Die Bedeutung von Daten für die Entscheidungsfindung ist heute unbestreitbar. Mit dem Aufkommen von Big Data und fortschrittlichen Technologien wie dem maschinellen Lernen haben sich ganze Branchen wie das Finanzwesen in hohem Maße verändert. In diesem Artikel gehen wir der Frage nach, welche ML-gestützten Fähigkeiten Immobilienunternehmen am meisten ansprechen und sie dazu veranlassen, sich an Predictive-Analytics-Beratung zu wenden, und wie fortschrittliche Technologien die nahe Zukunft der Immobilienbranche modellieren.
Predictive-analytics ist die nächste Stufe der Immobilienbranche
Obwohl Immobilienfachleute oft riesige Investitionen verwalten, beruhen ihre Entscheidungen seit Jahrzehnten meist auf einer sehr begrenzten Anzahl von Finanzfaktoren. Wenn es sich um eine bereits gebaute Anlage handelt, werden sie die Mietpreise und Ausgaben für die Immobilie überfliegen. Selbst bei großen Immobilienentwicklungsprojekten berücksichtigen die Investoren oft den Grundstückspreis und die Kapitalstruktur als wichtigste Faktoren, die ihre Entscheidung beeinflussen. Ansonsten kommt es vor allem auf Intuition und Branchenerfahrung an.
Die Zahl der Faktoren, die die Immobiliennachfrage beeinflussen, ist jedoch mit der Stadtentwicklung stetig gewachsen. Sicherlich würde jeder Investor den Preis mit der Nähe der Immobilie zu einer U-Bahn-Station in Verbindung bringen, doch sind diese Beziehungen selten linear. Vielmehr werden die Immobilienpreise durch eine Kombination von Variablen gebildet, die auch auf unkonventionelle Weise miteinander verbunden sein können.
In der Tat können nicht-traditionelle Variablen einen größeren Einfluss auf den Endpreis haben als traditionelle. Heutzutage berücksichtigen erfolgreiche Investmentteams nicht nur die Anzahl der Cafés in der Umgebung, sondern auch deren Bewertungen in Google-Bewertungen. Mithilfe solcher detaillierten Statistiken können Investoren den Wert einer Immobilie so genau wie nie zuvor einschätzen.
Es ist auch erwähnenswert, dass die Verwendung herkömmlicher Datensätze zur Bewertung von Immobilien unzuverlässig sein kann. So liefern die Daten der US-Volkszählung nicht nur nicht die entscheidenden Erkenntnisse, die Investoren benötigen, sondern sie können auch ungenau sein, da sie auf postalischen Antworten beruhen.
Viele Immobilieninvestoren treffen ihre Entscheidungen auf der Grundlage historischer Daten. Heutzutage müssen kritische Daten jedoch nahezu in Echtzeit verarbeitet werden, um der Reaktiven Datenanalytik-Strategie zu folgen. Angesichts der exponentiell wachsenden Zahl von Datenpunkten, die sich auf die potenzielle Rendite einer Immobilie auswirken, ist der menschliche Verstand nicht mehr in der Lage, sie alle in einem sehr begrenzten Zeitrahmen zu berücksichtigen, den das schnelllebige Immobilienumfeld vorgibt.
Im Investitionsbereich korreliert die Geschwindigkeit der Entscheidungsfindung oft mit dem Erfolg. Doch bis ein Investmentteam alle relevanten Daten gesammelt und analysiert hat, um eine Entscheidung mit der höchsten Erfolgswahrscheinlichkeit zu treffen, sind die Chancen wahrscheinlich schon von anderen ergriffen worden. Hier sind Predictive-Analytics-Beratung und fortschrittliche KI-basierte Prognosetools gefragt.
Die Vorhersagefähigkeiten des maschinellen Lernens haben die Perspektive der Investoren auf Prognosen radikal verändert. Da Unternehmen das ungenutzte Potenzial von Predictive-Analytics-Software zur Vorhersage von Marktszenarien in Verbindung mit dem Aufkommen des maschinellen Lernens erkannt haben, wird seit 2015 stark in den Immobilien-Tech-Sektor investiert. Laut CB Insights wurden 2019 rekordverdächtige 8,9 Mrd. USD an Risikokapital in Immobilien-Start-ups investiert.
