Полный план того, как зарабатывать более 100 тысяч в год с помощью Python и ML.
«По делу, точно и отлично справляется с объяснением сложных тем самым простым способом. ”
В условиях глобального обвала финансовых рынков и того, что, кажется, на горизонте грядет следующая великая депрессия, миллениалам необходимо понять это, хотя мир скоро будет охвачен пламенем (если он станет еще хуже, чем сейчас ), в их силах заставить ситуацию работать на себя. Хотя многие трагедии были и будут возникать в результате этих событий, более целеустремленные, возможно, уже нашли способы получения прибыли вместо того, чтобы бездействовать и жаловаться.
Хотя методы, описанные в этой статье, могут применяться кем угодно, миллениалы были выбраны в качестве целевой аудитории, поскольку эта бизнес-стратегия может быть источником сотен тысяч долларов и требует 0 $ в качестве стартового капитала. Другими словами, его может использовать любой, он просто подходит для миллениалов, так как у большинства нет ни единой копейки на счету. (Нет, это не будет повод для размещения вашей собственности на Airbnb)
Внимание! Будет задействовано программирование. Я прикрепил код в конце файла, так как не всем будет интересно его воссоздавать. Для тех, кто это делает, я структурировал код таким образом, что даже если вы никогда в жизни не касались компьютера, вы сможете следовать за ним и просто при необходимости скопируйте и вставьте.
Прочтите до конца, и вас ждет эксклюзивный сюрприз!
Оглавление
Введение в проект
К настоящему времени должно было стать очевидным, что это предприятие направлено на демонстрацию того, как можно заработать достаточно денег, используя Python и машинное обучение, чтобы бросить работу с девяти до -пять вакансий, без начального капитала.
Индустрия недвижимости - один из лучших способов накопления капитала. Думаю об этом! Какие искусственно созданные товары наиболее глубоко укоренились в современном обществе? Ответ прост: дома. Как ни крути, укрытие необходимо. Это рынок, который по своей сути никогда не может стать полностью насыщенным.
В последние десятилетия отрасль недвижимости претерпела огромные изменения. 20 век был эпохой владения недвижимостью, мужской дом был его самой большой гордостью. С другой стороны, 21 век изменил направление. Владение собственностью ушло в прошлое. Новая норма на западе - это аренда недвижимости.
2008 ознаменовал начало новой эры. Так родился Airbnb. Теперь владельцы домов могли зарабатывать деньги, просто сдавая свою недвижимость в аренду на ограниченный период времени.
В настоящее время мир находится в ужасающем состоянии из-за вируса COVID-19. В настоящее время количество поездок ограничено, и туризм пострадал от разрушительного удара. Однако это не будет продолжаться вечно, и, как мы все знаем, туристы предпочитают жить в отелях Airbnb, чем в отелях.
Airbnb - отличный способ заработать деньги. К сожалению, для миллениалов, которые не имеют какой-либо жилой собственности на свое имя, у них нет возможности сдавать дома в аренду! Или они?
Манифест / Проектный план
Помня вышесказанное, я подумал: «Как я могу использовать свои данные и навыки информатики, чтобы зарабатывать деньги на Airbnb?»
- без владения или аренды недвижимости
- без необходимости инвестировать начальную сумму
- не выходить на насыщенный рынок
- Добивайтесь максимальных результатов с помощью машинного обучения
- придумайте метод, который другие смогут легко воспроизвести
После долгих размышлений я пришел к выводу, что базовая бизнес-модель для предприятия должна напоминать структуру бизнеса прямых поставок. Конечно, для того, чтобы он заработал, его нужно доработать… сильно.
Мой бизнес-план предусматривает следующее: я буду анализировать все объявления Airbnb, которые я смогу найти за последние годы для Афин. После анализа данных, чтобы получить больше информации, я буду использовать машинное обучение, чтобы определить, какие переменные влияют на цену больше всего. Как только я найду эти функции и классифицирую их, я свяжусь с владельцами объявлений Airbnb, которые с самой высокой вероятностью станут моими клиентами (указано моделью), и я предложит управлять своей недвижимостью на Airbnb за комиссию 20%. Все первоначальное общение с покупателем будет осуществляться с помощью платформы обмена сообщениями на базе искусственного интеллекта, которую я собираюсь создать.
По сути, модель покажет мне, к каким клиентам мне нужно обратиться, а затем как поднять их списки и получить деньги от арендаторов, которых я привлекаю.
