Maschinelles Lernen in der Immobilienbranche:
Anwendungsfälle, Beispiele und Leitlinien für den Einsatz

Maschinelles Lernen in der Immobilienbranche: Anwendungsfälle, Beispiele und Leitlinien für den Einsatz

31. August 2023

Aleksandr Ahramowitsch

von Aleksandr Ahramowitsch,

Leiter des KI/ML-Kompetenzzentrums

ML in der Immobilienbranche umfasst Algorithmen des maschinellen Lernens, die für die Verarbeitung natürlicher Sprache (NLP) oder Computer Vision eingesetzt werden, um Investitionen zu erleichtern, das Immobilienmanagement zu verbessern und die Kundenerfahrung zu steigern.

Erfahren Sie, wie ein erfahrenes Entwicklungsunternehmen für maschinelles Lernen Ihrem Unternehmen helfen kann, datengesteuerte Entscheidungen zu treffen, Immobilienmakler zu unterstützen und den Verkauf zu fördern

8 ML-Anwendungsfälle in der Immobilienbranche

Heutzutage sind KI-basierte Technologien ein fester Bestandteil der meisten Immobilienplattformen, Apps und Dienstleistungen und unterstützen die meisten Unternehmensfunktionen und Geschäftsprozesse in dieser Branche.

8 ML use cases in real estate
Auf der Grundlage historischer Daten über vergangene Immobiliengeschäfte können maschinelle Lernsysteme Muster und Beziehungen zwischen mehreren Variablen erkennen, um vorherzusagen, wie sich diese Parameter auf die Kosten eines Vermögenswerts auswirken werden, und so die Immobilienbewertung rationalisieren. Zu den berücksichtigten Parametern gehören beispielsweise Lage, Größe, nahe gelegene Annehmlichkeiten, Verfügbarkeit von Parkplätzen und Kriminalitätsrate.
Immobilienunternehmen verlassen sich auf maschinelles Lernen, um künftige Markttrends vorherzusagen und Immobilien für den Kauf oder Verkauf auszuwählen oder sogar zu beurteilen, in welche Wertverbesserungen investiert werden sollte, um den Wert einer Immobilie zu steigern. Dies trägt dazu bei, ein diversifiziertes, ausgewogenes Portfolio zu erstellen und die Geschäftsrisiken im Zusammenhang mit Marktschwankungen und Ausfallraten zu minimieren.
Immobilienunternehmen können ML-basierte Datenanalysen nutzen, um potenzielle Kunden anhand ihres Kaufverhaltens, ihres Surfverhaltens und ihrer Aktivitäten in sozialen Medien in verschiedene Archetypen zu unterteilen. Auf diese Weise können Vermarkter jeden Nutzer mit personalisierten Immobilienanzeigen ansprechen, die seine Aufmerksamkeit erregen und das Engagement und die Lead-Generierung maximieren.

ML-basierte Empfehlungssysteme, die auf großen Immobilienplattformen eingesetzt werden, bieten Kunden maßgeschneiderte Vorschläge auf der Grundlage früherer Online-Interaktionen, einschließlich der Suchhistorie. Ähnlich wie ihre Pendants im Einzelhandel zielen diese Systeme darauf ab, die Immobiliensuche einzugrenzen und die Nutzer zu Objekten zu leiten, die ihren Bedürfnissen und Anforderungen entsprechen.

NLP-gestützte virtuelle Assistenten können in verschiedenen Szenarien mit Kunden, Mietern und Partnern interagieren. So können sie beispielsweise Mietern rund um die Uhr helfen oder Benachrichtigungen und Rechnungen für Versorgungsleistungen verschicken. Sie können auch Nutzeranfragen in sozialen Medien in Echtzeit beantworten und Einblicke und Vorschläge zu potenziellen Immobiliengeschäften in einem bestimmten Gebiet anbieten.

