Data-engineering · Machine learning · Financiële modellering
Portugal Rental Investment Intelligence
Een systeem voor financiële besluitvorming dat beoordeelt of een vakantiewoning in Portugal een haalbare investering is. Het leest listingdata van meerdere platforms (Airbnb, Booking, Vrbo), modelleert bezetting en overnachtingsprijs en simuleert omzet, cashflow en hypotheekaflossing per regio.
- Domein
- Kortetermijnverhuur / investeringsanalyse
- Rol
- Data-engineering, ML-modellering, financiële modellering, dashboard
- Stack
- Python · Jupyter · scikit-learn / XGBoost · SQL · Tableau
Context
Investeerders vergelijken vakantieverhuurmarkten op gevoel en verspreide listings. Of een aankoop in een bepaalde Portugese regio zichzelf terugverdient, hangt af van bezetting, overnachtingsprijs, kosten en financiering, variabelen die over platforms verspreid liggen en lastig samen te brengen zijn in één beeld.
Probleem
Het doel was een kwantitatief beslissysteem, geen beschrijvend rapport: verwachte jaaromzet, break-evenbezetting, maandelijkse cashflow, houdbaarheid van de hypotheek, jaren om een investering van 150.000 euro terug te verdienen en hoe opschalen naar meerdere woningen de uitkomst verandert.
Architectuur
Engineering
- Eigen inleespijplijn voor listing-snapshots van Airbnb, Booking en Vrbo
- Medallion-architectuur (Bronze / Silver / Gold) met geografische filtering op coördinaten en gemeente
- Bezetting geschat uit beschikbaarheid, (365 − availability_365) / 365, in conservatieve, basis- en optimistische scenario's
- XGBoost-modellen voor bezetting en overnachtingsprijs, geversioneerd met benchmark-metadata
- Financiële modellering: omzet, kosten, cashflow en een hypotheeksimulatie van 150.000 euro met rentegevoeligheid
- Marktvergelijking tussen de kust van Lissabon, Porto en de wijntoeristische Douro-regio, met een dashboard als output
Resultaat
Een herbruikbaar investerings-intelligentiesysteem dat verspreide listingdata omzet in een financieel beeld waarop een investeerder kan handelen, regio's vergelijkt en terugverdientijd modelleert in plaats van gokt. Het beslaat het volledige pad waarin MCC werkt: inname, data-engineering, machine learning, financiële modellering en een beslissingsklaar interface.
Zit er een prijs- of investeringsvraag verborgen in je data?
Laten we er modellen en cijfers van maken waar je echt op kunt handelen. Zin om het te bespreken?