Análise da influência de atributos no desempenho de vendas de apartamentos em empreendimentos no Recife: uma abordagem com aplicação de mineração de dados, com a metodologia CRISP- DM, focada em problemas de decisão binária e inteligência artificial explicável (X-AI). 2025.

Abstract

A presente dissertação propõe o desenvolvimento de um modelo preditivo e explicável para classificar o sucesso de empreendimentos imobiliários do tipo apartamento, lançados no Recife. Parti-se da análise de dados históricos de vendas, atributos físico-comerciais das unidades e variáveis econômicas de contexto. A abordagem combina técnicas de Mineração de Dados com métodos de Inteligência Artificial Explicável (X-AI), sendo estruturada segundo a metodologia CRISP-DM, que orienta de forma sistemática as etapas desde a compreensão do negócio até a modelagem e a avaliação dos resultados. Dada a reconhecida escassez de bases e a conhecida fragmentação e falta de organização de bases no mercado imobiliário brasileiro, adotou-se como fonte principal a plataforma RE.AI.s, consolidada há mais de 25 anos no setor. Para o município do Recife, foco deste estudo, foi extraído um conjunto robusto contendo 300 empreendimentos e 28.729 unidades habitacionais, com registros mensais de vendas entre janeiro de 2021 e maio de 2025, período temporal ideal para a pesquisa. A garantia da qualidade dos dados seguiu uma abordagem híbrida, combinando métodos estatísticos e o conhecimento empírico do mercado local. Essa validação foi complementada pela colaboração com a equipe de dados RE.AI.s e das construtoras participantes, conferindo maior confiabilidade. Para capturar a complexidade da performance comercial, adotou-se uma abordagem inovadora com a criação de duas classes-alvo binárias distintas, inicialmente definidas no nível do empreendimento e posteriormente propagadas para as unidades: (i) Velocidade de Vendas, que classifica empreendimentos que atingem ou superam 30% de suas vendas nos primeiros três meses pós-lançamento, indicando atratividade imediata; e (ii) Resiliência de Vendas, que identifica empreendimentos que mantêm menos de 20% de unidades não vendidas após 18 meses, refletindo a solidez e aderência do produto a longo prazo. Para avaliar a capacidade preditiva dos dados, foram aplicados modelos supervisionados de classificação, com ênfase em Árvores de Decisão e Regressão Logística. O grande diferencial do estudo reside no foco em Inteligência Artificial Explicável (X-AI), que visa não apenas prever, mas também tornar transparentes e compreensíveis as razões por trás das classificações do modelo.Os resultados demonstram que o uso de atributos no nível da unidade aumentou significativamente a precisão dos modelos e permitiu a construção de uma ferramenta de apoio à decisão baseada em ciência de dados e alta tecnologia. Além disso, usamos uma abordagem diferenciada, com foco na explicabilidade e na influência dos atributos na performance das vendas (em vez da precificação), visando classificar com sucesso o potencial de lançamento de novos empreendimentos. Em um setor ainda marcado por decisões empíricas e heurísticas individuais, esta abordagem representa uma inovação metodológica com potencial de impacto prático. Como continuidade, sugere-se o aprofundamento da análise espacial, de modelos geográficos, e o uso de outros modelos de inteligência artificial para aprimorar a acurácia preditiva.