31.01.2018 Studie: Machine Learning verbessert Mietpreisvorhersage bis zu 30 %
Eine von 21st Real Estate GmbH entwickelte Machine-Learning-Technologie verbessert die Bestimmung von Mietpreisen um bis zu 30 Prozent gegenüber herkömmlichen Vergleichswertverfahren. Im Ergebnis einer dazu durchgeführten Studie, steigt die Qualität der Preisvorhersagen deutlich an, wodurch die Bestimmung von Objektpotenzialen verbessert und das Risiko einer Fehlinvestition durch falsche Mietpreiserwartungen minimiert werden.
Mietpreise spielen beim Einschätzen der Rentabilität einer Investition eine große Rolle. In den meisten Fällen werden Vergleichspreise aus öffentlich sichtbaren Angeboten aus der Umgebung des jeweiligen Objektes abgeleitet. Diese gängige Praxis führt aber häufig zu unpräzisen Ergebnissen. Zum einen variieren Angebotsmieten stark nach Fläche, Baujahr und Zustand des Objektes. Zum anderen sind häufig zu wenige Beobachtungen aus der direkten Umgebung verfügbar, um eine verlässliche Wertermittlung zu erlauben.
In einer internen Studie vergleicht 21st Real Estate deshalb die entwickelten, auf Machine-Learning basierenden Verfahren mit verschiedenen, herkömmlichen Vergleichswertverfahren. Im Ergebnis sind Mietwertermittlungen und -prognosen in A-Städten durchschnittlich um 25 Prozent genauer, wenn Sie mithilfe der entwickelten Maschinenlernalgorithmen anstatt mit lokalen Umgebungsdurchschnitten bestimmt werden. Der durchschnittliche absolute Schätzfehler liegt dabei bei 0,97 Euro pro Quadratmeter. So schätzt der Algorithmus Mietpreise in München um 18,4 Prozent präziser ein als ein herkömmliches Vergleichswertverfahren. In Hamburg ist die Performance mit Machine-Learning sogar um 28 Prozent genauer. In B-Städten verbessern sich die Ergebnisse sogar um 32 Prozent im Durchschnitt mit einem durchschnittlichen absoluten Fehler von 0,48 Euro pro Quadratmeter. Für Leipzig erreichen sie eine Verbesserung von 47,4 Prozent gegenüber der Schätzung über Umgebungsmieten. Für Bochum, die Stadt mit der geringsten Verbesserung, ist das Machine Learning immer noch um 20 Prozent präziser.
Machine Learning ermöglicht eine genauere Preisbestimmung von Objekten und somit eine verlässlichere Ermittlung von Renditezielen. Das Risiko durch falsche Mietpreiserwartungen wird minimiert und Fehlinvestitionen werden vermieden.
Mietpreise spielen beim Einschätzen der Rentabilität einer Investition eine große Rolle. In den meisten Fällen werden Vergleichspreise aus öffentlich sichtbaren Angeboten aus der Umgebung des jeweiligen Objektes abgeleitet. Diese gängige Praxis führt aber häufig zu unpräzisen Ergebnissen. Zum einen variieren Angebotsmieten stark nach Fläche, Baujahr und Zustand des Objektes. Zum anderen sind häufig zu wenige Beobachtungen aus der direkten Umgebung verfügbar, um eine verlässliche Wertermittlung zu erlauben.
In einer internen Studie vergleicht 21st Real Estate deshalb die entwickelten, auf Machine-Learning basierenden Verfahren mit verschiedenen, herkömmlichen Vergleichswertverfahren. Im Ergebnis sind Mietwertermittlungen und -prognosen in A-Städten durchschnittlich um 25 Prozent genauer, wenn Sie mithilfe der entwickelten Maschinenlernalgorithmen anstatt mit lokalen Umgebungsdurchschnitten bestimmt werden. Der durchschnittliche absolute Schätzfehler liegt dabei bei 0,97 Euro pro Quadratmeter. So schätzt der Algorithmus Mietpreise in München um 18,4 Prozent präziser ein als ein herkömmliches Vergleichswertverfahren. In Hamburg ist die Performance mit Machine-Learning sogar um 28 Prozent genauer. In B-Städten verbessern sich die Ergebnisse sogar um 32 Prozent im Durchschnitt mit einem durchschnittlichen absoluten Fehler von 0,48 Euro pro Quadratmeter. Für Leipzig erreichen sie eine Verbesserung von 47,4 Prozent gegenüber der Schätzung über Umgebungsmieten. Für Bochum, die Stadt mit der geringsten Verbesserung, ist das Machine Learning immer noch um 20 Prozent präziser.
Machine Learning ermöglicht eine genauere Preisbestimmung von Objekten und somit eine verlässlichere Ermittlung von Renditezielen. Das Risiko durch falsche Mietpreiserwartungen wird minimiert und Fehlinvestitionen werden vermieden.
