Najmeh Dehghani, ingeniero de análisis, JLL
El proceso de solicitud de cotización (RFQ) se puede optimizar utilizando algoritmos de aprendizaje automático para predecir el precio de los edificios de metal prediseñados (PEMB) en función de los datos históricos. Este proceso implica recopilar datos en PEMB, preprocesarlos eliminando valores faltantes y manejando valores atípicos, seleccionando características relevantes a través de la ingeniería de características y dividiendo los datos en conjuntos de entrenamiento y prueba. Los algoritmos populares de aprendizaje automático, como la regresión lineal, los árboles de decisión, el bosque aleatorio o las redes neuronales, se pueden usar para construir el modelo, y se usan métricas de rendimiento como el error cuadrático medio (MSE) y el error cuadrático medio (RMSE) para evaluar el modelo. .
Python y JMP son dos herramientas que se pueden utilizar para este modelado predictivo. Python es un lenguaje de programación popular con análisis de datos y bibliotecas de aprendizaje automático. Al mismo tiempo, JMP es un paquete de software comercial para análisis estadístico y visualización de datos. Elegir entre los dos depende de los requisitos específicos del proyecto, las habilidades del usuario y los recursos disponibles.
Al crear un modelo predictivo para PEMB, las organizaciones pueden estimar con mayor precisión el peso de los proyectos futuros, lo que lleva a una mejor presupuestación, planificación y asignación de recursos.
