En Colombia, una propiedad residencial tarda entre 180 y 210 días en venderse en promedio. En los barrios más activos de Bogotá o Medellín, el rango baja a 90 o 120 días; en mercados secundarios, puede superar el año. A esa escala, un error de precio en el mandato inicial no cuesta semanas: cuesta meses de cuotas hipotecarias, mantenimiento y capital inmovilizado. Los modelos de predicción de días en mercado cuantifican ese costo antes de que el anuncio salga publicado.
El precio como variable de tiempo, no solo de dinero
La negociación de captación suele tratarse como una discusión sobre valor: "¿cuánto vale esta propiedad?" Esa pregunta es incompleta. La pregunta más útil, y la que un modelo de predicción responde, es: "¿cuántos días tardará en venderse a este precio?"
La diferencia no es semántica. Un análisis de la Indiana Association of Realtors (2024) sobre miles de transacciones encontró un patrón claro: propiedades listadas dentro del 1% de su precio de venta final quedan bajo contrato en 1 a 14 días. Las listadas entre 3% y 5% por encima tardan entre 9 y 52 días. Las listadas entre 9% y 11% por encima tardan entre 19 y 87 días. El sobreprecio no es solo un error de valor: es un multiplicador de tiempo.
El mismo estudio documenta que las propiedades que eventualmente bajan de precio pasan una mediana de 23 días al precio original antes de la primera reducción, y luego quedan bajo contrato en solo 12 días más. Los 23 días al precio equivocado son tiempo perdido en un mercado donde los compradores miran la antigüedad del anuncio tan de cerca como el precio.
En Colombia, donde el ratio de cierre sobre precio de publicación está entre 4% y 8% de descuento y menos del 10% de propiedades se vende al precio pedido, la sobreestimación del propietario es casi la norma (según The Latam Investor, 2025). Un corredor que llega a la reunión de captación con datos sobre tiempos de venta según precio tiene un argumento que cambia la naturaleza de esa conversación.
Cómo funciona un modelo de predicción de DOM
Un modelo de días en mercado trabaja con tres capas de datos.
La primera son los atributos de la propiedad: superficie, habitaciones, antigüedad, estado (obra gris, remodelado, usado), tipo (apartamento, casa, lote), y características como parqueadero, balcón o vista. Cualquier agencia con un CRM operativo ya tiene estos datos.
La segunda son los comparables activos: cuántas propiedades similares están en mercado en la misma zona, a qué precios, cuánto tiempo llevan publicadas, y si han tenido ajustes de precio recientes. En LATAM, esto se extrae de portales como Metrocuadrado en Colombia, Inmuebles24 en México, o Properati y La Haus en varios mercados.
La tercera son las condiciones de entorno: tasa de política monetaria, temporada del año (en muchos mercados de LATAM hay ciclos de demanda marcados por el calendario escolar y las épocas de bonos), y la velocidad de absorción reciente en el microbarrio. En Colombia, con tasas hipotecarias entre 10% y 18% anual durante 2025, ese contexto macro tiene un peso directo en los tiempos de venta.
Con estas tres capas, un modelo de machine learning entrenado en transacciones históricas estima el rango de días esperados a un precio dado y compara eso con escenarios alternativos. No es magia: es regresión sobre datos bien estructurados.
La negociación que cambia con estos datos
En la reunión de captación, el corredor que llega solo con "mi criterio de mercado" enfrenta un propietario que tiene el suyo. El que llega con una simulación de escenarios cierra la brecha entre opiniones con datos.
El argumento concreto suena así: "A $350,000, propiedades comparables en esta zona han tardado entre 90 y 130 días en venderse. A $310,000, el rango baja a 30 a 50 días. Al precio más alto, pagas aproximadamente $1,200 de cuota mensual por 60 a 80 días adicionales. Eso es entre $2,400 y $3,200 de costo financiero, sin contar los descuentos que el comprador pedirá después de ver la propiedad llevar tres meses publicada."
Según Opendoor Research (julio de 2025), los compradores que ven una propiedad en mercado entre 30 y 60 días negocian entre 2% y 5% de descuento sobre el precio pedido. Entre 60 y 90 días, el descuento sube a entre 5% y 10%, más concesiones de reparación o gastos de cierre. El 44.4% de las transacciones en ese mercado incluyeron concesiones del vendedor en los primeros meses de 2025, y casi el 80% de las propiedades se cerró al precio pedido o por debajo.
Hay dos momentos especialmente valiosos para usar este tipo de análisis: al firmar el mandato, cuando el propietario fija el precio inicial; y en la primera revisión de precio, cuando la propiedad lleva 30 días sin ofertas y el corredor necesita un argumento de datos, no de sensación.
El modelo de DOM no evita que el propietario insista en un precio alto. Pero convierte esa decisión en una elección informada: "Si quieres pedir $350,000, lo intentamos, y aquí está el costo en tiempo que implica esa decisión."
Dónde fallan estos modelos en LATAM
Tres limitaciones reales que toda agencia debe conocer antes de adoptar este tipo de herramienta:
Datos de cierre son escasos o privados. En la mayoría de los mercados de LATAM, los precios reales de cierre no son públicos. Los portales muestran precios de publicación, que casi siempre son más altos que el precio final. Un modelo entrenado sobre precios de lista sobreestima el mercado y produce predicciones de DOM demasiado optimistas.
Los portales tienen inventario fantasma. Anuncios de propietarios que no bajan de precio pero tampoco retiran el aviso. Cuando el modelo los cuenta como comparables activos, subestima la competencia real y da tiempos de venta más cortos de lo que serán.
Las señales cualitativas no tienen columna en la base de datos. Un propietario que rechaza visitas, un inmueble en proceso de sucesión, un edificio con deudas de administración: ninguna de esas variables entra en una regresión estándar. El DOM real puede ser varias veces el proyectado.
La respuesta a estas limitaciones no es descartar el modelo. Es usarlo como piso de la conversación, no como techo. El modelo da el tiempo esperado en condiciones normales. El corredor agrega el contexto que el modelo no puede ver.
Qué hacer con esto
Si tu agencia usa alguna plataforma de portales con módulo de análisis (Metrocuadrado Pro en Colombia, Properati Analytics, algunos CRMs con integración de datos de mercado), revisa si ya tienes acceso a estimaciones de velocidad de absorción por zona. Esa función es el punto de partida.
Si no tienes acceso a un modelo propio, construye una versión manual: para cada reunión de captación, prepara una tabla de propiedades comparables ordenada por días publicada y última modificación de precio. No es machine learning, pero te da el argumento de datos que cambia la conversación.
El paso siguiente es documentar tus propios cierres: fecha de captación, precio inicial, ajustes de precio, fecha de cierre, precio final. Con 50 transacciones históricas bien registradas, una agencia mediana tiene el insumo para calibrar sus propias estimaciones de DOM por tipo de propiedad y zona.
El contexto de adopción de IA en real estate avanza rápido: el Global PropTech Confidence Index 2025 de PwC y MetaProp reporta que el 92% de los equipos de real estate comercial planea pilotos de IA en 2025, partiendo de menos del 5% en 2023. Las herramientas de predicción de mercado encabezan la lista de casos de uso. Las agencias de LATAM que empiecen a registrar sus tiempos de venta hoy tendrán en 18 meses algo que ningún portal externo puede venderles.