Аналитика / Результаты
(Весь код можно найти в конце этого раздела!)
Для начала мне нужен набор данных. После долгих исследований лучший набор данных, который я смог найти для Афин, был этот. Группа, которая занимается предоставлением данных (insideairbnb), постоянно обновляет и удаляет информацию о списках Airbnb из городов по всему миру.
Я импортировал базу данных и создал фреймворк pandas dataframe *, чтобы использовать данные должным образом. Фреймворк содержит 11541 листинг с различными функциями *.
К сожалению, он содержал много значений NaN * (отсутствующие данные) и имел много функций, которые мне действительно не нужны. После очистки набора и удаления ненужных входных данных я построил график распределения числовых и логических категорий:
По сути, это важная информация для модели, содержащая такие данные, как квадратные футы собственности, количество спален и т. Д.
Ради анализа данных я буду просматривать различные типы недвижимости, предлагаемые в этом районе:
Оказывается, большинство состоит из квартир и домов. Ничего такого мы не ожидали. На самом деле ... я беру это обратно. Похоже, что кто-то внес в список… пещеру?.
Я сделаю вид, что не просто увидел это, и продолжу, создав список функций, важность которых будет оценена моделью (я лично удалил некоторые из списка, например, «туалет», поскольку все помещения, скорее всего, будут включать такая «роскошь»).
Вот эти «желаемые удобства»:
‘Cable TV’, ‘Ceiling fan’, ‘Central air conditioning’, ‘Coffee maker’, ‘Cooking basics’, ‘Dishes and silverware’, ‘Dishwasher’, ‘Dog(s)’, ‘Dryer’, ‘Elevator’, ‘Essentials’, ‘Extra pillows and blankets’, ‘Extra space around bed’, ‘Family/kid friendly’, ‘First aid kit’, ‘Free parking on premises’, ‘Free street parking’, ‘Freezer’, ‘Full kitchen’, ‘Game console’, ‘Garden or backyard’, ‘Gym’, ‘Hair dryer’, ‘Heating’, ‘High-resolution computer monitor’, ‘Host greets you’, ‘Hot water’, ‘Indoor fireplace’, ‘Internet’, ‘Iron’, ‘Kitchen’, ‘Long term stays allowed’, ‘Microwave’, ‘Mini fridge’, ‘Mountain view’, ‘Netflix’, ‘Other pet(s)’, ‘Outdoor parking’, ‘Oven’, ‘Pets allowed’, ‘Pool’, ‘Private bathroom’, ‘Private entrance’, ‘Private living room’, ‘Private pool’, ‘Satellite TV’, ‘Refrigerator’, ‘Shared gym’, ‘Shared pool’, ‘Smart TV’, ‘Smoking allowed’, ‘Suitable for events’, ‘TV’, ‘Table corner guards’, ‘Washer/Dryer’, ‘Wifi’, ‘Window guards’
При оценке наборов данных из городов по всему миру становится ясно, что этот список будет значительно различаться в зависимости от культуры, религии, и т. д.
Теперь, когда есть список желаемых удобств и данные были должным образом очищены, мы можем продолжить ... на самом деле нет.
80% ценного времени специалиста по обработке данных тратится просто на поиск, очистку и систематизацию данных, а на выполнение анализа остается только 20% ...
~ IBM Data Analytics ~
Моля Бога, чтобы никаких дополнительных настроек не требовалось, теперь я буду визуализировать промежуток времени между первым просмотром списков, до даты удаления данных.
В данных может наблюдаться несоответствие, поскольку форма начинается до 0. Нет причин для тревоги, поскольку мне известна причина ошибки (разница между фактическое время и дата получения информации).
Хотя это интересно, данные, проанализированные до сих пор, не очень помогли. Чтобы изменить это, я нанесу на график изменение за год в суточной цене объявлений Airbnb в Афинах.
Результаты довольно интригующие. Я буду сопровождать вышеупомянутые выводы, перечислив среднюю годовую ночную цену объявлений Airbnb в Афинах, и получу более подробную информацию о трафике Airbnb в регионе.
Становится очевидным, что первый год Airbnb в Афинах был временем самых низких цен. Используя логику и разум, можно сделать вывод, что основной причиной этого явления является тот факт, что люди еще не были знакомы с Airbnb, и большинство продавцов, вероятно, не понимали, какими должны быть цены. Также можно отметить, что пик цен был достигнут в 2013 году.
