Prof. Dr. Nicolai Wendland
Smart Data und Data Intelligence in der Immobilienwirtschaft

Vom Data Mining zum Location und Investment Mining mit wenigen Klicks

Zurück zur Übersicht
2017-11-21

Die Immobilienwirtschaft sieht sich derzeit einer erstarkenden Bewegung gegenüber: Digitalisierung! Hierbei werden auch Begriffe wie Big Data, Smart Data, Artificial Intelligence und Data Intelligence tagtäglich wie selbstverständlich hin und her geworfen. Sie implizieren unternehmerische Effizienzsteigerungen über die Sammlung und Verarbeitung großer Datenmengen. An welchem Prozess der Wertschöpfungskette jeweils angesetzt wird und welche Vorteile im Detail erzielbar sind, ist oftmals nicht ersichtlich. Auch die Frage, an welchem Punkt ein Unternehmen ansetzen kann, um beispielswiese über anspruchsvolle Digitalisierungsstrategien oder den gezielten Einsatz existierender Technologien einen tatsächlich messbaren Mehrwert zu gewinnen, bleibt meist unbeantwortet. In diesem Artikel möchte ich konkret auf eine dieser Herausforderungen eingehen und exemplarisch aufzeigen, welche enormen Möglichkeiten die Nutzung intelligenter Daten (Smart Data) und selbstlernender Systeme (Data Intelligence) bieten, um alltägliche Prozesse der Branche nachhaltig zu verändern.

Smart Data macht kollektives Marktwissen individuell nutzbar

Während Big Data zunächst einmal große, heterogene Datenmengen beschreibt, die für sich genommen wertvoll, aber in ihrer Essenz meist deskriptiver Natur sind, so generiert die Hinzunahme komplexer Algorithmen und individualisierbarer Entscheidungsregeln erst die Basis für Smart Data. Aus Millionen und Milliarden von einzelnen Beobachtungen (z.B. zu Immobilienkäufen) entsteht so ein Abdruck kollektiver Marktintelligenz. Sie erlaubt Einblicke in die tiefste Ebene der Analyse.

Im Gegensatz zu individueller Erfahrung einzelner Personen, ist Smart Data in der Lage, das große Ganze abzubilden und Interdependenzen zu finden, die aus dem Bauchgefühl heraus nicht erfahrbar wären. Aus kollektivem Marktwissen entsteht individuell, intuitiv nutzbares Wissen. Im Ergebnis können Akteure auch ohne jahrelange Erfahrung und das damit verbundene Bauchgefühl, fundierte Entscheidungen treffen. Die Menge an Daten und die damit erworbenen Informationen und generierten Handlungsempfehlungen liefern eben diese Erfahrungswerte zusammengefasst und übersichtlich. Dies bildet die perfekte Ergänzung für die individuelle Erfahrung im Entscheidungsprozess ab und erlaubt so schnellere und konsistentere Entscheidungen.

Fallbeispiel: Die Suche nach passenden Investitionsimmobilien

Um das konkrete Fallbeispiel zu zeichnen, möchte ich exemplarisch den Prozess des Immobilienkaufs aufgreifen. Ein zentrales Element von (meist institutionellen) Immobilienkäufern, also Investoren ist es, die für sie passende Anlagemöglichkeit zu finden. Ob eine adäquate Immobilie oder ein Portfolio gefunden werden kann, ist zunächst von der jeweiligen Anlagestrategie bestimmt und davon abhängig, ob in Zeiten hoher Liquidität und enger Märkte überhaupt geeignete Objekte von Eigentümern oder Maklern angeboten werden. Ein besonderes Element findet sich darüber hinaus in dem Aspekt einer systemdurchdringenden Kreativität. Verfügen Investoren über diese Stufe der Kreativität, können sie zunächst scheinbar unpassende Objekte identifizieren und über z.B. Nutzungsumwidmungen, Flächenoptimierung oder unkonventionelle Finanzierungsmodelle in passende Objekte zu transformieren. Zu guter Letzt spielt der Faktor Zeit eine große Rolle. Ein komplexer Ankaufsprozess, der den Gang zum Notar erst nach 8-12 Wochen ermöglicht, kann einen erfolgreichen Abschluss verhindern. Im Kern geht es demnach immer darum, über einen großen Erfahrungsschatz die passenden Objekte zu identifizieren, mithilfe aller notwendigen Informationen (also Daten) deren Tauglichkeit zu verifizieren und in kürzester Zeit die relevanten Prozessschritte bis hin zum tatsächlichen Ankauf zu durchlaufen.

Welche Daten beschreiben eine Immobilie?

