Investment: Mit Data Intelligence lohnende Immobilien finden

Wie lässt sich ein Standort finden, an dem sich ein Immobilieninvestment lohnt? Durch den Einsatz von selbstlernenden Systemen (Data Intelligence). Ein mit intelligenten Daten (Smart Data) angereicherter Einkaufsprozess kann selbst scheinbar unpassende Objekte identifizieren. Über kreative Nutzungsumwidmungen, Flächenoptimierung oder unkonventionelle Finanzierungsmodelle werden sie erst zu passenden Objekten.

Die Schlagworte Data Intelligence und Smart Data implizieren unternehmerische Effizienzsteigerungen über die Sammlung und Verarbeitung großer Datenmengen. Doch an welchem Punkt seines Geschäfts kann eigentlich ein Unternehmen per anspruchsvoller Digitalisierungsstrategie oder durch gezielten Einsatz existierender Technologien einen tatsächlich messbaren Mehrwert erzielen?

Die Nutzung von Smart Data und Data Intelligence bietet sehr konkrete Möglichkeiten, alltägliche Prozesse der Branche nachhaltig zu verändern.

Smart Data ermöglicht fundierte und schnelle Entscheidungen

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

Im Gegensatz zu individueller Erfahrung einzelner Personen kann Smart Data das große Ganze abbilden und Interdependenzen 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 Mengen an Daten und erworbenen Informationen liefern Erfahrungswerte zusammengefasst und übersichtlich. Sie generieren daraus Handlungsempfehlungen. Dies bildet die perfekte Ergänzung zur individuellen Erfahrung im Entscheidungsprozess. Und das erlaubt zudem schnellere Entscheidungen.

Fallbeispiel Immobilieneinkauf

Das Fallbeispiel des Location- und Investmentminings zeigt exemplarisch den durch Daten angereicherten Prozess des Immobilienkaufs. Ein zentrales Element für institutionelle Immobilienkäufer ist es, die für sie passende Anlagemöglichkeit zu finden. Ob eine adäquate Immobilie oder ein Portfolio gefunden werden kann, ist zunächst von der Anlagestrategie bestimmt. Es ist auch davon abhängig, ob in Zeiten hoher Liquidität und enger Märkte überhaupt geeignete Objekte von Eigentümern oder Maklern angeboten werden.

