Neue Features in RELAS - Machine-Learning-Preise vs. Comparables
Die Kenntnis des Marktes setzt die Kenntnis des Deal-Geschehens voraus und so ist es für zumindest A- und B-Städte nichts Neues Vergleichspreise zu sammeln oder von darauf spezialisierten Unternehmen zu erwerben. Einerseits gut über vergangenes Marktgeschehen Bescheid zu wissen, andererseits eine sehr analoge, vergangenheitsbezogene Betrachtung, die uns die Entscheidungen der Marktteilnehmer offenlegt, jedoch keinerlei Systematik hinsichtlich der Entscheidungsfindung selbst gibt. Wir erhalten somit das Bild von Geschehnissen deren Zustandekommen für den Betrachter völlig eratisch ist und aus dem wir nur bedingt die zukünftige Entwicklung von Märkten und Standorten ableiten können.
Mit Machine-Learning ist es möglich, ausgehend von einer großen Anzahl von Marktdaten der Vergangenheit, unzählige Rechenmodelle abzuleiten, diese ebenso an Vergangenheitswerten zu testen und für eine in die Zukunft gerichtete Analyse heranzuziehen. Das Eratische der Vergangenheitsdaten wird also systematisiert, algorithmisiert, der Blick in die Glaskugel und das „Glauben“ wird durch „Wissen“ ersetzt. Die Verwendung von Machine-Learning-Preisen im Rahmen der Markt- und Standortanalyse ist in der Immobilienbranche neu und entfaltet in Kombination mit der Expertise des Anwenders seine Wirkungsmächtigkeit.
Um der Immobilienbranche diese Möglichkeit zur Verfügung zu stellen, bieten wir in RELAS nun die Kombination aus Machine-Learning-Preisen, Trends und Vergleichswerte aus dem Markt an. Wie gewohnt für jede Adresse in ganz Deutschland. Während die indikativen Machine-Learning-Preise in Abhängigkeit von Bau- oder Sanierungsjahr, Fläche und Ausstattungsklasse eine erste Preisindikation für einzelne Einheiten liefern, bieten Comparables einen zusätzlichen Einblick in die kurzfristige Marktaktivität und bilden damit die perfekte Ergänzung.
Mit der Kombination von Machine-Learning-Preisen, Trends und Comparables lässt sich die Marktüblichkeit von Mieten und Kaufpreisen methodisch nun über unterschiedliche Zugänge ermitteln. Die Aussagefähigkeit der Ergebnisse wird qualitativ besser und belastbarer, ebenso lassen sich unterschiedliche Potentiale einer Adresse durch die einfache Änderung von Nutzungsart, Einheitengröße, Bau-/Sanierungsjahr und Qualität der Fläche auf Knopfdruck ermitteln. Die Vergleichswerte aus dem Markt lassen sich anhand der Kriterien Baujahr, Fläche, Radius der Vergleichsangebote sowie Veröffentlichungsdatum einfach filtern und liegen für die Nutzungsarten Wohnen, Büro und Einzelhandel vor.
Nehmen wir beispielhaft eine Adresse in Mainz und gehen davon aus, dass wir ein Bürogebäude von 1996 energetisch sanieren möchten.
Daher setzen wir das Baujahr auf 2022, das Datum der Fertigstellung, und nehmen eine Referenzfläche von 520 Quadratmetern. Der Machine-Learning-Preis für die Einheit mit einer in der Lage durchschnittlichen Ausstattung beträgt für das Bestandsgebäude von 1996 im Durchschnitt 12,84 €/m². Für die selbe Einheit im sanierten Gebäude, kann eine Marktmiete von durchschnittlich 15,46 €/m² erzielt werden.
Die umliegenden Angebote innerhalb eines Radius von 1.500 Metern für den Betrachtungszeitraum 2020 ermöglichen es, direkt in der Karte nach Comparables zu suchen. Der Median von 10,00 €/m² ergibt sich in unserem Beispiel aus allen 12 beobachteten Angeboten für den ausgewählten Zeitraum.
Erweitert man den Radius auf 3.000 m, erhält man 22 beobachtete Angebote mit einem einen Median für die Miete von 9,18 €/m².
Neben den Comparables, die in unserem Beispiel, die kurzfristige Marktaktivität betrachten, kann über die Trends die vergangene Mietentwicklung seit 2011 und die Prognosen für den Büromarkt, Aufschluss über die Einordnung der Zielmieten geben.
Aus der Kombination von Trend, Comparables und Machine-Learning-Preisen können nun die Werte für die wirtschaftliche Analyse des Objektes/Projektes z.B. DCF abgeleitet werden.