Christian Crain, Geschäftsführer PriceHubble Deutschland
Dass die Bau- und Immobilienbranche kein digitaler Vorreiter ist, ist bekannt, doch die
Pandemie hat der Digitalisierung in den vergangenen zwei Jahren einen enormen Schub
verpasst. Auch Projektentwickler befassen sich vermehrt mit dieser Thematik und
versuchen, die eigenen Bedürfnisse und die der Kundschaft mit digitalen Lösungen zu
befriedigen. Machine Learning (ML) und Big Data heben Projektentwicklungen auf ein
neues Level der Digitalisierung und verbinden erstmals Ästhetik und Statistik
miteinander. Dabei unterstützen digitale Lösungen bei der Optimierung von Standort und
Projektidee, so dass gleichzeitig die Wohnqualität erhöht und eine maximale rentable
Nutzung erzielt wird.
Einsatz von Künstlicher Intelligenz
Von digitalen Projekträumen, über CAD, Cloud Computing, BIM, Virtual Reality, über Big Data Analysen, Workflows bis hin zum 3D-Druck: Die Möglichkeiten zur Nutzung von digitalen Technologien für die Projektentwicklung sind weitreichend und können praktisch jeden Zeitpunkt im Lebenszyklus einer Immobilie abdecken und eingesetzt werden.
Wegweisend ist der Einsatz künstlicher Intelligenz und datenbasierter Analysen bereits in der Projektplanung. Das ermöglicht es den Entwurf des Architekten zu quantifizieren und gleichzeitig zu entemotionalisieren, um rationale Entscheidungskriterien verschiedener beteiligter Stakeholder in den Fokus zu rücken. Planungsentscheidungen werden dabei mit Fakten unterlegt, transparent und nachvollziehbar.
Mit statistischen Bewertungsmodellen zum datenbasierten Projektdesign
Immobilienentwickler schöpfen Wert indem sie durch Neubauten oder Sanierungen eine bestehende Immobiliennachfrage bedienen. Ein Bauprojekt ist für den Entwickler umso profitabler, je besser das Endprodukt auf eine unbefriedigte Nachfrage abgestimmt ist. Er muss folglich nicht nur ein gutes Händchen bei der Auswahl von Baugrundstücken haben, sondern steht auch vor der Herausforderung, das jeweilige Projekt marktgerecht auszugestalten. Die Grundfrage lautet bei Wohnimmobilien also beispielsweise: Für welche Wohnungszuschnitte und Ausstattungsmerkmale lassen sich nach Projektfertigstellung die höchsten Zahlungsbereitschaften (Miete bzw. Kaufpreis bei Eigentumswohnungen) relativ zu den Baukosten realisieren? Dies zu prognostizieren ist schwierig, da die Präferenzen zukünftiger Mieter oder Käufer kaum direkt gemessen werden können. Der Entwickler geht hier also das Risiko ein am Markt “vorbei zu bauen” und die Wohneinheiten nicht oder nur mit größeren Preisabschlägen absetzen zu können, was im schlimmsten Fall dazu führen kann, dass ein Projekt seine Herstellungs- und Finanzierungskosten nicht deckt.
Entscheidend für den Projekterfolg ist also die Suche nach der im Hinblick auf die Rendite optimalen Projektdefinition in Form eines “Wohnungsprogramms” in dem Wohnungsgrößen, Zuschnitte und Ausstattungen als Vorgabe für Architekten festgelegt werden. Möglich ist dies nur durch die effektive Auswertung verfügbarer Informationen zu erwartbaren Mieten oder Verkaufspreisen. Mit einer datengestützten Herleitung der Renditeaussichten lässt sich nicht nur die Unsicherheit senken, durch eine überzeugende Präsentation des Projektes lassen sich auch bessere Konditionen bei Fremd- und Eigenkapitalgebern verhandeln.
