He pasado la mayor parte de mi tiempo con coches usados: 1,1 millones de anuncios, 73 regiones, el habitual vaivén de bajadas de precio y republicaciones. Así que cuando los datos inmobiliarios empezaron a aparecer en los mismos paneles que uso para coches, no esperaba que captaran mi atención. Lo hicieron, por motivos que no tenían nada que ver con el plan original.
Aquí va el registro, más o menos en el orden en que fui notando las cosas.
Día uno: el número que no se mueve
Lo primero que reviso en cualquier feed nuevo es el total, porque los totales mienten menos que cualquier otra cosa en este negocio. El sector inmobiliario se situaba en 601.702 anuncios. Bien. Luego lo desglosé por región y el número dejó de parecer un despliegue global para parecer un proyecto de un solo país con un margen de error pegado: solo Japón representaba 588.644 de esos anuncios. Eso es el 97,8% de todo el feed.
Para poner esto en contexto, nuestros datos de coches abarcan 73 regiones sin que ninguna supere el 6% del total (Francia, nuestra región más grande, tiene 67.569 de 1,1 millones, en torno al 6,1%). El sector inmobiliario presenta una concentración dieciséis veces mayor. Estuve dudando entre si esto era un fallo del etiquetador de regiones antes de recordar lo que realmente lo explica: los propios portales inmobiliarios japoneses listan un volumen enorme de akiya, esas viviendas rurales abandonadas o casi abandonadas que el gobierno lleva años intentando colocar, a menudo a precios que hacen que un Corolla de segunda mano parezca una compra de lujo. Los portales son exhaustivos, legibles por máquina y enormes. Los del resto del mundo, todavía no.
Día dos: buscando el otro 2,2%
Quería saber cómo era "el resto del mundo", así que extraje las regiones que no fueran Japón y las puse en fila.
Egipto supera por poco a Alemania, lo cual me sorprendió: habría apostado a que un mercado grande y bien documentado como el alemán dominaría una muestra aleatoria antes que El Cairo. Sri Lanka también se mantiene en cuatro cifras de forma estable. Después hay un precipicio: los cuatro países centroamericanos —Guatemala, Nicaragua, Panamá y El Salvador— se sitúan en 80, 80, 80 y 78.
Día tres: tres números idénticos nunca son casualidad
Ese precipicio es lo que realmente me hizo detenerme. Que tres países coincidan en exactamente el mismo recuento no es una señal de mercado, es una huella digital. Cuando Guatemala, Nicaragua y Panamá muestran precisamente 80 anuncios cada uno, eso no son tres economías convergiendo por casualidad en el mismo tamaño de inventario: es una única fuente ascendente con un tope duro de 80 páginas, alimentando a los tres países del mismo modo. El 78 de El Salvador es la pista que lo confirma: lo bastante cercano como para ser la misma fuente, lo bastante distinto como para demostrar que no es un error de copiar y pegar en nuestro propio pipeline. En algún lugar hay un agregador inmobiliario regional que limita las páginas de resultados gratuitas a unos 80 anuncios por país, y hasta que lo sorteemos —yendo directo a la fuente en vez de pasar por el agregador, o paginando más allá del muro que impone— esos cuatro países aparecerán como igual de diminutos, sea cual sea el aspecto real de sus mercados.
Esta es la parte poco glamurosa de construir con honestidad cualquier dataset nuevo: las primeras cifras que obtienes no son el mercado, son la forma de tus fuentes actuales. Prefiero descubrir esto en la primera semana antes que publicar un post de "los mercados inmobiliarios más pequeños de Centroamérica" construido sobre el límite de páginas de un scraper.
Día cuatro: lo que de verdad me sorprendió
No fue la concentración en Japón; algo así ya me lo esperaba, dado cuánta de nuestra propia señal inmobiliaria ya provenía de fuentes japonesas en el lado de coches del negocio. Lo que me sorprendió fue lo legible que resultaba el problema de calidad de datos sin ninguna herramienta especial. No hace falta formación en estadística para detectar tres 80 seguidos. Solo hace falta mirar los números en orden, que es en gran medida en lo que consiste este trabajo.
También me hizo replantearme algo de nuestros datos de coches que había dejado de notar porque ya estoy acostumbrado: 73 regiones con una dispersión genuina, ninguna región por encima del 6,1%, 1.375 fuentes independientes alimentándolas; esa distribución no es el estado natural de un dataset scrapeado, son ocho años sorteando deliberadamente exactamente el tipo de muro de agregador que acaba de aparecer el día tres del feed inmobiliario. Cada una de esas 73 regiones empezó pareciéndose a Guatemala.
Dónde estamos ahora
El sector inmobiliario todavía no es un producto: es una señal que estamos observando mientras el lado de coches sigue funcionando, una línea más en una hoja de ruta más larga hacia una cobertura inmobiliaria más amplia. Pero una semana observando cómo se iba completando fue un buen recordatorio del orden en que ocurren realmente las operaciones: poner el feed en marcha, sospechar de los números redondos, encontrar el muro y luego construir la manera de superarlo. Japón dejará de ser el 97,8% de este feed del mismo modo en que Francia, no Emiratos Árabes Unidos ni Japón, acabó liderando nuestro recuento de coches: añadiendo fuentes hasta que ninguna pueda dominar el total por accidente.