Während Skeptiker Probleme mit dem Datenschutz und unorganisierte Daten als wesentliche Hindernisse für die Masseneinführung neuer KI-gesteuerter Plattformen anführen, gibt es in fast jedem Sektor des Immobiliengeschäfts einen eindeutigen Technologieführer, der datenbasierte Prognosen nutzt.
Verwaltung des Portfolios
Die Modelle der Bewertungsplattform Quantarium kombinieren neuronale Netze, genetische Modellierung und maschinelles Lernen, um Immobilien auf dem Wohnimmobilienmarkt genau zu bewerten. Der Algorithmus von Quantarium hat Zugang zu Daten von mehr als 150 Millionen Haushalten mit jeweils mehr als 900 Datenpunkten, was das Bewertungsmodell des Unternehmens zu einem der genauesten auf dem Markt macht.
Während das Unternehmen zahlreiche Anwendungsmöglichkeiten für sein Modell anbietet, sind die portfolio-Services sowohl für Kreditgeber als auch für Immobilienmakler besonders nützlich geworden. Beispielsweise nutzen Hypothekenunternehmen das Bewertungsmodell von Quantarium, um vorherzusagen, wann Immobilieneigentümer verkaufen, in Verzug geraten oder refinanzieren werden, so dass sie zukünftige Risiken und Chancen erkennen können.
Nutzen Sie die Möglichkeiten der prädiktiven Analytik in der Immobilienbranche
Wertprognose
Im Grunde geht es im Immobiliengeschäft oft darum, den Wert einer Immobilie genau vorherzusagen. In diesem Sinne ist das in Israel ansässige Unternehmen Skyline AI einer der wichtigsten Akteure der Branche.
Das Start-up konzentriert sich auf Gewerbeimmobilien und hat Zugang zu einer der größten Transaktionsdatenbanken in diesem Sektor. Vor allem aber erkennt Skyline AI die Bedeutung nicht-traditioneller Daten an und steckt viele Ressourcen in die Forschung. Das Unternehmen behauptet, dass eine bestimmte Kombination alternativer Datensätze weit mehr über das Wirtschaftswachstum eines Gebiets aussagen kann als traditionelle historische Daten. So hat das Unternehmen beispielsweise herausgefunden, dass die Anzahl der Airbnb-Angebote mit den Mietpreisschwankungen korreliert. In ähnlicher Weise können Autobesitzraten und Kreditkartendaten als verlässliche Indikatoren für die Durchführbarkeit von Investitionen in einem Gebiet dienen.
Skylines hochmodernes KI-gestütztes Modell beweist weiterhin seine Effektivität. Im März 2020 gab das Unternehmen in Zusammenarbeit mit AION Partners, einem in New York ansässigen Haupt- und Betriebspartner für Immobilieninvestitionen, einen weiteren millionenschweren Erwerb von zwei Wohngebäudekomplexen in Philadelphia bekannt.
Überraschenderweise können Informationen aus den sozialen Medien viel über unsere Vorlieben aussagen und so Immobilienfachleuten helfen, genaue Verbraucherprofile zu erstellen und die Durchführbarkeit von Investitionen an einem bestimmten Standort vorherzusagen. Spatial.ai hat den 'GeoSocial'-Datensatz entwickelt, der Daten aus Social-Media-Konversationen in 72 Segmenten sammelt und analysiert und es Immobilienunternehmen ermöglicht, die Nachfrage an ausgewählten Standorten besser vorherzusagen.
Griffin Morris, Mitbegründer von Spatial.ai, hat beispielsweise herausgefunden, dass Menschen, die darüber sprechen, dass sie Zeit mit ihrer Familie verbringen, eher ein überdurchschnittliches Einkommen haben. Diese Erkenntnis ergibt sich aus der Kombination von maschinellem Lernen und natürlicher Sprachverarbeitung, die den Zugang zu quantifizierten Verhaltensinformationen bis hin zu den einzelnen Häuserblocks ermöglicht.