In Verbindung mit IoT-Geräten können ML-Lösungen zur Anomalie-Erkennung wichtige Komponenten einer Immobilie, einschließlich des elektrischen Systems, überwachen, um Ausreißer zu identifizieren, Ausfälle vorherzusagen und eine vorausschauende Wartung zu ermöglichen. Diese Tools optimieren auch den Energieverbrauch, indem sie jede Abweichung von den idealen Bedingungen erkennen, wie z. B. verdächtige Spitzen im Energieverbrauch.

Immobilienunternehmen können ML nutzen, um ihr Geschäft vor betrügerischen Aktivitäten zu schützen und KYC-Verfahren zu rationalisieren. Mit Hilfe von Algorithmen des maschinellen Lernens können Betrugserkennungssysteme Finanztransaktionen, Strafregister, Kreditwürdigkeit und andere Daten über potenzielle Partner, Mieter oder Kunden miteinander vergleichen, um Unstimmigkeiten zu erkennen.

Erweitert durch KI-basierte NLP-Fähigkeiten und ein hervorragendes Kontextverständnis können RPA-Bots in der Immobilienbranche Manager und Buchhalter bei der Durchführung einer Vielzahl von Büroarbeiten ersetzen oder unterstützen. Zu den automatisierbaren Prozessen gehören die Steuerabrechnung und -berichterstattung, die Bearbeitung von Mietverträgen, das Onboarding von Mietern, der Bankabgleich, AR/AP und NAV-Berechnungen.

Sind Sie bereit, Ihr Unternehmen mit maschinellem Lernen zu verbessern?

Kontakt

Beispiele aus der Praxis für ML in der Immobilienwirtschaft

Redfin hat ein ML-gestütztes Immobilienbewertungssystem implementiert, mit dem Nutzer den Marktwert ihrer Immobilien auf der Grundlage von mehr als 500 Metriken schätzen können, darunter die Käufernachfrage und die Immobilienpreise in der Nachbarschaft. Das Tool schätzt rund 92 Millionen Immobilien in den USA und weist eine Bewertungsgenauigkeit von 98 % für marktgängige Häuser und 93 % für nicht marktgängige Objekte auf.

Zillow hat seine Immobilienplattform kürzlich mit einer fortschrittlichen NLP-Funktion ausgestattet, die ML-Algorithmen nutzt, um Suchanfragen effizienter zu beantworten. Diese Lösung kann menschenähnliche Kommunikation verstehen, Millionen von Angeboten durchsuchen und Immobilien empfehlen, deren Eigenschaften mit den Beschreibungen übereinstimmen, die die Nutzer in der Suchleiste eingeben.

Die Suchmaschine von Zillow

Bildtitel: Schnittstelle der Suchfunktion von Zillow

Datenquelle: Zillow

Das in Israel ansässige PropTech-Unternehmen hat eine Analyseplattform für Gewerbeimmobilien entwickelt, die in der Lage ist, Daten aus Hunderten von Quellen zu verarbeiten und über 400.000 Objekte zu erfassen, um verwertbare Erkenntnisse zu gewinnen. Die ML-gesteuerte Lösung von Skyline kann auch aufkommende Markttrends identifizieren, ungenutzte Möglichkeiten aufzeigen und Unternehmen dabei helfen, rentable Investitionen zu tätigen.

Gridium entwickelte eine ML-basierte Datenanalyselösung zur Optimierung des Energieverbrauchs von Immobilien, zur Verringerung ihres ökologischen Fußabdrucks und zur Rationalisierung von Wartungsarbeiten. Durch den Einsatz dieses Tools konnte der Immobilieninvestor KBS in den Premier Office Towers in Emeryville, Kalifornien, 47.000 US-Dollar an Stromkosten und anderen Betriebsausgaben einsparen.

ML-Einführungsfahrplan für Immobilienunternehmen

Der Weg zur Implementierung des maschinellen Lernens kann je nach Anwendungsfall und gewählter Lösung variieren. Im Folgenden sind jedoch einige typische Schritte aufgeführt, die Sie durchlaufen können.

