Desarrollo de aplicación web prototipo para estimación de valores de viviendas en México aplicando modelos de aprendizaje automático
DOI:
https://doi.org/10.36825/RITI.13.32.003Palabras clave:
Valuación Inmobiliaria, Vivienda, Prototipo, Aprendizaje AutomáticoResumen
Se presenta el desarrollo de un prototipo de aplicación web para estimar el valor de viviendas en México, utilizando modelos de aprendizaje automático (AA). Se describe la evolución de la valuación en México y la oportunidad que representa el AA para mejorar la precisión y eficiencia. El artículo se basa en datos abiertos del Sistema Nacional de Información e Indicadores de Vivienda (SNIIV) y emplea modelos Random Forest (RF) y Linear Regression (LR), destacando la superioridad del primero en rendimiento. Se detalla la metodología, arquitectura y herramientas tecnológicas utilizadas para construir la aplicación y se presentan los resultados de precisión por entidad federativa, mostrando la viabilidad técnica del prototipo a pesar de limitaciones como la variabilidad del desempeño y la falta de normatividad para su aplicación en casos reales.
Citas
Sánchez-Juárez, R. (1986). Historia moderna de la valuación en la República Mexicana. https://www.gob.mx/cms/uploads/attachment/file/640528/HISTORIA_MODERNA_SHCP.pdf
Secretaría de Economía. (2015). NMX-R-081-SCFI-2015. Servicios-Servicios de Valuación-Metodología. http://economia-nmx.gob.mx/normas/nmx/2010/nmx-r-081-scfi-2015.pdf
Jung, J., Kim, J., Jin, C. (2022). Does machine learning prediction dampen the information asymmetry for non-local investors? International Journal of Strategic Property Management, 26 (5), 345–361. https://doi.org/10.3846/ijspm.2022.17590
Verma, P. K., Arya, S., Asbe, C. (2023). Predicting future housing prices: a machine learning approach. Multidisciplinary Science Journal, 5, 1-7. https://doi.org/10.31893/multiscience.2023ss0206
Chiasson, E., Kaniecki, M., Koechling, J., Uppal, N., Hammad, I. (2023). Realm: automating real estate appraisal with machine learning models. IEEE World AI IoT Congress (AIIoT). Seattle, WA, USA. https://doi.org/10.1109/AIIoT58121.2023.10174323
Guijarro Martínez, F. (2023). Valoración automática de inmuebles residenciales mediante modelos de Machine Learning. Revista de Estudios Empresariales. Segunda Época, (2), 27-40. https://doi.org/10.17561/ree.n2.2023.7823
Secretaría de Hacienda y Crédito Público. (2017). Metodologías de los servicios valuatorios regulados por INDAABIN. https://www.gob.mx/indaabin/documentos/metodologias-de-caracter-tecnico-24208
Matey, V., Chauhan, N., Mahale, A., Bhistannavar, V., Shitole, A. (2022). Real estate price prediction using supervised learning. IEEE Pune Section International Conference (PuneCon). Pune, India. https://doi.org/10.1109/PuneCon55413.2022.10014818
Mody, P., Motiramani, M., Singh, A. (2023). Enhancing Real Estate Market Insights through Machine Learning: Predicting Property Prices with Advanced Data Analytics. 4th IEEE Global Conference for Advancement in Technology (GCAT). Bangalore, India. https://doi.org/10.1109/GCAT59970.2023.10353243
Stang, M., Krämer, B., Nagl, C., Schäfers, W. (2023). From human business to machine learning—methods for automating real estate appraisals and their practical implications. Zeitschrift Für Immobilienökonomie, 9 (2), 81-108. https://doi.org/10.1365/s41056-022-00063-1
Hernández Ruiz, E. A. (2023). Valuación inmobiliaria. Trillas.
Espinoza Garza, F.., Martínez Ramírez, Y., Ramírez-Noriega, A., Álvarez Sánchez, I. N. (2024). Una revisión sistemática de la literatura sobre la precisión de modelos de aprendizaje automático aplicados a la tasación de bienes raíces. Revista de Investigación en Tecnologías de la Información (RITI), 12 (28), 4-16. https://doi.org/10.36825/RITI.12.28.002
Deppner, J., von Ahlefeldt-Dehn, B., Beracha, E., Schaefers, W. (2023). Boosting the accuracy of commercial real estate appraisals: an interpretable machine learning approach. The journal of real estate finance and economics, 71, 1314-351. https://doi.org/10.1007/s11146-023-09944-1
Secretaría de Desarrollo Agrario, Territorial y Urbano. (2025). Financiamientos a la vivienda. Sistema Nacional de Información e Indicadores de Vivienda (SNIIV). https://sniiv.sedatu.gob.mx/Reporte/Datos_abiertos
Pressman, R. S. (2005). Software engineering: a practitioner's approach. Palgrave Macmillan.
Gunes, T. (2024). Model agnostic interpretable machine learning for residential property valuation. Survey Review, 56 (399), 525-540. https://doi.org/10.1080/00396265.2023.2293366
Hong, J., Kim, W. S. (2022). Combination of machine learning-based automatic valuation models for residential properties in South Korea. International Journal of Strategic Property Management, 26 (5), 362-384. https://doi.org/10.3846/ijspm.2022.17909
Python Software Foundation. (2025). Lenguaje de programación Python. https://www.python.org/
Scikit-learn developers. (2025). Scikit-learn: Machine Learning in Python. https://scikit-learn.org/
Google. (2025). Google Colaboratory (Versión 1.0). https://colab.research.google.com/
Pandas Development Team. (2025). Pandas. https://pandas.pydata.org/
Django Software Foundation. (2025). Django (Versión 5.0). https://www.djangoproject.com/
Docker, Inc. (2025). Docker Desktop (Versión 4.29.0). https://www.docker.com/
Parsons, D. (2009). Desarrollo de aplicaciones Web dinámicas con XML y Java. Anaya multimedia.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