Im Jahr 2020 ging Spatial.ai eine Partnerschaft mit Cherre, einer preisgekrönten Plattform für Immobiliendaten, ein, um Daten aus sozialen Medien mit Daten aus Tausenden von öffentlichen, privaten und internen Quellen zu ergänzen, die es Investoren ermöglichen, die Bewertung von Immobilien ganzheitlicher anzugehen.
Vorausschauende Wartung
Durch die Kopplung von IoT-Datenanalytik und Maschinelles Lernen in Immobilien kann die Immobilienverwaltung Energieverbrauchsmuster besser verstehen und die Ressourceneffizienz optimieren. Sensoren können in Heizungsanlagen, Aufzügen und Arbeitsräumen angebracht werden, um Daten über die Belegung der einzelnen Räume zu sammeln.
Deloitte beispielsweise nutzt PointGrab's Computer Vision und ML-gestützte Plattform, um die Auslastung seiner Arbeitsräume in der Londoner Zentrale zu optimieren. Durch den Einsatz der PointGrab-Funktion "Virtual Traffic Line" kann das System vorhersagen, welcher Raum in der nächsten Stunde verschmutzt sein wird, und die Reinigungskräfte im Voraus benachrichtigen.
Der Service Predictive Energy Optimization von BuildinIQ verbessert die Energieeffizienz von gewerblichen und öffentlichen Gebäuden. Durch die Installation von IoT-Sensoren in Heizungs-, Lüftungs- und Klimaanlagen (HVAC) kann die BuildinIQ-Plattform Temperaturen und Druck in Lüftungsanlagen automatisch anpassen. Durch die kontinuierliche Analyse lokaler Wettervorhersagen, der Gebäudebelegung und der Energiepreise kann das BuildingIQ-System die Strategie für die Ressourcenverwendung in den nächsten 12 Stunden feinabstimmen. Darüber hinaus kann die Plattform Anomalien im HLK-Betrieb erkennen, so dass die Gebäudeteams potenzielle Risiken proaktiv angehen können.
Es ist jedoch wichtig zu wissen, dass IoT-Netzwerke anfällig für Cybersicherheit-Angriffe sind. Im Jahr 2013 gelang es Hackern beispielsweise, auf Millionen von Kundenprofilen zuzugreifen, indem sie in die intelligenten HLK-Systeme von Target eindrangen. Auch wenn Maßnahmen zum Schutz vor Hackerangriffen ergriffen werden, sollten Unternehmen eine aktive Rolle bei der Aufrechterhaltung des höchsten Sicherheitsniveaus in ihren Räumlichkeiten übernehmen.
Predictive-analytics für Immobilienmakler
Die richtige Identifizierung von potenziellen Käufern und Verkäufern von Immobilien gehört zu den größten Problemen von Immobilienmaklern. Jahrzehntelang bestand die effektivste Lösung darin, Marketingmaterial per Post zu versenden. Heutzutage beginnt jedoch die absolute Mehrheit der Immobilienkäufer ihre Suche online. Mit Predictive-Analytics-Modellen können Immobilienmakler endlich das Rätselraten beenden und besser verstehen, welche Verbraucher ihre Immobilien wahrscheinlich bald kaufen oder verkaufen werden.
SmartZip zieht beispielsweise Daten aus mehr als 25 Datensätzen heran, um eine Liste der Immobilien zu erstellen, die in einem bestimmten Gebiet in naher Zukunft am wahrscheinlichsten verkauft werden. Insbesondere analysiert das prädiktive Analysemodell von SmartZip eine Vielzahl verschiedener MLS-Datenpunkte wie Immobilienmerkmale (Anzahl der Schlafzimmer und Bäder, Quadratmeterzahl usw.) und historische Informationen (wann die Immobilie gelistet und zurückgezogen wurde).
Überraschenderweise stammt ein Großteil der Vorhersagekraft von SmartZip aus der Aggregation von Daten aus sozialen Medien. SmartZip analysiert auch den Google-Suchverlauf und bestimmte Verhaltenshinweise, wie etwa "Gefällt mir"-Angaben in sozialen Medien. Darüber hinaus berücksichtigt das Modell verschiedene Verbraucherdaten wie die letzten Einkäufe. Wenn eine Person wiederholt Material für die Hausrenovierung kauft, könnte dies zusammen mit anderen Datenpunkten bedeuten, dass der Eigentümer beabsichtigt, seine Immobilie zu einem höheren Preis anzubieten. Angesichts der großen Datenmengen, die es zu analysieren gilt, hilft SmartZip Maklern, Kreditgebern und Immobilienmaklern dabei, ihre Zielgruppen deutlich einzugrenzen und die Marketingausgaben zu optimieren.
