Smarte Daten

21st Real Estate (21st) ist ein Unternehmen, das mit RELAS (Real Estate Location Analytics System) eine Software zur Marktpreis- und Standortanalyse für professionelle Nutzer anbietet. Zu den Zielgruppen von 21st zählen Projektentwickler, Asset Manager, Banken und Bewerter. Daten bieten die Grundlage des Geschäftsmodells. Die Datenabteilung der 21st aggregiert, validiert und bereinigt Daten. Diese Daten stellt 21st flächendeckend für Deutschland in RELAS bereit. Dabei deckt die Datenbasis nahezu alle Nutzungsarten ab wie Wohn- und Gewerbeimmobilien, Senior Living, Student Living sowie Logistik.

Für 21st sind in erster Linie Daten von Relevanz, die einen Bezug zu Immobilienmärkten aufweisen. Das sind neben Angebots- und Transaktionspreisen im Miet- und Kaufsegment v.a. Daten, die der Bewertung einer Immobilie dienen: wirtschaftliche Kennziffern wie Einkommensdaten oder Beschäftigtenstruktur, demographische Angaben z.B. zu Altersgruppen und Bevölkerungsprognosen oder auch ESG-Kennziffern wie Energieverbräuche oder klimatische Veränderungen. Die Datenbasis der Lageindikatoren für die Makro- und Mikrolage umfasst dabei Veränderungsraten, um positive und negative Entwicklungen aufzuzeigen. 30-, 60-, und 90-minütige Einzugsgebiete werden miterfasst, um Synergieeffekte aus benachbarten Gemeinden zu erzielen. Daneben bieten digitalisierte Mietspiegel und Kartenmaterial zu Bodenrichtwerten oder Katasterdaten weitere Hilfsmittel für eine fundierte Standortanalyse.

21st recherchiert und kategorisiert Daten über strategische Partnerschaften mit anerkannten und lang etablierten Datenzulieferern. Hierzu zählen beispielsweise Immoscout oder die Gesellschaft für Konsumforschung (GfK). Darüber hinaus greift 21st auf öffentlich zugängliche Daten der statistischen Landesämter oder aus Branchenverzeichnissen zurück. In die Datenbeschaffung investiert 21st jedes Jahr einen 6-stelligen Betrag.

Die Daten in RELAS sind flächendeckend für jede Gemeinde in Deutschland verfügbar. Dies ermöglicht in der Mikrolage einen Vergleich von Lagen innerhalb einer Stadt oder einen gemeindeübergreifenden Vergleich. Die Datenverarbeitung erfolgt dabei nach einem strengen Kontrollprinzip. Um Daten in RELAS bereitzustellen, müssen genügend Datenpunkte vorhanden sein, um repräsentative Werte zu ermitteln. Die Daten werden validiert und um Ausreißer bereinigt, um nicht-relevante Schwankungen zu glätten. Die Daten werden regelmäßig aktualisiert, wobei die jeweiligen Update-Zyklen unterschiedlich sind. Points of Interest von Google sind immer tagesaktuell, Comparables (Vergleichspreise) werden monatlich aktualisiert und der Lageindikator „Grünflächen“ zum Beispiel wird einmal im Jahr angepasst, da hier wenig Änderungen beobachtet werden.

Das RELAS-Scoring erlaubt Vergleichswerte auf Mikro- und Makroebene. In der Mikrolage werden Scores innerhalb eines Kachelsystems von 200 x 200 Metern bewertet, während die knapp 11.000 Gemeinden in Deutschland die Makrolage darstellen. Die Scores reichen von 0 bis 100 und decken damit den gesamten Wertebereich der Rohdaten ab. Alle Werte dazwischen werden innerhalb der Spanne gleich verteilt. Der Kachel-Score von 23 – beispielsweise für den Indikator „Supermarkt“ in Potsdam - besagt, dass der Standort in dieser Kachel einen vergleichsweisen geringen Zugang zu Supermärkten hat. Im Umkehrschluss gibt es 77 Prozent an Kacheln in Potsdam, die eine bessere Erreichbarkeit zu Supermärkten aufweisen. Ein Scoring-Wert von 91 für jährliche Baufertigstellungen in Bonn im Umkreis von 90 Minuten besagt, dass nur neun Prozent der übrigen Gemeinden innerhalb von 90 Minuten Fahrtzeit eine höhere Zahl an Baufertigstellungen aufweisen.

21st erlaubt mit dem Scoring-Verfahren einen Abgleich dieser Zahl sowohl innerhalb der Stadt Leipzig als auch im regionalen oder bundesdeutschen Vergleich. Betrachtet man Leipzig innerhalb von Sachsen, performt die größte Stadt des Bundeslandes gegenüber anderen Städten besser und erhält einen Score von 68 für die Kaufkraft pro Kopf. Vergleicht man die Kaufkraft pro Kopf für Leipzig mit allen übrigen Gemeinden in Deutschland, erhalt Leipzig ein Scoring von 26. Betrachtet man Leipzig im Kontext der übrigen 13 B-Städte, erhält Leipzig einen Score von 8 und landet somit auf dem vorletzten Platz der B-Städte. Weitere Vergleichsmöglichkeiten für die Scoreverteilung in der Makrolage ergeben sich durch die Definition des Kontextes. Es ist für eine fundierte Marktpreis- und Standortanalyse somit entscheidend, die Daten stets im passenden Kontext zu betrachten, um fundierte Entscheidungen treffen zu können.

Machine-Learning-Algorithmen sind besonders dann überlegen, wenn die Angebotsdichte gering ist und die Charakteristika von Objekten (Baujahr, Fläche, Zustand) eine starke regionale Heterogenität aufweisen. Im Vergleich mit den marktüblichen Vergleichswertverfahren, ist dies vor allem bei Retail- und Office-Mieten der Fall. Für Retail-Mieten konnte eine durchschnittliche Verbesserung der Preisermittlung um 32 Prozent und für Büro-Mieten sogar um 46 Prozent nachgewiesen werden. Mieten für Wohnungen und Häuser können um 23 Prozent genauer berechnet werden, ebenso wie Kaufpreise von Häusern. Bei den Kaufpreisen von Eigentumswohnungen beträgt die Verbesserung sogar 26 Prozent. Seit 4 Jahren sind wir Experten für maschinelles Lernen und haben unsere Ergebnisse am Markt und mit Kunden regelmäßig gemeinsam getestet. Am Ende waren alle Nutzer stets von der Verlässlichkeit der Machine-Learning-Preise überzeugt, vom Transaktionsmanager bis zum Gutachter.