1

Betriebswirtschaftliche Analyse

In der ersten Phase geht es darum, Ihre Unternehmensziele und -bedürfnisse sowie Ihr bestehendes technisches Ökosystem zu erfassen. Dann analysieren wir Ihren Bedarf und entscheiden, ob Sie von ML-gestützter Software oder konventionellen Lösungen im Hinblick auf potenzielle Rendite und Machbarkeit mehr profitieren würden. Ist dies der Fall, legen wir den Umfang des ML-Projekts fest (Ziele, Ergebnisse, Zeitrahmen usw.) und beschreiben die funktionalen und nicht-funktionalen Anforderungen an Ihre künftige Lösung.

2

Erste Datenanalyse

Beginnen Sie mit einer explorativen Analyse, um die verfügbaren Datenquellen zu erfassen und ihre Zuverlässigkeit zu bewerten. Diese können sowohl unternehmenseigene Datenbestände als auch externe Quellen, wie öffentliche Datenbanken, umfassen.

3

Produktdesign

Identifizieren Sie einen geeigneten Tech-Stack für den Aufbau Ihrer Lösung, einschließlich des ML-Systems selbst, IoT-Geräte zum Sammeln von Daten aus Immobilien, Edge Computing zur Verteilung von Verarbeitungslasten und Cloud-Plattformen für den Zugriff auf skalierbare Ressourcen. Legen Sie außerdem einen Implementierungsplan fest und erstellen Sie eine Spezifikation, in der die Produktarchitektur, Module, Funktionen, UI/UX und Integrationen detailliert beschrieben werden. An diesem Punkt kann es je nach Fall sinnvoll sein, einen PoC zu erstellen, um die finanzielle Tragfähigkeit des Projekts sicherzustellen und mögliche Einschränkungen aufzuzeigen.

4

Aufbau der ML-Lösung

Nachdem Sie die Bewertungskriterien für die Lösung festgelegt haben, können Sie ML-Algorithmen verwenden, um diese Daten zu verarbeiten und ein Modell zu erstellen, das auf die Erkennung von Mustern und Anomalien trainiert ist. Möglicherweise müssen Sie mehrere Modelle trainieren, um das gewünschte Ergebnis zu erzielen. Große Cloud-Anbieter bieten Dienste zur Rationalisierung dieser Prozesse an, z. B. Amazon SageMaker oder Azure Machine Learning.

5

Modellintegration und -einsatz

Die Codierungsphase umfasst die Front-End- und Back-End-Entwicklung, gefolgt von der Einbettung des ML-Modells in die Softwarearchitektur, um die KI-gestützten Funktionen zu ermöglichen. Sie sollten auch alle notwendigen API- oder ESB-basierten Integrationen konfigurieren, um Ihre Lösung mit Daten aus anderen Anwendungen und IoT-Sensoren zu versorgen. Werkzeuge zur Cloud-Datenintegration können dabei helfen. Anschließend können Sie die ML-Lösung vor Ort oder in einer Cloud-basierten Umgebung einsetzen.

6

Unterstützung

Ihre Lösung und die Mitarbeiter, die sie nutzen, müssen möglicherweise betreut und unterstützt werden. Dazu gehört die Durchführung von Unternehmensschulungen und, falls erforderlich, die Durchführung regelmäßiger Wartungsarbeiten, Aktualisierungen (einschließlich neuer Funktionen, falls erforderlich) und Korrekturen auf der Grundlage von Benutzerfeedback. Sie sollten das ML-Modell auch mit neuen Datensätzen trainieren, um seine Ergebnisse im Laufe der Zeit zu optimieren.

Vorteile von ML in der Immobilienwirtschaft

Größerer Datenbestand

ML-gestützte kognitive Technologien wie NLP und Computer-Vision können Immobilien- und Marktdaten aus verschiedenen Quellen auswerten und Analysten eine breitere Palette von immobilienbezogenen Metriken zur Verfügung stellen, um Trends oder Phänomene besser zu interpretieren.

