top of page

Smarte Daten

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

Unsere Datenbasis

Unsere umfangreiche Datenbasis umfasst mehr als 2.000 Lageindikatoren, basierend auf Millionen von Rohdaten und individuell ermittelten Scores. Diese Indikatoren können für bestimmte geografische Räume und Auswertungsebenen analysiert werden, auch mit Blick auf Veränderungsraten. Hier finden Sie eine erste Übersicht:

Demografie

Altersstrukturen, Pendler, Einwohner nach Herkunft, Bevölkerungsprognose

Hotel & Tourismus

Sehenswürdigkeiten, Freizeitparks, Belegungs-quoten, Übernachtungen,

ESG

Hochwasser, Hitzetage, Erdbeben, E-Ladesäulen, Asbestgefahr

Immobilien & Preise

Mieten, Kaufpreise, Renditen, Leerstandsrate, 
Miet- und Eigentümerquoten,

Wirtschaft

Kaufkraftdaten, Arbeitslosenquote, Steuern, Einzelhandelskennziffern 

Branchenübersichten

Gliederung von Firmen nach Sektor, Größe und Umsatz

Infrastruktur

Internetanbindung, Supermärkte, Outletcenter, Krankenhäuser, Schulen

Einzelhandel

Passantenfrequenzen, Kaufkraft im Einzelhandel, Kaufkraftbindung

Anbindung & Mobilität

Autobahn, Bus, Tram, U-Bahn, E-Ladesäulen, Car-Sharing

Haushaltsdaten

Einkommen für Haushalte, Haushaltsgrößen

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.

Unsere Daten FAQ

Welche Rolle spielen Daten für 21st Real Estate?

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.

Welche Daten verwendet 21st?

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.

Woher bekommt 21st die Daten?

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.

Wie genau sind die Daten von 21st?

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.

Was bedeutet das Scoring-Modell von 21st?

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.

Konkret gefragt: Ist die Kaufkraft pro Kopf von 22.080 Euro für Leipzig ein hoher oder ein geringer Wert?

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.

Wie verlässlich sind Machine-Learning-Preise?

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.

Marktberichte

Das Thema der Überhitzungstendenzen auf dem deutschen Immobilienmarkt stehen immer wieder im medialen Fokus. 
Die untere Grafik zeigt einen Überblick über die Blasengefahr für die Assetklassen Wohnen, Büro, und Einzelhandel. Zur Berechnung wurde die etablierte Methode von Phillips, Wu und Yu angewendet, die testet, ob sich Verkaufspreise von den Mieten entkoppelt haben.

Die letzte Studie zur Preisüberhitzung finden Sie hier.

Bubble Index Residential

Anteil an deutschen Städten & Gemeinden mit Blasengefahr auf dem Wohnungsmarkt 

Datensicherheit

Risikominimierung & Zugriffskontrolle

  • Regelmäßige interne Prüfung der Richtlinien und eingesetzten Technik

  • Regelmäßige Überprüfungen der Zugänge und Berechtigungen von 21st-Mitarbeitern

  • Vergabe von Berechtigungen durch Ihre Administratoren

  • Informationssicherheitsmanagement seit 2018

  • voneinander abgeschottete Softwareprozesse für Sicherheit und Stabilität

bottom of page