Valuación Inmobiliaria con Machine Learning en Perú

En 2025, la venta de viviendas en Lima Metropolitana creció 38.6% respecto al año anterior — un récord histórico, 30.8% por encima del máximo previo de 2013 (CAPECO). El precio promedio del metro cuadrado llegó a S/ 6,821 en julio de ese año. Y en el primer trimestre de 2026, el lanzamiento de nuevos proyectos cayó 16.5%, con caídas de hasta 46.3% en Lima Top.

Más ventas, menos proyectos nuevos, precios en tensión al alza. En ese escenario, tasar bien un inmueble — rápido y con precisión — deja de ser un trámite administrativo y se vuelve una ventaja competitiva real: quien calcula mal el valor de una propiedad pierde la operación o pierde margen.

El límite del método tradicional

La tasación hedónica —el modelo económico estándar desde hace décadas— parte de una idea simple: el precio de una vivienda es la suma del valor de sus atributos (metros cuadrados, ubicación, antigüedad, acabados). Un tasador construye una regresión con esas variables y estima un precio.

El problema no es la teoría, es la ejecución. La regresión lineal clásica asume que cada atributo suma valor de forma independiente y constante — pero el mercado no funciona así. Un metro cuadrado adicional vale distinto en un departamento de 40m² que en uno de 200m², y el efecto de la cercanía a un parque cambia según el distrito. La regresión hedónica tradicional no captura esas interacciones sin que un analista las modele a mano, una por una.

Lo que cambia con machine learning: datos de Santiago

Un estudio publicado en PLOS One comparó modelos de machine learning contra los métodos econométricos tradicionales (regresión por mínimos cuadrados y modelo autorregresivo espacial) para tasar propiedades en la Región Metropolitana de Santiago, Chile — el mercado LATAM más estudiado en este campo.

El modelo ganador, basado en LightGBM (un algoritmo de árboles de decisión en gradiente), alcanzó un R² de 0.9516 y un error porcentual promedio (MAPE) de 10.07%, frente a un desempeño "significativamente peor" de los métodos econométricos tradicionales, según los propios autores del estudio. Incluso la versión más simple del modelo, usando solo variables estructurales del inmueble, ya llegaba a un MAPE de 11.59% — mejor que la referencia hedónica clásica.

El dato más interesante para el mercado peruano: agregar variables derivadas de imágenes de la propiedad (fachada, estado de conservación visual) redujo el error adicional en 1.2% a 1.7% — es decir, el modelo mejora al incorporar información que un tasador tradicional sí ve, pero no logra cuantificar de forma sistemática.

El costo de la interpretabilidad

El obstáculo real para adoptar estos modelos no es la precisión — es la confianza. Un banco, un fondo o un comprador individual no acepta un número sin saber por qué el modelo llegó a esa cifra. Investigación reciente sobre modelos de bosque aleatorio combinados con el método SHAP (una técnica que descompone la predicción en la contribución de cada variable) muestra que es posible mantener alta precisión sin perder esa trazabilidad: el modelo puede decir exactamente cuánto del precio final se explica por ubicación, cuánto por antigüedad, cuánto por metraje.

Esto importa particularmente en Perú, donde gran parte del financiamiento hipotecario depende de tasaciones que un banco debe poder auditar, no solo confiar.

El análisis de Primaris

Ya construimos esta arquitectura — no como propuesta teórica, sino como producto en producción. Subas-IA calcula rentabilidad neta de propiedades en remate judicial cruzando variables estructurales, cargas legales y comparables de mercado, con el mismo principio de fondo: un modelo que pesa muchas variables a la vez rinde mejor que una hoja de cálculo con una fórmula fija.

Nuestra recomendación para una inmobiliaria, fondo o banco que hoy tasa con métodos tradicionales: el punto de entrada no es reemplazar al tasador, es darle un modelo que le muestre su margen de error real. La mayoría de tasaciones en Perú no fallan por mala fe — fallan porque el método no captura interacciones que un modelo de árboles sí detecta de forma sistemática. Empezar por auditar cuánto se desvían las tasaciones actuales frente a un modelo entrenado con datos reales de la cartera es más barato y más revelador que migrar todo el proceso de una vez.

Donde sí recomendamos cautela: sin suficientes transacciones históricas de calidad en la zona específica, cualquier modelo —hedónico o de machine learning— pierde precisión. El dato sigue siendo el cuello de botella, no el algoritmo.