Análisis del Mercado de Alquiler en España: Scraping, ML e IA con LLMs Locales

Carlos Barrientos — Sun, 17 May 2026 16:55:38 +0000

Introducción

El mercado de alquiler residencial en España es fragmentado, con información dispersa en múltiples portales inmobiliarios. Las búsquedas tradicionales se limitan a filtros rígidos (precio mínimo/máximo, m² mínimo/máximo), ignorando consultas más naturales como "¿Qué hay barato en Malasaña?" o "Zona tranquila bien comunicada".

En este proyecto, desarrollé un sistema end-to-end que combina scraping automatizado, análisis exploratorio, machine learning e inteligencia artificial para entender el mercado de alquiler español y responder preguntas en lenguaje natural mediante un agente RAG potenciado con LLMs locales.

El repositorio completo del proyecto está disponible en:
GitHub: https://github.com/TuUsuario/Proyecto-Final-DataScience-Evolve-CarlosBarrientos

Objetivos del Proyecto

Los principales objetivos fueron:

Extraer 21,000+ anuncios de alquiler de portales inmobiliarios (Fotocasa, Idealista, Pisos.com)
Realizar un análisis exploratorio completo del mercado: distribuciones, correlaciones, patrones geográficos
Construir modelos de machine learning para predecir precios de alquiler con alta precisión
Crear un agente inteligente con RAG que entienda consultas en lenguaje natural sobre el mercado
Comparar diferentes enfoques: SQL exacto vs. RAG semántico vs. búsqueda híbrida

Arquitectura del Sistema

El proyecto se divide en 4 fases principales:

Fase 1: Scraping de Datos

Herramientas y Tecnologías

Fotocasa.js (Node.js + Puppeteer) - Scraping dinamico con protecciones anti-bot
Python + Playwright - Navegacion JavaScript en Idealista
BeautifulSoup - Parsing HTML estatico en Pisos.com

Resultado

Se extrajeron 21,000+ registros con informacion:

Precio mensual (€/mes)
Tamaño (m2)
Habitaciones, banos
Ubicacion (ciudad, distrito, coordenadas geograficas)
Descripcion textual
Amenities (ascensor, terraza, parking, etc.)

Los datos crudos se almacenaron en PostgreSQL (inmuebles_raw) para posterior limpieza y analisis.

Fase 2: Analisis Exploratorio (EDA)

Limpieza y Preparacion

Se aplico un proceso riguroso de preprocesamiento:

Deteccion y remocion de duplicados (por URL)
Normalizacion de formatos (precios, m2, categorias)
Identificacion de outliers (IQR method)
- Precios extremos: 250€ - 7,500€/mes
- m2 extremos: 1m2 - 806m2
Imputacion de valores faltantes (90% sin planta, 82% sin ascensor)
Validacion de datos crudos

Descubrimientos Clave

Distribuciones:

Precio promedio: 2,358€/mes
m2 promedio: 103.7m2
Distribucion normal en precios, con larga cola derecha

Correlaciones encontradas:

Banos ↔ Precio: r = 0.635 (correlacion moderada-fuerte)
Habitaciones ↔ Precio: r = 0.531 (correlacion moderada)
m2 ↔ Precio: r = 0.371 (correlacion debil-moderada)

Variabilidad geografica:

Madrid Capital: 2,589€/mes promedio (rango 850€-7,500€)
Almeria Capital: 600€/mes promedio
Diferencia: 330% mas caro en Madrid

Visualizaciones Generadas

Se crearon graficos interactivos mostrando:

Distribucion de precios por provincia (top 10)
Relacion precio vs. tamaño (scatter plots)
Heatmaps de correlacion entre variables
Mapas interactivos (Folium) con precios por zona
Analisis de amenities y su impacto en precio

Fase 3: Machine Learning - Prediccion de Precios

Feature Engineering

One-hot encoding de 21 provincias/distritos
Normalizacion (StandardScaler) de variables numericos
Seleccion de features: precio, m2, habitaciones, banos, amenities, ubicacion

Comparacion de Modelos

Se entrenaron 3 modelos de regresion:

Modelo	R2 Test	RMSE	MAE
Regresion Lineal	0.78	135€	98€
Arbol de Decision	0.83	120€	87€
Random Forest	0.81	125€	90€

Ganador: Arbol de Decision - Captura relaciones no-lineales mejor que el modelo lineal.

Feature Importance

El analisis de importancia revelo:

Localizacion (zona/provincia) - 40%
Tamaño (m2) - 35%
Ascensor - 10%
Terraza - 8%
Otras variables - 7%

Insight: La localizacion es el factor dominante en el precio, seguido del tamaño. Los amenities tienen impacto secundario pero medible.