  1. Konkrete Daten Wer zu einer firmenweiten Strategie passende Investitionsobjekte finden will, braucht eine erhebliche Menge an Daten. Diese Daten liegen in den meisten Fällen nicht zentralisiert vor. Sie müssen für jedes Objekt zusammengetragen werden. Das ist zeitaufwändig. Die Qualität der Daten (etwa 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. In einem von Daten getriebenen, digitalisierten Prozess werden die Schritte ganzheitlich automatisiert. Der individuelle Bearbeiter, Transaktionsmanager und Ankäufer profitiert von einer umfassenden Fülle kollektiven Marktwissens. Sämtliche für den Prozess des Ankaufes benötigten Daten werden in einem Big Data Server kombiniert, aufbereitet und systematisch verknüpft. Dann erfolgt der wichtigste Schritt, in dem diese zumeist noch Rohdaten über hochkomplexe Algorithmen und Prozesse des Machine Learning dergestalt verarbeitet und veredelt werden, dass sie intuitiv und ohne Vorwissen genutzt werden können.
  2. Verknüpfte Daten Die rohen Umgebungsdaten, etwa von wie vielen Quadratmetern Grünfläche ein Objekt umgeben ist, bilden noch keine ausreichende Entscheidungsvorlage und bewegen 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 der einzelnen Immobilie haben. Doch wie soll dieses Verhältnis von Nachbarschaft zu dem Stadtteil und der Stadt quantifiziert werden? Die aktuelle Forschung zeigt, dass Menschen üblicherweise mit derjenigen Umgebung interagieren, die sie innerhalb von etwa 15 Minuten erreichen können. Das kann eine Vielzahl von Orten beinhalten, die allesamt individuell in Big Data vorliegen. Alle Möglichkeiten und alle Umgebungsvariablen werden mithilfe von Maschinenlernalgorithmen konfiguriert und gewichtet. Im Ergebnis erhält man ein perfektes Bild der Umgebung und aller sie beeinflussenden Faktoren. Diese werden grafisch und numerisch aufbereitet. Es entsteht Smart Data.
  3. Genutzte Daten Wie können die Erkenntnisse aus dem Smart-Data-Topf nun genutzt werden? Ganz konkret bedeutet das für einen beliebigen Investor, zunächst eine Anlagestrategie zu formulieren. Diese sollte er auf Basis des Smart Data Pools prüfen lassen. Die Objekte selbst sollten ganz spezifische Vorgaben gemäß der Mieterstruktur, der Leerstandsquote 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 das dem Investor ein umfassendes „location mining“, mit dessen Hilfe per Knopfdruck sämtliche Orte deutschlandweit identifiziert werden, die auf diese konkrete Strategie passen.
  4. Finales Matching Simultan hierzu werden die eingehenden Exposees und Objektinformationen verfügbarer Objekte am Markt über dieselbe Big-Data-Datenbank analysiert und in Smart-Data-Pakete umgewandelt. Dieser Schritt bildet eine Daten-getriebene (Investment-) Angebotsfunktion ab und ermöglicht das finale Matching zwischen sämtlichen angebotenen Objekten und der tatsächlichen Strategie des einzelnen Investors. Smart Data ermöglicht in diesem Schritt ein direktes Matching und das Erstellen von intelligenten Entscheidungsvorlagen. Jeder Nutzer kann auch ohne nennenswerte Markterfahrung Entscheidungen treffen, da das kollektive Marktwissen für ihn direkt nutzbar ausgewertet wurde. Hat das Matching stattgefunden, gibt es nun den angebundenen Big-Data-Bestand mit Informationen zu Kostenparametern und Umgebungsdaten. Dieser ermöglicht in wenigen Momenten verschiedenste Investitionsszenarien für alle vom System vorgeschlagenen Investitionsobjekte. 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.
  5. Finale Entscheidung Am Ende des Prozesses steht die finale Entscheidung des Investors über einen Kauf oder eine Ablehnung des Objekts oder Portfolios. Die Rolle von Smart Data hört hier nicht auf. Denn aus einem riesigen Server wurde Big Data in Smart Data umgewandelt. Daraus wurden direkt nutzbare Entscheidungsvorlagen generiert. Nun wird in diesem Prozessschritt eine wertvolle Information in den großen Datentopf eingegeben: die Entscheidung des Investors. Und das System lernt daraus, welche der Vorschläge im Resultat tatsächlich validiert und gekauft wurden und welche nicht. Diese Information verbessert ganzheitlich die systemgenerierten Entscheidungsvorlagen für zukünftige Objekte und spricht in Echtzeit Empfehlungen für eine neue Strategie aus, die optimal auf die Angebote am Markt ausgerichtet ist.
  6. Investment Mining Diese Form der Data Intelligence öffnet das Tor in die Welt des Investment Minings. Sie erlaubt die nutzerindividuelle Erstellung eines Exposeefilters. 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. Aufgrund der daraus resultierenden Zeitersparnis kann eine erheblich größere Menge an Angeboten qualitativ hochwertig verarbeitet werden. Damit hilft Investment Mining dabei, dass noch mehr hochwertige Angebote zutage gefördert werden. Das angeschlossene System spricht ferner über die Möglichkeiten der Data Intelligence Empfehlungen aus. Man sieht, inwieweit bei einzelnen Parametern in der Vergangenheit bei ähnlichen Objekten Prognosefehler aufgetreten sind. Das ermöglicht unmittelbare Ex-post-Evaluationen.

Ein besonderes Element findet sich also in dem Aspekt einer systemdurchdringenden Kreativität. Verfügen Investoren über solche Kreativität, können sie zunächst scheinbar unpassende Objekte identifizieren und über Nutzungsumwidmungen, Flächenoptimierung oder unkonventionelle Finanzierungsmodelle in passende Anlageobjekte transformieren.

Zudem spielt der Faktor Zeit eine große Rolle. Im Kern geht es darum, über einen großen Erfahrungsschatz die passenden Objekte zu identifizieren. Mithilfe der notwendigen Informationen (Daten) wird deren Tauglichkeit verifiziert. So können in kürzester Zeit die relevanten Prozessschritte bis hin zum tatsächlichen Ankauf durchlaufen werden.

Data Intelligence, Location Mining oder Investment Mining sind für viele Teilnehmer der Immobilienwirtschaft noch neu. Ihre Anwendungsfälle sind vielfach unbekannt. Doch auf diese Weise werden auch heute bereits passgenaue Investitionsobjekte gefunden.

Schlagworte zum Thema:  Digitalisierung, Investment, Big Data