Smarte Daten

Neben der Aggregation und Aufbereitung der Rohdaten ermitteln wir Scores für Mikro- und Makrolagen, um diese neutral bewerten und vergleichen zu können. Mit diesen Scores können belastbare Aussagen zu Lagepotentialen getroffen  und Stärken-/Schwächen-Profile erstellt werden.

Initiator und Datenpartner der DIN SPEC für einen ESG-Standard

Als Partner des DIN SPEC-Konsortiums, setzen wir uns für eine Standardisierung einer ESG-konformen Immobilienbewertung ein. Was genau die DIN SPEC ist, lesen Sie hier. Der Fokus für die Bildung einer DIN Norm, liegt im ersten Schritt auf den Environment-Kriterien, da diese exakt messbar sind und deren Veränderungen in der Praxis am größten.

​

Grundlage hierfür sind Daten, die digital gesammelt werden, um diese wiederum zu analysieren. Neben gebäudespezifischen Informationen, wie zum Beispiel Energie- und Wasserverbräuchen oder CO2-Emissionen, werden Standortfaktoren zu klimatischen Veränderungen, Umweltrisiken oder Altlasten ermittelt.

​

Wir bieten über 50 ESG-Standortkriterien für die Makro- und Mikrolage in RELAS, um so Chancen-Risiko-Analysen für das Immobilienmanagement zu ermöglichen.

Scores für Gemeinden und Kacheln 

Wir haben Deutschland in ein einzigartiges System aus 2,3 Millionen Kacheln aufgeteilt. In Gemeinden ab 20.000 Einwohnern umfassen diese Kacheln ein Gebiet von 200 x 200 Metern, in ländlichen Regionen 1.000 x 1.000 Meter. Jede Kachel enthält Informationen für bis zu 350 verschiedene Parameter – von sozioökonomischen Angaben, über Wirtschaftsdaten bis hin zu gebäudespezifischen Informationen.

Auf Basis unserer Smart Data berechnen wir für jede einzelne Kachel individuelle 21st-Scores, die beispielsweise die Zentralität, Kaufkraft, Baugenehmigungen, Nahversorgung, Klimarisiken etc. für diese Kachel abbilden. Dies ermöglicht eine objektive Einschätzung der Qualität und des Potenzials einer Lage. Die Bewertung erfolgt dabei auf einer Skala von 0 bis 100, sodass alle Kacheln miteinander verglichen werden können. Auf der Makroebene werden die Scores innerhalb von Gemeinden errechnet.

Marktpreise mittels Machine-Learning

Mit Hilfe räumlich-ökonometrischer Modelle und Machine-Learning-Algorithmen stellen wir neue - und in ihrer Verfügbarkeit einzigartige - Informationen für Marktpreise zur Verfügung. 

Diese Algorithmen stellen komplexe Zusammenhänge zwischen einer Lage, Objektkriterien und Marktpreisen her und werden zusätzlich mit einem neuronalen Netzwerk überprüft, um Abweichungen und Schätzintervalle zu minimieren.

Datensicherheit