Hervorragende Bewertungsgenauigkeit

Laut Forbes können ML-gestützte automatisierte Bewertungsmodelle (Automated Valuation Models, AVM) den Wert eines Vermögenswerts mit einem absoluten Fehler von weniger als 4 % bei Wohnimmobilien und weniger als 6 % bei Gewerbeimmobilien bewerten und so genaue Erkenntnisse für bessere Investitionsentscheidungen liefern.

Gesteigerte Verkaufsleistung

ML-Lösungen umfassen leistungsstarke Tools, wie z. B. Empfehlungsmaschinen, um Kunden zu geeigneten Angeboten zu leiten, sowie Funktionen und Techniken zur Verkaufsförderung, einschließlich Nutzersegmentierung, gezielter Werbung und Lead Scoring.

Kostensenkung

Von der Automatisierung zeitaufwändiger Büroprozesse durch Software-Bots bis hin zur Überwachung des Stromverbrauchs durch Datenanalyseplattformen helfen Lösungen für maschinelles Lernen Immobilienunternehmen bei der Optimierung ihrer Budgets und Ressourcen.

Verbesserte Kundenerfahrung

Dank maschinellem Lernen können Ihre Kunden und Mieter von sofortiger und bequemer Unterstützung durch Chatbots und virtuelle Assistenten profitieren. Darüber hinaus können die Nutzer der Immobilienplattform von einer einfacheren Immobiliensuche, maßgeschneiderten Empfehlungen und virtuellen Touren profitieren.

Risikominderung

Die Funktionen von ML-Systemen zur Erkennung von Anomalien und zur prädiktiven Analyse schützen Ihr Unternehmen vor verschiedenen finanziellen Risiken, einschließlich Betrug und Marktschwankungen. Außerdem tragen sie durch vorausschauende Wartung zu einem sichereren Lebensumfeld bei.

Arbeiten Sie mit Itransition zusammen, um Ihr Projekt zum maschinellen Lernen zum Leben zu erwecken

Kontakt aufnehmen

Aktuelle Herausforderungen beim Einsatz von ML in der Immobilienbranche

Obwohl maschinelles Lernen für Ihr Unternehmen von Vorteil ist, kann die Implementierung verschiedene geschäftliche und technische Komplexitäten mit sich bringen. Hier sind einige Tipps, um typische Hindernisse zu überwinden und die Einführung von ML zu optimieren.

Identifizierung von Anwendungsfällen

Issue

Ein häufiges Hindernis bei der Implementierung von maschinellem Lernen ist die Auswahl eines Anwendungsfalls, bei dem es sinnvoll ist, sich für eine ML-Lösung gegenüber konventionellen Technologien zu entscheiden. In dieser Hinsicht steht die Identifizierung von Anwendungsfällen in der O'Reilly-Umfrage 2020 an zweiter Stelle der größten Herausforderungen bei der Einführung von KI. Dennoch ist diese Entscheidung von entscheidender Bedeutung, da sie den ROI Ihres ML-Projekts bestimmt und sich auf die Zustimmung der Führungskräfte und Stakeholder auswirkt.

Recommendations

Angesichts der Anforderungen von ML in Bezug auf Modelltraining, Architektur und Verarbeitungsleistung können Lösungen, die auf dieser Technologie basieren, teurer sein als "Standard"-Software. Es lohnt sich also, in ML zu investieren, um die einflussreichsten und profitabelsten Geschäftsbereiche in Ihrer Branche oder wichtige Unternehmensfunktionen zu verbessern, die unter großen Ineffizienzen leiden. Nach Angaben der Altus Group setzen beispielsweise die meisten Immobilienunternehmen ML ein, um Märkte und Vermögenswerte für Investitionen zu erschließen, interne Abläufe zu rationalisieren, das Portfoliomanagement zu verbessern, die Immobilienbewertung zu erleichtern und Partner auszuwählen.