Как указано в «описании» фрейма данных, цены, рекламируемые в ночное время, варьируются от:
Еще одно полезное число - это среднее и среднее количество объявлений на хост. Таким образом, мы сможем понять долю рынка жилья Airbnb в Афинах, то есть имеем ли мы дело с «картелем» или нет.
По всей видимости, наблюдается значительная концентрация рынка. Пока неясно, в какой степени и как такие люди могут отреагировать на деловые предложения. На практике, чтобы такие люди считались моими клиентами, одно из двух должно быть верным:
- Я могу продемонстрировать и доказать, что мои результаты выше, чем у владельца, и он / она только выиграет, если станет моим клиентом.
- Владелец не может достичь желаемого объема клиентов и ищет способ повысить вовлеченность и будущие продажи.
На данный момент я не могу доказать, что могу успешно выполнить первое, поэтому лестница кажется оптимальным курсом действий.
Мы, безусловно, на правильном пути! Давайте получим дополнительную информацию о некоторых интересующих нас функциях набора данных.
Из первого рисунка становится очевидным, что количество людей, которые может разместить объект недвижимости, напрямую зависит от его цены. Этого и следовало ожидать, поскольку чем больше людей он может вместить, тем больше будет отель.
Общий рейтинг листинга является для нас важной точкой отсчета. Становится очевидным, что большинство объявлений находятся в диапазоне положительных отзывов 95–100%.
Суперхозяева - это исключительные хосты. Это люди, которые дарят клиентам подарки, всегда готовы помочь и всегда готовы помочь.
их обслуживание.
Вся эта информация вскоре окажется полезной. Что не было учтено и имеет жизненно важное значение, так это местоположение. В отличие от других отраслей, недвижимость зависит от местоположения. Другими словами, местоположение может иметь огромное влияние на цену актива.
Вот почему я буду отображать количество объявлений Airbnb в каждом районе Афин, а также среднюю цену за район.
Вся эта информация вскоре окажется полезной. Что не было учтено и имеет жизненно важное значение, так это местоположение. В отличие от других отраслей, недвижимость зависит от местоположения. Другими словами, местоположение может иметь огромное влияние на цену актива.
Вот почему я буду отображать количество объявлений Airbnb в каждом районе Афин, а также среднюю цену за район.
Похоже, что большинство объявлений находится в центре города. Честно говоря, я ожидал, что больше объектов недвижимости будет располагаться в пригороде и в районах, ближайших к курортам, и к морю в целом. Тем не менее, интересная находка. Возможно, мне следует избегать темно-синих областей и выбирать те, на которых менее насыщенные и предустановленные рынки.
Также существует корреляция между местоположением большинства объявлений и средней ценой. Хотя это может быть так, в этих местах есть определенные области, которые считаются дорогими, и это может быть причиной более высокой средней цены.
Пришло время запустить модель машинного обучения и решить, какие переменные имеют наибольшее значение.
Вуаля! Теперь мы можем увидеть рейтинг всех функций. Некоторые из них, по-видимому, определяются местоположением, как я уже говорил ранее, есть районы, которые считаются более «элитными» и, следовательно, имеют более высокие цены . Другие функции включают в себя предложение бесплатной парковки, телевизора с оценкой по отзывам 80–94% и многое другое.
Блокнот с кодом находится ниже:
Заключительные замечания (очень важно!)
Это конец первой из двух статей. Подводя итог тому, что мы сделали в этой части, мы выявили проблему и нашли решение, разработали план проекта и выполнили необходимый анализ, чтобы прийти к определенным результатам и выводам.
Посмотрим, о чем будет следующая часть:
- Используйте результаты первой части, чтобы определить два оптимальных способа работы.
- Тщательно проанализируйте операционные пути и определите, какой из двух лучше всего подходит для каждой демографической группы, используя полученные выше данные.
- Создайте платформу обмена сообщениями на базе искусственного интеллекта, которая в соответствии с выбранным вами путем будет массово отправлять сообщения возможным клиентам. Как только клиенты ответят боту, он будет обучен отвечать на все вопросы и закрывать сделку без необходимости вмешательства человека с нашей стороны.
Хотите узнать больше?
Если вы хотите углубить свои знания и заинтересованы в зарабатывании денег с помощью машинного обучения, я настоятельно рекомендую вам прочитать статьи, перечисленные ниже :
Получите доступ к экспертному обзору - Подпишитесь на DDI Intel