Beschränkungen
Die Zurückhaltung, neuen Technologien zu vertrauen, sollte in einer so konservativen Branche wie der Immobilienbranche nicht überraschen. In unserem Artikel über die RPA-Einführung in der Immobilienbranche wird dieses Problem ausführlich beleuchtet. Viele Unternehmen greifen immer noch auf langwierige Machbarkeitsstudien zurück, die so viel kosten können wie der Aufbau einer Predictive-Analytics-Plattform von Grund auf. Marc Rutzen, CEO von Enodo, einer KI-gestützten Underwriting-Plattform, behauptet, dass die Skepsis der Kunden nach wie vor eine der größten Hürden darstellt. Doch wie bei jeder anderen bahnbrechenden Technologie ist es nur eine Frage der Zeit, bis Predictive Analytics zum Branchenstandard wird.
Abgesehen davon ist die Nutzung fortschrittlicher Analysemethoden kein Spaziergang. Während Immobilienfachleute schon immer mit Daten in der einen oder anderen Form zu tun hatten, sind Datenaggregation, -bereinigung und -verarbeitung im Zusammenhang mit Predictive Analytics völlig neue Prozesse. Der Einstieg in diese Prozesse erfordert eine strategische Anstrengung seitens des Immobilienunternehmens, um datenzentriert zu werden. In diesem Fall ist der Einsatz von Predictive Analytics (natürlich ergänzt durch regelmäßige Datenaudits) nur ein weiterer logischer Schritt.
Einige Experten argumentieren, dass die Masseneinführung von Predictive Analytics und KI im Allgemeinen oft durch unübersichtliche und siloartige Daten behindert wird. Ja, einige herkömmliche Datensätze sind vielleicht nicht standardisiert, und große Unternehmen leiden oft unter ihrer mangelnden Interoperabilität. An Anbietern von Datenbereinigungsdiensten mangelt es derzeit jedoch nicht. Wie bereits erwähnt, sollten solide Data-Governance-Praktiken sicherstellen, dass neue Daten für die Einspeisung in Predictive-Analytics-Modelle bereit sind.
Erstellen Sie Ihre Predictive-Analytics-Anwendung mit Itransition
Was kommt als Nächstes?
Die Landschaft der Branche verändert sich. Mit der Leistungsfähigkeit von Cloud Computing, dem Zugang zu riesigen Datenmengen und den rasanten Fortschritten im Bereich des maschinellen Lernens werden diese aufkommenden Predictive-Analytics-Anwendungen die Art und Weise, wie Makler, Makler, Kreditgeber und Investoren das Immobiliengeschäft angehen, weiter verändern.
Da neue aufregende Beziehungen zwischen scheinbar unverbundenen Datenpunkten entdeckt und verifiziert werden, werden herkömmliche, auf dem Bauchgefühl basierende Investitions- und Marketingansätze zu Recht in Frage gestellt. Trotz des unbestreitbar großen Potenzials von Predictive Analytics in der Immobilienwirtschaft sollten die Akteure der Branche die Ergebnisse solcher Modelle jedoch weiterhin als Empfehlungen und nicht als einzige Quelle der Wahrheit betrachten.
Das volle Potenzial dieser Technologien muss erst noch erschlossen werden. Je nach Fall können die fortschrittlichsten Analysesysteme in der Immobilienbranche Ergebnisse für einen Zeitraum von maximal fünf Jahren zuverlässig vorhersagen. Mit den Fortschritten bei verwandten Technologien und noch größeren Datensätzen können wir eine höhere Vorhersagegenauigkeit über längere Zeiträume erwarten.
Da die massenhafte Einführung des Internet der Dinge im Gange ist, werden sich die Möglichkeiten der prädiktiven Analytik weiter ausweiten, was zu noch mehr Datenpunkten führt und folglich noch genauere und zuverlässigere Vorhersagen ermöglicht.
