- Von Jürg Zulliger

Für jede Bauherrschaft und jedes Planungsunternehmen war es bis jetzt eine grosse Herausforderung, die voraussichtlichen Kosten von Projekten schätzen zu können. Etwas vereinfacht gesagt: Man stützte sich dabei natürlich auf Erfahrungswerte, Material- und Arbeitskosten und holte unter anderem auch aktuelle Richtofferten für die benötigten Arbeiten ein.

Die Schätzmethoden werden immer mehr auch mit verschiedenen automatischen Kostenrechnern und sogar mit KI-Tools ergänzt, bei denen Algorithmen aus einer grossen Menge von Daten Muster erkennen und damit Kosten ermitteln können.

Das hat den Vorteil, dass Zahlen einfliessen, die tatsächlich aktuell sind. «Auch die laufende Bauteuerung kann dabei natürlich berücksichtigt werden», erklärt Stefan Cadosch, CEO des Start-ups keeValue. – Ob nun konventionelle Methode oder KI: Es braucht in jedem Fall Projektverantwortliche oder Architekturbüros, die die richtigen projektspezifischen Eingaben vornehmen.

Viele Anwendungsmöglichkeiten

Die Systeme sind bereits so weit entwickelt, dass sich die Tools in der Praxis bewähren. Es lassen sich sowohl Neubau- als auch Umbaukosten schätzen. Interessant sind solche Anwendungen natürlich nicht nur für den Einzelfall, sondern vor allem für einen grossen Bestand an Gebäuden und Projekten. So setzt die Gebäudeversicherung des Kantons Bern (GVB) schon seit mehreren Jahren auf diese Methode. Die individuelle Schätzung vor Ort – um den aktuellen Gebäudeversicherungswert zu ermitteln – lässt sich weitgehend automatisieren und liefert für den Grossteil der Gebäude im Kanton Bern ausreichend zuverlässige Resultate.

Eine neue Studie des Swiss Real Estate Institute («Wohnimmobilienbewertung mit Methoden des Maschinellen Lernens»)* hat nun in einem nächsten Schritt die klassischen hedonischen Modelle zur Bewertung von Wohnhäusern in der Schweiz den neuen Methoden gegenübergestellt. Dabei haben sich die hedonischen Bewertungen in der Schweiz seit rund 20 Jahren als Industriestandard etabliert. Sie zerlegen etwas vereinfacht gesagt Eigentumswohnungen und Einfamilienhäuser in ihre einzelnen Merkmale und ermitteln aus einer ausreichenden Menge an Daten den aktuellen Wert.

Nun stehen als neue Ansätze zwei neue Verfahren des maschinellen Lernens im Vordergrund:

Ein künstliches neuronales Netzwerk.
Der Algorithmus «Extreme Gradient Boosting (XGBoost)» (ein auf einem Entscheidungsbaum-Verfahren basierender Algorithmus).

Bessere Preisschätzungen mit KI

Die Resultate sind laut den Autoren klar: Die Methoden maschinellen Lernens liefern in der Bewertung die besseren Resultate als die klassischen hedonischen Modelle. Besonders gut schneidet das XGBoost-Verfahren ab. Hier lagen bei den Eigentumswohnungen und den Einfamilienhäusern 44 bzw. 43 Prozent der geschätzten Werte in einem Bereich von plus/minus 10 Prozent gegenüber dem tatsächlichen Transaktionspreis. Die hedonischen Modelle kamen auf eine Grössenordnung von 37 Prozent.

Forscher der Universität Regensburg kamen 2022 anhand von 1,2 Millionen Wohnimmobilien in Deutschland zu ähnlichen Schlüssen (Moritz Stang, Bastian Krämer u. a.). Entscheidend für die Wirksamkeit von Algorithmen des maschinellen Lernens ist offenbar die Fülle von Daten, die für die Modelle zur Verfügung stehen. Diese Algorithmen entfalten ihre Stärke in grossen Datensätzen. Sie lernen basierend auf Mustern und Trends innerhalb des Immobilienmarktes und sind in der Lage, sich anzupassen.

Quellen: Rudolf Marty, Prof. Dr. Peter Ilg: Wohnimmobilienbewertung mit Methoden des Maschinellen Lernens, Version Januar 2024.

Stang, M., Krämer, B., Nagl, C., & Schäfers, W. (2022). From human business to machine learning – methods for automating real estate appraisals and their practical implications. Zeitschrift für Immobilienökonomie 9(4), 1–28.