Validacion

Split 80% train / 20% test
Validacion cruzada (5-fold): CV score = 0.83 +/- 0.02
Analisis de residuos: no hay patron visible (modelo estable)

Fase 4: Agente RAG + LLM Local

Problema: Las busquedas rigidas no entienden lenguaje natural

Portales tradicionales:
Precio: 400€ - 800€
m2: 40 - 60

Consulta real del usuario:
"Busco algo barato, tranquilo y bien comunicado"

Solucion: Agente con RAG Hibrido

Stack Tecnologico:

ChromaDB - Base de datos vectorial (21,000 documentos)
Sentence-Transformers - Embeddings locales (MiniLM-L6-v2, 384 dims)
LangChain + LangGraph - Orquestacion del agente
Ollama + Mistral 7B - LLM local (sin APIs externas, privacidad garantizada)

Arquitectura del Agente

Input: "¿Que pisos hay baratos en Malasana?"
↓
[ROUTER] Decide estrategia:
Numerico + exacto → SQL puro
Semantico → RAG puro
Hibrido → SQL + RAG
↓
[RETRIEVAL] ChromaDB busca top-5 documentos similares
↓
[LLM] Mistral genera respuesta con contexto
↓
Output: "Encontre 8 pisos en Malasana desde 550€/mes..."

Ejemplos de Consultas Soportadas

"¿Que hay barato en Malasana?" → Semantico + filtro de precio
"Pisos con terraza y ascensor" → Busqueda de amenities
"Zona tranquila bien comunicada" → Semantica pura
"Precio medio en Salamanca" → Filtro exacto + agregacion

Precision

85%+ de consultas respondidas correctamente segun evaluacion manual en test set de 100 consultas.

Analisis de fallos (15%):

10% - Consultas muy abstractas sin contexto suficiente
3% - Amenities no documentados en descripciones
2% - Alucinaciones del LLM (precios inventados)

Herramientas y Tecnologias

Recopilacion y Procesamiento:

Python 3.9+
Pandas, NumPy
Node.js + Puppeteer
Playwright, BeautifulSoup

Analisis Exploratorio:

Matplotlib, Seaborn
Plotly (graficos interactivos)
Folium (mapas geograficos)

Machine Learning:

Scikit-learn (modelos base)
XGBoost, LightGBM (boosting)
SHAP (interpretabilidad)

RAG e IA:

LangChain + LangGraph
ChromaDB
Sentence-Transformers
Ollama (LLM local)

Bases de Datos:

PostgreSQL (datos crudos)
ChromaDB (embeddings vectoriales)

Metodologia

1. Recopilacion y Preparacion de Datos

Los anuncios se extrajeron de portales inmobiliarios mediante scraping. Se aplico un proceso riguroso de limpieza:

Normalizacion de formatos
Eliminacion de duplicados
Deteccion de outliers
Imputacion estrategica de valores faltantes

2. Analisis Exploratorio

Se identificaron patrones clave:

Distribuciones de precio por zona
Correlaciones entre features
Variabilidad geografica
Impacto de amenities

3. Modelado Predictivo

Se compararon 3 algoritmos:

Regresion Lineal: Baseline (R2 = 0.78)
Arbol de Decision: Ganador (R2 = 0.83)
Random Forest: Competidor cercano (R2 = 0.81)

El arbol captura mejor las relaciones no-lineales en el mercado inmobiliario.

4. Sistema RAG

Se vectorizaron 21,000 documentos y se indexaron en ChromaDB. Un agente LangGraph maneja:

Parsing de intencion - ¿Que busca el usuario?
Routing inteligente - ¿SQL, RAG o hibrido?
Retrieval semantico - Busqueda en ChromaDB
LLM local - Generacion de respuestas con Mistral 7B

Aprendizajes Clave

1. RAG ≠ Bala de Plata

RAG es excelente para busquedas semanticas ("zona tranquila")
SQL es mejor para filtros exactos (precio especifico)
Enfoque hibrido es superior (85%+ vs. 70% individual)

2. Los Datos Reales Son Messy

90% sin informacion de planta
82% sin datos de amenities
Requiere feature engineering creativo

3. LLMs Locales Son Viables

Mistral 7B en Ollama funciona bien para este dominio
Latencia aceptable (~200-300ms por query)
Privacidad garantizada (sin APIs externas)

4. La Localizacion Domina

40% de importancia en prediccion de precios
Mayor variabilidad que tamaño o amenities
Analisis geografico es critico

5. Validacion Cruzada Importa

El modelo evita overfitting (CV score = 0.83 +/- 0.02)
Residuos distribuidos aleatoriamente
Modelo robusto a nuevos datos

Conclusion

Este proyecto demostro como combinar tecnicas clasicas de data science con IA moderna puede resolver problemas reales de forma efectiva.

El pipeline completo - desde scraping hasta un agente RAG inteligente - proporciona:
Insights sobre el mercado de alquiler español
Predicciones de precio con 83% de precision
Un asistente que entiende preguntas en lenguaje natural

Tecnologias clave:

Data Science: Pandas, Scikit-learn, EDA
IA Moderna: LangChain, ChromaDB, LLMs locales
Ingenieria: PostgreSQL, Python, API design

Este proyecto se desarrollo como parte del Master en Data Science de Evolve, demostrando la aplicacion practica de competencias en analisis de datos, machine learning e inteligencia artificial.

Recursos

GitHub: https://github.com/TuUsuario/Proyecto-Final-DataScience-Evolve-CarlosBarrientos
Documentacion tecnica: ARQUITECTURA.md, METODOLOGIA.md
Dataset: 21,000+ anuncios de alquiler en España

h

Carlos Barrientos — Sun, 17 May 2026 16:49:59 +0000

DEV Community: Carlos Barrientos