Schematitel: Die wichtigsten Gründe, warum CRE-Unternehmen in ML und Datenwissenschaft investieren

Datenquelle: Altus Group - Der Stand der Datenwissenschaft bei Investitionen in Gewerbeimmobilien

Datenerhebung

Issue

Neben offensichtlichen Parametern wie Quadratmeterzahl, Anzahl der Zimmer, Verweildauer auf dem Markt und Kosten von Häusern in der gleichen Gegend gibt es noch viele nicht so offensichtliche Variablen, die die Attraktivität einer Immobilie beeinflussen. Diese sollten berücksichtigt werden, um den Wert einer Immobilie zu ermitteln. Das Problem besteht darin, wo diese Informationen zu finden sind und wie man eine so große Anzahl von Datentypen und -quellen durchforstet.

Recommendations

Makler haben begonnen, ein breiteres Spektrum an nicht traditionellen Parametern zu berücksichtigen, wie die Qualität der lokalen Dienstleistungen, Beschäftigungsmöglichkeiten und die Kriminalitätsrate. Anwendungen ML-basierter kognitiver Technologien für die automatisierte Datenerfassung, wie NLP und Computer Vision, helfen dabei, diese Informationen aus verschiedenen Quellen zu sammeln, darunter soziale Medien, Marktforschung, soziodemografische Berichte, Satellitenbilder und Bewertungsseiten. Diese Erkenntnisse können mit Informationen aus öffentlichen Immobiliendatenbanken und Unternehmenssystemen wie ERP oder CRM kombiniert werden.

Example of NLP in real estate advertisement analysis

Bildtitel: Beispiel für NLP bei der Analyse von Immobilienanzeigen

Hinweis: Anzeigenvorhersagen, die durch die Einbeziehung von NLP-Funktionen mit die höchsten Leistungsverbesserungen erzielten

Datenquelle: becominghuman.ai - NLP mit Immobilienanzeigen, Teil 2

Zuverlässigkeit des ML-Modells

Issue

ML-Systeme, die ohne Überwachung arbeiten, können und werden ungenaue Prognosen liefern, was zu großen finanziellen Katastrophen führt (siehe Zillows Algorithmusversagen 2021). Dies kann passieren, weil das ML-Modell auf veralteten, minderwertigen Datensätzen trainiert wurde. Ein ML-System kann auch aufgrund von Überanpassung ungenau werden, d. h. wenn ein Modell zu lange auf einem bestimmten Datensatz trainiert wurde und bei neuen Datenpunkten schlecht abschneidet, oder aufgrund von ML-Modell-Drift, d. h. wenn seine Leistung im Laufe der Zeit aufgrund von Eingabeänderungen abnimmt.

Recommendations

Kein ML-Modell oder -Algorithmus erreicht eine 100-prozentige Genauigkeit. Dennoch kann eine Datenverwaltungsstrategie, die Datenbereinigung und -umwandlung durch ETL-Pipelines, Metadatenverwaltung und Data Warehousing umfasst, dazu beitragen, die Zuverlässigkeit der Daten zu gewährleisten, mit denen Sie Ihr Modell trainieren werden. Auch die Aufteilung solcher Daten in Trainings-, Validierungs- und Testdatensätze wird Probleme mit der Überanpassung verringern. Was die Vermeidung von Modellabweichungen betrifft, so kann eine kontinuierliche Überwachung und Feinabstimmung mit neuen Datensätzen durch mehrere Iterationen (wie in den bewährten MLOps-Verfahren empfohlen) Abhilfe schaffen.

