Dem interdisziplinären Forschungsteam gelang die Entwicklung eines Prototyps zur automatisierten Immobilienbewertung, welches aufsichtsrechtlichen Anforderungen entspricht und Gutachtern zukünftig den Alltag erleichtern soll. Zukunftsweisend sind die entwickelten Methoden und Ansätze im Bereich Machine Learning, insbesondere dem Deep Learning.
Das Ziel des Modells ist die automatische Bewertung von Wohnimmobilien im Rahmen der kreditwirtschaftlichen Wertermittlung. „Mit seinen Features eignet sich der Prototyp für die Sparkassen-Finanzgruppe optimal und hat das Potential, den Alltag der Immobiliengutachter erheblich zu erleichtern", so Prof. Friedrich. Dafür wurden vorab verschiedene Datenbanken der Sparkasse geprüft und bereinigt, um eine optimale Datengrundlage für das Projekt zu schaffen. Der Prototyp enthält drei verschiedene Features: Dazu gehören das automatisierte Lagescoring, die Digitalisierung des Vergleichswertverfahrens und die Anwendung von Algorithmen aus den Bereichen der Hedonik und des Machine Learnings.
Das automatisierte Lagescoring dient als innovatives Tool, das hilft, zeitintensive Recherche- und Analyseaufgaben bei der Lagebewertung von Wohnimmobilien zu minimieren. Zusammengefasst wird der Lagescore aus einem Makrolagenscore, der auf einem sozialstatistischen Verfahren basiert, und aus einem Mikrolagenscore, der die Attraktivität einer Immobilie anhand der Entfernung zu Alltagszielen bewertet. Auch das traditionelle Vergleichswertverfahren ist sehr zeitintensiv, da Suche und Analyse manuell erfolgen. Durch einen Algorithmus wird das Vergleichswertverfahren in der kreditwirtschaftlichen Wertermittlung beschleunigt. Passende Vergleichsobjekte werden automatisiert herausgesucht. Dabei werden relevante Immobilien aus den verfügbaren herausgefiltert und mit Hilfe einer Ähnlichkeitsfunktion erfolgt im nächsten Schritt die finale Auswahl. Der Marktwert wird im arithmetisches Mittel der verbliebenen Vergleichsobjekte berechnet. Mit komplexen statistischen Methoden aus den Bereichen der Hedonik und des Machine Learning kann der Wert einer Immobilie anhand der Struktur des gesamten Datensatzes bestimmt werden. Hierfür wurden über eine Millionen Transaktionen zum Trainieren unterschiedlicher Verfahren herangezogen.
