Artikel

Machine Learning verbessert Miet- und Preisermittlung für Immobilien um bis zu 46 Prozent

  • Studie von 21st Real Estate vergleicht Präzision von Vergleichswertverfahren und Machine-Learning-Algorithmen bei Immobilienwertermittlungen

  • Präzise Preisindikationen verhindern Fehlinvestitionen und erleichtern es, Objektpotenziale zu identifizieren

  • Machine-Learning-Algorithmen berücksichtigen Einfluss von Objekt- und Lagemerkmalen auf Miet- und Kaufpreise

Berlin, 22. Juni 2022 – Das Berliner Software-Haus 21st Real Estate hat in einer aktuellen Analyse die Präzision zweier Verfahren zur Ermittlung marktüblicher Mieten und Preise für Immobilien in A- und B-Städten miteinander verglichen. Dabei konnte festgestellt werden, dass mittels Machine-Learning-Algorithmen kalkulierte Werte deutlich genauer sind als üblicherweise angewandte Vergleichswertverfahren. Bei Büromieten liegt die Verbesserung bei durchschnittlich 46 Prozent, bei Einzelhandelsmieten sind es 32 Prozent. Der Spitzenwert konnte für Büromieten in Essen erreicht werden, wo die Genauigkeit um 64 Prozent gesteigert werden konnte. Bei Preisen für Einfamilienhäuser und Eigentumswohnungen sowie Wohnungsmieten liegt die Verbesserung durch Machine-Learning-Algorithmen oberhalb der 20-Prozent-Marke.


„Unsere Analyse hat ergeben, dass bei der Ermittlung von Mieten und Preisen Machine-Learning-Algorithmen deutlich präzisere Ergebnisse liefern als das herkömmliche Vergleichswertverfahren mit lokalen Umgebungsdurchschnitten“, sagt Heike Gündling, CEO von 21st Real Estate. „Miet- und Kaufpreisindikationen spielen für Bauträger, Projektentwickler und Investoren eine zentrale Rolle in ihren Projekt- und Ankaufskalkulationen. Dabei gilt: Je höher die Genauigkeit der Kalkulation, desto besser. Denn überhöhte Mieterwartungen können zu Fehlinvestitionen führen. Außerdem können durch eine Unterbewertung der erzielbaren Mieten manche Projekte nicht mehr in Betracht gezogen werden, die eigentlich ein gutes Investment darstellen würden.“


Alexander Konon, Lead Data Scientist bei 21st Real Estate, fügt hinzu: „Mieten variieren stark nach Objektcharakteristika wie Flächengröße, Baujahr oder Zustand. Zusätzlich stehen sie in einem komplexen Zusammenhang mit Lage- und Umgebungsmerkmalen wie z.B. Anbindung, Grünflächenanteil, städtischer Infrastruktur, Bevölkerungsdynamik und Haushaltseinkommen. Machine-Learning-Algorithmen sind dem Vergleichswertverfahren besonders dann überlegen, wenn diese Objektcharakteristika eine starke Heterogenität aufweisen, denn die Algorithmen sind in der Lage, den Einfluss von Objekt- und Umgebungsmerkmalen auf Miet- und Kaufpreise bei der Preisfindung zu berücksichtigen. Darüber hinaus kann die Verfügbarkeit von Vergleichsobjekten in der direkten Umgebung zu den zu bewertenden Objekten gering sein, was durch Machine-Learning-Algorithmen besser als durch das Vergleichswertverfahren kompensiert werden kann.“


Größte Verbesserung bei Büromieten

Mit durchschnittlich 46 Prozent präziseren Werten konnte die größte Verbesserung bei Büromieten erzielt werden. In A-Städten liegt die Bandbreite dabei zwischen 39,5 Prozent in Berlin, bis hin zu 55,5 Prozent in Düsseldorf. In B-Städten reicht sie von 31,0 Prozent in Hannover bis zum Spitzenwert von 64,0 Prozent in Essen.


Angebotsdichte für Einzelhandelsimmobilien in B-Städten gering

Der große Vorteil von Machine-Learning-Algorithmen besteht unter anderem darin, Preise in Regionen mit nur wenig Angebotsdaten durch komplexe Vergleichsprozesse interpolieren zu können. So konnten in B-Städten mit einer geringen Angebotsdichte signifikante Verbesserungen bei der Preisermittlung festgestellt werden. Sie liegt im Durchschnitt der B-Städte bei 42,5 Prozent.



Der vollständige Marktreport steht Ihnen unter folgendem Link kostenfrei zum Download zur Verfügung: https://www.21re.de/marktberichte