Um passende Investitionsobjekte zu finden und vor dem Hintergrund der firmenweiten Strategie zu evaluieren, wird im Kern eine nicht unerhebliche Menge an Daten benötigt. Diese teilen sich auf in:

I) Umgebungsdaten, wie z.B.:

  • Bevölkerungsstruktur (jung, alt, Bildungshintergrund)
  • Bevölkerungsdynamik (z.B. Migrationsbewegungen, Veränderungen der Struktur)
  • Einkommen und Kaufkraft
  • Lokale Charakteristiken (z.B. Grün- und Wasserflächen, Verkehrsanbindung, Verfügbarkeit von Restaurants, Ärzten, Supermärkten, Schulen und Kindergärten in der näheren Umgebung)
  • Preisentwicklung der Kaufpreise, Preisentwicklung der Mietpreise, Preisprognosen
  • Kommunale Mietspiegel und Informationen zu Bautätigkeit
  • Milieuschutzgebiete
  • Flächennutzungspläne.


II) Kostenarten, wie z.B.:

  • Verwaltungskosten (Asset Management, Hausverwaltung etc.)
  • Operative Kosten (Instandhaltung und Instandsetzung)
  • Kosten durch Mieterwechsel und Leerstand
  • Umbaukosten (Flächenoptimierung, nachträgliche Verdichtung etc.)


III) Objektspezifische Daten, wie z.B.:

  • Mieterstruktur
  • Zustand des Gebäudes als Ganzem
  • Renovierungsstand der einzelnen Einheiten
  • Energieausweise
  • Baujahr

Diese Daten liegen in Deutschland in den meisten Fällen nicht zentralisiert vor und müssen für jedes Objekt mühsam zusammengetragen werden. Dies ist besonders zeitaufwendig und die Qualität der Daten (z.B. zu Vergleichspreisen und Preisprognosen) kann oftmals nur als „ausreichend“ eingestuft werden. Gerade in den prognostizierten Preisentwicklungen liegt jedoch einer der zentralen Werttreiber der eigentlichen Investition. Der Evaluationsprozess ist dadurch sehr schwierig.

Wie die Wissenschaft eine Umgebung quantifiziert

In einem von Daten getriebenen, digitalisierten Prozess werden diese Schritte ganzheitlich automatisiert und der individuelle Bearbeiter, Transaktionsmanager und/oder Ankäufer profitiert von einer umfassenden Fülle kollektivem Marktwissens. Sämtliche für den Prozess des Ankaufes benötigten Daten werden in einem Big Data Server kombiniert und aufbereitet. Millionen und Milliarden von einzelnen Datenpunkten werden hier systematisch aufbereitet. Nun erfolgt der wichtigste Schritt, in dem diese (meist noch) Rohdaten über hochkomplexe Algorithmen und Prozesse des Machine Learning dergestalt verarbeitet und veredelt werden, dass sie intuitiv und ohne Vorwissen genutzt werden können. Ein Beispiel soll folgen. Die rohen Umgebungsdaten, z.B. von wie vielen Quadratmetern Grünfläche ein Objekt umgeben ist, bildet noch keine ausreichende Entscheidungsvorlage und bewegt sich daher noch im Bereich der Big Data. Erst wenn diese Information in das Verhältnis zu den Gesamtdaten des Viertels, des Stadtteils und auch der Stadt gestellt wird, erhält man für die Investitionsentscheidung wertvolle Eindrücke. Denn während ein kleiner Park mit Teich in einer an Wald und Fluss gelegenen Stadt – investitionstechnisch - nicht wertvoll sein mag, kann er doch in einer grauen Industriestadt erheblichen Einfluss auf den Wohnwert einer einzelnen Immobilie haben.

Doch wie genau soll dieses Verhältnis von Nachbarschaft zu dem Stadtteil und der Stadt quantifiziert werden? Aktuelle Forschung zeigt, dass Menschen üblicherweise mit ihrer gesamten Umgebung interagieren die Sie innerhalb von ca. 15 Minuten erreichen können. Dies kann eine Vielzahl von Orten beinhalten, die allesamt individuell in Big Data vorliegen. Jedoch werden alle Möglichkeiten und alle Umgebungsvariablen mithilfe von Maschinenlernalgorithmen konfiguriert und gewichtet. Im Ergebnis erhält man ein perfektes Bild der Umgebung und aller sie beeinflussenden Faktoren. Diese werden graphisch und numerisch aufbereitet. Es entsteht Smart Data.

Wie können Investoren Smart Data in der Praxis nutzen?

Wie können Erkenntnisse aus dem Smart Data Topf nun genutzt werden? Ganz konkret bedeutet das für einen beliebigen Investor, zunächst eine Anlagestrategie zu formulieren und auf Basis des Smart Data Pools prüfen zu lassen. Eine deutschlandweite Strategie für geplante Co-Living Projekte für sogenannte young professionals könnte beispielsweise wie folgt aussehen. Gesucht werden hier Gegenden mit: - Junger, hipper, progressiver Bevölkerungsstruktur - Pulsierendem Nachtleben - Mittlerer Einkommensstruktur - Guter Verkehrsanbindung - In der Nähe von Clustern von High-Tech-Firmen.