Durchschnittlich 2-4% mehr Mietertrag in Wohnungsportfolios
Hier schlägt die Stunde der statististischen Bewertungsmodelle, sogenannten Automated Valuation Models (AVM). Schon bei der Auswahl eines Grundstückes, kann ein auf Wohnungsmieten trainiertes modernes AVM genutzt werden, um das Renditepotenzial zu beurteilen, indem erwartbare Mieteinnahmen für ein grob geplantes Wohnungsprogramm an dem betrachteten Standort geschätzt werden, um sie dann mit dem Kaufpreis des Grundstücks ins Verhältnis zu setzen.
In der Planungsphase gilt es dann ein möglichst aussichtsreiches Wohnungsprogramm zu identifizieren. Ein AVM kann hier wiederum genutzt werden um eine große Anzahl möglicher Wohnungsprogramme zu simulieren und erwartete Profitabilitäten zu vergleichen. Zur Verfeinerung der Planung können in späteren Phasen dabei sogar Faktoren wie Aussicht, Sonneneinstrahlung und andere Eigenschaften konkreter Grundrisse berücksichtigt werden. Auch hier ist die Voraussetzung, dass dem AVM ein ausreichend großer Trainingsdatensatz zur Verfügung steht. Grundrisse müssen dazu zunächst in digitale 3D-Modelle übersetzt und in ein 3D-Modell der Umgebung integriert werden. Mittels entsprechender Verfahren können dann auf Basis der Orientierung jeder Wohnung, der inneren Wohnungsstruktur und der Lage von Fenstern, sowie der Umgebung und dessen Auswirkung auf Aussicht und Verschattung, entsprechende Kennzahlen berechnet werden. Diese Kennzahlen gehen dann zusätzlich als erklärende Variablen der Miete in das AVM ein. So kann die optimale Kombination von Wohnungsdesigns in die Planung übernommen werden. Für die Vermarktung stehen die Preise damit auch schon fest. Immobilienunternehmen konnten mit diesem innovativen Ansatz von PriceHubble, durch Reduzierung von Vermarktungsdauer und Leerständen, sowie der Optimierung von Mieten und einer Erhöhung der Prozesseffizienz den Mietertrag von Wohnungsportfolios um durchschnittlich 2-4% erhöhen.
Auch die qualitativen Informationen, die in einem Immobilieninformationssystem bereitgestellt werden, sind für die Projektplanung wertvoll. Eine Standortanalyse kann z. B. helfen die Attraktivität einer Grundstückslage für bestimmte Zielgruppen abzuschätzen. Zielgruppen, deren Bedürfnisse laut dieser Analyse an einem Standort nicht ausreichend erfüllt werden, können direkt ausgeschlossen werden, um sich auf aussichtsreichere Mieter- oder Käufergruppen zu fokussieren. In der Vermarktung können dann die Eigenschaften des Projekts herausgestellt werden, die für die Zielgruppe besonders relevant sind.
Synergie von Ästhetik und Statistik im Projekt
Durch den Einsatz digitaler Lösungen in der Projektplanung können also alle Bedürfnisse und Ansprüche an die Projektentwicklung unter einen Hut gebracht werden: eine optimale Wohnqualität für die zukünftigen Bewohner und auf die am Standort identifizierte Zielgruppe zugeschnittene Wohnungsgrößen und -grundrisse mit den bestmöglichen Markt- und Mietpreisen.
[Abbildung vorher/nachher]
Abbildung: Projektbeispiel von Viva Real, Stockstrasse in Neuenhof (AG)
Im vorliegenden Beispielprojekt der Viva Real wurden basierend auf Machine Learning und Big Data, Simulationen für die einzelnen Wohneinheiten durchgeführt, um eine ganzheitliche Analyse und Bewertung der Architekturqualität zu erhalten. Dank diesen Erkenntnissen konnte das gesamte Projekt optimiert werden.
Das Resultat war eine neue Aufteilung von Wohnungsgrößen, veränderte Grundrisse und eine asymmetrische Ausrichtung der Wohnblöcke. Mit diesen digitalen Schritten konnte die Kosten- wie auch die Renditeaussichten verbessert werden und zusätzlich konnte mit der Innenentwicklung respektive Verdichtung die Ausnutzung besser ausgeschöpft werden.
Comments