Der Trend zu datenbasierten Optimierungen im operativen und strategischen Immobilienmanagement ist auf dem Vormarsch. Eine Mieterselektion kann mit modernen Analyseverfahren verbessert werden.
Mit modernen Analysetools und der Verwendung leistungsstarker Algorithmen können aus den Daten wertvolle Erkenntnisse gewonnen werden. Ein möglicher Anwendungsbereich in der Immobilienbranche betrifft eine Situation, der sich viele Vermieter:innen ständig gegenübersehen: Die Entscheidung, an welchen Mietinteressenten eine bestimmte Wohnung vergeben werden soll. Diese Entscheidung ist sowohl für das Bewirtschaftungsunternehmen als auch für den Eigentümer von grosser Bedeutung. Wird ein Mieter oder eine Mieterin ausgewählt, welche bereits nach einem Jahr wieder kündigt, muss einerseits das Bewirtschaftungsunternehmen mit viel Aufwand einen Mieterwechsel verarbeiten und anderseits entstehen dem Eigentümer zusätzliche Vermietungs- und Unterhaltskosten.
Genau hier setzt die Lösung von pom+ an: Um die Mieterselektion datenbasiert zu unterstützen, wurde – ausgehend von einer Projektarbeit an der Zürcher Hochschule für angewandte Wissenschaften (ZHAW) – ein Modell erarbeitet, welches das Risiko errechnet, dass ein Interessent als Mieter oder Mieterin bereits im ersten Mietjahr wieder kündigt.
Risiko Kurzmieter
Die explorative Datenanalyse zeigt teilweise bekannte Muster: Jüngere Personen bleiben tendenziell kürzer in einer Wohnung, Mieter:innen von günstigeren Wohnungen tendenziell länger. Solche Erkenntnisse einzeln zu betrachten und als Grundlage für Entscheidungen heranzuziehen, ist jedoch gefährlich, da die Wechselwirkung zwischen einzelnen Merkmalen dabei ausgeblendet wird. Professionelle Bewirtschafter und Bewirtschafterinnen nutzen genau diese komplexen Zusammenhänge basierend auf deren Berufserfahrung. Ein statistisches Modell muss deshalb ebenfalls möglichst viele aussagekräftige Merkmale kombinieren. Das von pom+ entwickelte Vorgehen berücksichtigt 16 Merkmale und verwendet einen «Machine-Learning-Algorithmus», der mehrere hundert Entscheidungsbäume im Hinblick auf ein möglichst gutes Ergebnis optimiert. Die Überprüfung mit Testdaten, das heisst mit Daten, die nicht für die Erstellung des Modells verwendet wurden, zeigte, dass mit dieser Methode rund ein Drittel der Kurzmieter:innen erkannt werden können. Ein Bewirtschaftungsunternehmen, welches das Modell mit eigenen Daten einsetzen würde, könnte also voraussichtlich ein Drittel der Mieterwechsel im ersten Mietjahr vermeiden. Weniger Aufwand und niedrigere Vermietungs- und Unterhaltskosten für Eigentümer:innen wären die Konsequenz. Einsetzbar ist das Modell natürlich nur dann, wenn ein Objekt von mehreren Interessenten und Interessentinnen nachgefragt wird. Bei der derzeitigen Marktlage ist dies jedoch häufig der Fall, die Vermieter:innen sehen sich meist einer grossen Anzahl von potenziellen Mietern und Mieterinnen gegenüber. Die Automatisierung im Bewerbungsprozess bedeutet für sie die Chance, den wirklich besten Mieter oder die beste Mieterin auswählen zu können und den Aufwand möglichst gering zu halten.
Konzentration auf das Wesentliche
Da sich letztlich alles analysieren lässt, wozu Daten vorhanden sind, sollten sich Analyse und Erstellung eines statistischen Modells immer an den wichtigsten Prozessen in einer Organisation orientieren. Ansonsten läuft man Gefahr, Ressourcen zu verschwenden. Es geht letztlich immer darum, ein besseres Kundenverständnis zu entwickeln, operative Prozessoptimierungen vorzunehmen, Risiken abzusichern und sonst die Aufwands- oder Ertragsseite zu verbessern. Voraussetzungen dafür sind fachliches Prozessverständnis ergänzt mit statistischem Know-how und Erfahrung im Prozessmanagement. In dieser Kombination lassen sich viele Optimierungen in der Immobilienbranche realisieren.