Die Objekte selbst, sollten ganz spezifischen Vorgaben gemäß der Mieterstruktur, der Leerstandquote und der Ist-Rendite erfüllen.

Smart Data ist in der Lage, exakt dieses Anforderungsprofil in quantifizierbare Anforderungen zu transformieren und ein detailliertes Matching zwischen den in der Strategie definierten, lagebezogenen Kriterien und den hierzu tatsächlich auffindbaren Gegenden herzustellen. Im Resultat ermöglicht dies dem Investor ein umfassendes location mining, mit dessen Hilfe per Knopfdruck sämtliche Orte deutschlandweit identifiziert werden, die auf diese konkrete Strategie passen.

Simultan hierzu werden die eingehenden Exposees und Objektinformationen verfügbarer Objekte am Markt über exakt dieselbe Big Data Datenbank analysiert und ihrerseits in Smart Data Pakete umgewandelt. Dieser Schritt bildet eine Datengetriebene (Investment-)angebotsfunktion ab und ermöglicht das finale Matching zwischen sämtlichen, angebotenen Objekten und der tatsächlichen Strategie des einzelnen Investors. Smart Data ermöglicht also in diesem Schritt ein direktes Matching und das Erstellen von intelligenten Entscheidungsvorlagen. Jeder Nutzer kann diesbezüglich auch ohne nennenswerte Markterfahrung Entscheidungen treffen, da das kollektive Marktwissen für ihn direkt nutzbar ausgewertet wurde.

Hat das Matching stattgefunden, ermöglicht nun der angebundene Big Data Bestand mit Informationen zu Kostenparametern und Umgebungsdaten- im obigen Sinne – in wenigen Momenten verschiedenste Investitionsszenarien für alle vom System vorgeschlagenen Investitionsobjekte zu simulieren. Im Gegensatz zu den branchenüblichen Szenarien, die meistens nicht über lineare Mietpreisentwicklungstrends oder verschiedene Verkaufspreise hinausgehen, ermöglicht Smart Data das Rechnen mit hochkomplexen multivariaten Szenarien, z.B. verschiedene Simulationen des Demographiewandels in Kombination mit variierenden Konjunkturverläufen. Nun kann der Endnutzer mithilfe dieser Szenarien schnell und transparent beurteilen wie lukrativ und robust das Investment ist und ob es vor dem Hintergrund der systemdurchdringenden Kreativität die benötigten Potenziale tatsächlich in sich trägt.

Am Ende des Prozesses steht die immer finale Entscheidung des Investors über einen Kauf oder eine Ablehnung des Objektes oder Portfolios. Doch die Rolle von Smart Data hört hier nicht auf. Während aus einem riesigen Server die Big Data in Smart Data umgewandelt wurde und direkt nutzbare Entscheidungsvorlagen generiert wurden, wird an diesem Prozessschritt eine neue, wertvolle Information in den großen Datentopf eingegeben - nämlich die Entscheidung des Investors. Das System lernt, welche der Vorschläge im Resultat tatsächlich validiert und gekauft wurden und welche nicht. Diese Information verbessert aber nicht nur ganzheitlich die systemgenerierten Entscheidungsvorlagen für alle zukünftigen Objekte, sondern kann in Echtzeit Empfehlungen zu einer neuen Strategie aussprechen, die optimal auf die Angebote am Markt ausgerichtet ist.

Investment Mining: Angebote schon heute automatisch sortieren

Diese Form der Data Intelligence öffnet das Tor in die Welt des Investment Minings. Sie erlaubt die nutzerindividuelle Erstellung eines „Exposefilters“. Dieser kann eingehende Angebote, die nicht in das Anlageprofil und das bisherige Investitionsverhalten des Käufers passen aussortieren und sie automatisch in eine Art Spamordner verschieben. Dank der daraus resultierenden Zeitersparnis, kann eine erheblich größere Menge an Angeboten - ohne Ressourcenerweiterung - qualitativ hochwertig verarbeitet werden. Damit hilft Investment Mining dabei, dass noch mehr hochwertige Angebote zutage gefördert werden. Das angeschlossene System gibt ferner über die Möglichkeiten der Data Intelligence Empfehlungen aus, inwieweit bei einzelnen Parametern in der Vergangenheit bei ähnlichen Objekten Prognosefehler aufgetreten sind und ermöglicht unmittelbare ex-post Evaluationen.

Während all diese Begriffe der Data Intelligence, des Location Minings oder des Investment Minings noch vielen Teilnehmern der Immobilienwirtschaft neu sind und die Welt der Anwendungsmöglichkeiten noch unklar ist, so ist dieser konkrete Fall keine Zukunftsmusik mehr und kann bereits heute unmittelbar genutzt werden.

Dieser Artikel erschien in einer leicht veränderten Version unter dem Titel “Big Data = Smart Data?” im Heft 06/2017 der Immobilienwirtschaft.