: "BIG DATA INMOBILIARIO" "Revolucionando la Experiencia del Cliente con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Personalización de la Búsqueda de Propiedades
• Optimización del Proceso de Compra
• Mejoras en el Servicio Posventa
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 6: "BIG DATA INMOBILIARIO" "Anticipando el Futuro: Predicción de Tendencias del Mercado Inmobiliario"

• Causa del Problema
• Soluciones Propuestas
• Recolección y Análisis de Big Data
• Modelos Predictivos Avanzados
• Herramientas de Visualización de Datos
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 7: "BIG DATA INMOBILIARIO" "Gestión Avanzada de Riesgos mediante Big Data"

• Causa del Problema
• Soluciones Propuestas
• Integración de Datos Multifuentes
• Modelado de Riesgos
• Herramientas de Visualización y Alerta Temprana
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 8: "BIG DATA INMOBILIARIO" "Optimizando la Logística y Ubicación de Proyectos Inmobiliarios"

• Causa del Problema
• Soluciones Propuestas
• Análisis de Datos de Ubicación
• Modelos de Predicción de Demanda
• Evaluación de Accesibilidad y Conectividad
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 9: "BIG DATA INMOBILIARIO" "Creando Comunidades Inteligentes y Sostenibles"

• Causa del Problema
• Soluciones Propuestas
• Integración de Tecnologías IoT
• Plataforma de Análisis de Datos
• Aplicaciones Móviles para Residentes
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 10: "BIG DATA INMOBILIARIO" "Maximizando el ROI en Renovaciones Inmobiliarias"

• Causa del Problema
• Soluciones Propuestas
• Análisis de Mercado y Tendencias
• Modelos Predictivos de Valorización
• Evaluación de Coste-Beneficio
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 11: "BIG DATA INMOBILIARIO" "Optimización Operativa en la Gestión de Propiedades"

• Causa del Problema
• Soluciones Propuestas
• Monitoreo y Recolección de Datos en Tiempo Real
• Análisis Predictivo para Mantenimiento
• Optimización de Recursos y Eficiencia Energética
• Mejora de la Experiencia del Cliente
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 12: "BIG DATA INMOBILIARIO" "Revolucionando el Marketing Inmobiliario con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Segmentación Avanzada del Cliente
• Personalización del Marketing
• Optimización de Canales de Marketing
• Predicción de Tendencias del Mercado
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 13: "BIG DATA INMOBILIARIO" "Transformando la Valoración de Propiedades con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Integración de Datos Diversos
• Desarrollo de Modelos de Valoración Predictiva
• Herramientas de Visualización y Análisis
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 14: "BIG DATA INMOBILIARIO" "Optimizando el Ciclo de Vida de Proyectos Inmobiliarios"

• Causa del Problema
• Soluciones Propuestas
• Análisis Predictivo para la Selección de Sitios
• Optimización de Diseños de Proyectos
• Gestión Eficiente de la Construcción
• Estrategias de Comercialización Basadas en Datos
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 15: "BIG DATA INMOBILIARIO" "Mejorando la Seguridad en la Construcción con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Monitoreo en Tiempo Real y Recolección de Datos
• Análisis Predictivo de Riesgos
• Desarrollo de Protocolos de Seguridad Personalizados
• Formación y Alertas Basadas en Datos
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 16: "BIG DATA INMOBILIARIO" "Impulsando Políticas de Vivienda y Urbanismo con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Análisis de Datos de la Ciudad
• Modelos Predictivos para la Planificación Urbana
• Simulaciones de Políticas de Vivienda
• Herramientas de Visualización de Datos
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 17: "BIG DATA INMOBILIARIO" "Mejorando la Accesibilidad y la Movilidad Urbana con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Recolección de Datos de Movilidad
• Análisis de Necesidades de Accesibilidad
• Desarrollo de Modelos Predictivos
• Propuestas de Mejora Basadas en Datos
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 18: "BIG DATA INMOBILIARIO" "Optimización de la Gestión de Energía en Edificios"

• Causa del Problema
• Soluciones Propuestas
• Monitoreo en Tiempo Real
• Análisis Predictivo y Diagnóstico
• Automatización y Control Inteligente
• Recomendaciones Personalizadas
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 19: "BIG DATA INMOBILIARIO" "Mejorando la Calidad del Aire Urbano con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Recolección y Análisis de Datos en Tiempo Real
• Identificación de Patrones y Fuentes de Contaminación
• Desarrollo de Modelos Predictivos
• Herramientas de Visualización y Comunicación
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 20: "BIG DATA INMOBILIARIO" "Potenciando la Inversión Inmobiliaria con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Análisis Integral del Mercado
• Evaluación de Oportunidades de Inversión
• Gestión de Riesgos Basada en Datos
• Monitoreo y Ajuste de la Cartera
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 21: "BIG DATA INMOBILIARIO" "Transformación Digital de Agencias Inmobiliarias"

• Causa del Problema
• Soluciones Propuestas
• Mejora de la Plataforma Online
• Automatización de Procesos Operativos
• Análisis de Mercado en Tiempo Real
• Mejoras en la Captación y Retención de Clientes
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 22: "BIG DATA INMOBILIARIO" "Prediciendo y Gestionando la Demanda de Espacios de Oficina"

• Causa del Problema
• Soluciones Propuestas
• Análisis de Tendencias del Mercado
• Modelos Predictivos de Demanda
• Optimización de la Cartera de Propiedades
• Herramientas de Gestión y Visualización
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 23: "BIG DATA INMOBILIARIO" "Mejorando la Planificación y Gestión de Infraestructuras Urbanas"

• Causa del Problema
• Soluciones Propuestas
• Análisis de Datos Urbanos
• Modelos Predictivos para la Planificación de Infraestructuras
• Optimización de Mantenimiento de Infraestructuras
• Herramientas de Visualización y Simulación
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 24: "BIG DATA INMOBILIARIO" "Optimizando los Servicios Públicos Urbanos con Big Data"

• Causa del Problema
• Soluciones Propuestas
• Integración de Datos de Servicios Públicos
• Análisis Predictivo para la Optimización de Servicios
• Automatización y Control Inteligente
• Herramientas de Visualización para la Toma de Decisiones
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas

Caso práctico 25: "BIG DATA INMOBILIARIO" "Fomentando el Desarrollo de Viviendas Asequibles"

• Causa del Problema
• Soluciones Propuestas
• Análisis de Necesidades de Vivienda
• Identificación de Terrenos y Propiedades Subutilizadas
• Evaluación de Viabilidad de Proyectos
• Desarrollo de Políticas Basadas en Datos
• Consecuencias Previstas
• Resultados de las Medidas Adoptadas
• Lecciones Aprendidas