تحليل بيانات للعقارات

Project Overview:

This project focuses on analyzing real estate data to understand property market trends, pricing behavior, and investment opportunities. The dataset contains detailed information about properties, including their type, location, price, and area. The goal is to identify factors affecting property prices, highlight high-demand areas, and visualize market performance across regions.

Dataset Description:

Data Source: Simulated real estate listings (2023–2024)

Number of Records: ~5,000 property listings

Main Fields:

Property ID – Unique identifier for each property

Property Type – Apartment, Villa, Land, Office, etc.

City – City or district where the property is located

Area (sqm) – Property size in square meters

Bedrooms – Number of bedrooms

Bathrooms – Number of bathrooms

Price – Listing or selling price

Price per sqm – Calculated metric (Price ÷ Area)

Agent – Listing agent or agency name

Listing Date – Date when the property was listed

? Analysis Goals:

Identify factors influencing property prices (location, size, type)

Analyze average prices by city and property type

Detect high-demand areas and investment hotspots

Visualize property price distribution

Create an interactive dashboard to support real estate decision-making

️ Tools Used:

Excel / Power BI / Python (Pandas, Matplotlib, Seaborn)

Data Cleaning, Correlation Analysis, and Visualization

Deliverables:

Cleaned and well-documented dataset

Power BI / Excel dashboard with filters for city, property type, and price range

Summary report with key insights and recommendations

نظرة عامة على المشروع:

يهدف هذا المشروع إلى تحليل بيانات العقارات لفهم اتجاهات السوق العقاري وسلوك الأسعار وفرص الاستثمار. يحتوي ملف البيانات على تفاصيل العقارات مثل نوعها، وموقعها، ومساحتها، وسعرها. الهدف هو تحديد العوامل المؤثرة في الأسعار، واكتشاف المناطق ذات الطلب المرتفع، وعرض أداء السوق من خلال لوحات تفاعلية.

وصف البيانات:

مصدر البيانات: بيانات عقارات افتراضية (2023–2024)

عدد السجلات: حوالي 5,000 عقار

الحقول الأساسية:

Property ID – رقم تعريف فريد لكل عقار

Property Type – نوع العقار (شقة، فيلا، أرض، مكتب، إلخ)

City – المدينة أو المنطقة

Area (sqm) – المساحة بالمتر المربع

Bedrooms – عدد غرف النوم

Bathrooms – عدد الحمامات

Price – سعر البيع أو العرض

Price per sqm – السعر لكل متر مربع (محسوب)

Agent – اسم الوكيل أو شركة التسويق

Listing Date – تاريخ إدراج العقار

? أهداف التحليل:

تحديد العوامل المؤثرة في أسعار العقارات

تحليل متوسط الأسعار حسب المدينة ونوع العقار

اكتشاف المناطق الأعلى طلبًا والأكثر ربحية

عرض توزيع الأسعار في السوق

إنشاء لوحة تحكم تفاعلية لدعم قرارات الاستثمار

️ الأدوات المستخدمة:

Excel / Power BI / Python (Pandas, Matplotlib, Seaborn)

تنظيف البيانات، تحليل الارتباطات، وتمثيل البيانات بصريًا

المخرجات النهائية:

ملف بيانات منظم وجاهز للتحليل

لوحة تحكم تفاعلية بفلاتر متعددة (المدينة، نوع العقار، السعر)

تقرير بالرؤى والنتائج الرئيسية حول اتجاهات السوق