Custom componentBuilt-in componentSMP = SageMaker PipelinesSageMaker PipelinesFull train dataset (S3)SageMaker modelData ingestion, training mode (SMP Processing step)Data preprocessing
(SMP Processing steps) Hyperparameter tuning (SM HPT job inside SMP Processing step)Full training
(SMP Training step)Wrap model
(SMP CreateModel step)Ingestion query results
(Parquet on S3)Train/Validation datasets
(feature columns, CSV on S3)Output property file
(S3, SMP)Model artifacts (S3)Model metrics
(in SageMaker)Model artifacts (S3)

Titel des Schemas: AWS-basierte Trainingspipeline für eine ML-gestützte Immobilienplattform

Datenquelle: AWS - Machine Learning Infrastructure for Commercial Real Estate Insights Platform

Datenschutz und Datensicherheit

Issue

Angesichts der Menge an sensiblen Informationen, einschließlich Finanzdaten, mit denen Software für künstliche Intelligenz im Immobilienbereich umgehen muss, sind Unternehmen wahrscheinlich mit Hackerangriffen, Sicherheitsverletzungen und Lecks konfrontiert. Durch die Integration mit externen Systemen und IoT-Geräten wird das Spektrum der Schwachstellen noch erweitert. Eine mangelhafte Datensicherheit kann sich daher nachteilig auf den Geschäftsbetrieb und den Ruf des Unternehmens auswirken und die Aufmerksamkeit der Finanz- und Aufsichtsbehörden auf sich ziehen.

Recommendations

Ihre KI-Lösung sollte den geltenden Normen und Vorschriften (HIPAA, GDPR usw.) entsprechen und mit Cybersicherheitsfunktionen ausgestattet sein, die Identitäts- und Zugriffsmanagement, Multi-Faktor-Authentifizierung, Ereignisverwaltung und Überwachung der Benutzeraktivitäten umfassen. Sie können sich auch auf verschlüsselten Datenaustausch über kryptografische Protokolle (wie Transport Layer Security, X.509-Zertifikate oder symmetrische Schlüssel) und Geräteauthentifizierung verlassen. Erwägen Sie außerdem die Einführung einer Data-Governance-Strategie und entsprechender interner Richtlinien.

Microsoft’s cybersecurity reference architecture

Bildtitel: Microsofts Referenzarchitektur für Cybersicherheit

Datenquelle: Microsoft - Cybersecurity Reference Architecture: Security for a Hybrid Enterprise

Ein neuer technologischer Impuls für die Immobilienbranche?

Noch vor wenigen Jahren bezeichneten Finanzunternehmen wie Morgan Stanley die Immobilienbranche als einen der am wenigsten digitalisierten Sektoren. In jüngster Zeit hat diese Branche jedoch bei der Implementierung der fortschrittlichsten Anwendungen von künstlicher Intelligenz und maschinellem Lernen einen weiten Weg zurückgelegt, um die Entscheidungsfindung zu verbessern, Prozesse zu automatisieren und bessere Dienstleistungen anzubieten.

Immobilienunternehmen, die diese Technologie einsetzen, können jedoch aufgrund des datengesteuerten Black-Box-Charakters des maschinellen Lernens auf eine Reihe von Hindernissen stoßen. Um solche Herausforderungen zu meistern, sollten Sie auf die Erfahrung von Itransition in der ML-Beratung zurückgreifen.

 

Predictive Analytics in der Immobilienwirtschaft: Anwendungen und Grenzen

Einblicke

Predictive Analytics in der Immobilienwirtschaft: Anwendungen und Grenzen

Analyse von Immobiliendaten

Dienst

Analyse von Immobiliendaten

Immobilienportale: Entwicklungsdienstleistungen und erfolgreiche Beispiele

Dienst

Immobilienportale: Entwicklungsdienstleistungen und erfolgreiche Beispiele

Entwicklung von Software zur Automatisierung des Immobilienverkaufs

Fallstudie

Entwicklung von Software zur Automatisierung des Immobilienverkaufs

RPA in der Immobilienbranche:
10 Anwendungsfälle, Plattformen und Best Practices

Einblicke

RPA in der Immobilienbranche: 10 Anwendungsfälle, Plattformen und Best Practices

Maschinelles Lernen für Börsenvorhersagen: ein technischer Überblick

Einblicke

Maschinelles Lernen für Börsenvorhersagen: ein technischer Überblick

Benutzerdefinierte ML-Algorithmen für eine Versicherungsplattform

Fallstudie

Benutzerdefinierte ML-Algorithmen für eine Versicherungsplattform