Die rasante Entwicklung der Künstlichen Intelligenz verändert zunehmend die Immobilienwirtschaft, auch die Immobilienbewertung bleibt davon nicht unberührt. Während KI-basierte Modelle bereits bei automatisierten Bewertungen eingesetzt werden, ist ihr Nutzen in der klassischen, manuellen Wertermittlung bislang kaum untersucht.
Diese Arbeit geht der Frage nach, ob und in welchem Ausmaß Künstliche Intelligenz die Effizienz und Objektivität von Immobilienbewertungen verbessern kann. Dazu werden die etablierten Bewertungsverfahren – Vergleichswert-, Ertragswert- und Sachwertverfahren, den modernen Methoden des maschinellen Lernens gegenübergestellt. Im Rahmen eines empirischen Experiments mit 28 Bewertungsexperten wird die Leistungsfähigkeit eines KI-gestützten Tools mit einer traditionellen Excel-basierten Bewertung verglichen.
Die Ergebnisse zeigen: Durch den Einsatz von KI verkürzt sich die Bewertungszeit erheblich, die Subjektivität sinkt und die Konsistenz der Ergebnisse steigt, ohne signifikante Ergebnisse bei der Genauigkeit.
Das Werk bietet einen fundierten Überblick über aktuelle Forschung und Praxisanwendungen und richtet sich an Gutachter, Immobilienökonomen, PropTech-Unternehmen und Studierende, die die Zukunft der Bewertung verstehen und gestalten wollen.
Die Bachelorthesis hat eine Auszeichnung/Preis des BFW erhalten und wurde zudem auf einer internationalen Konferenz vorgestellt.
Inhaltsverzeichnis
- Abkürzungsverzeichnis
- Abbildungsverzeichnis
- Tabellenverzeichnis
- Hinweis zur Sprachverwendung
- 1 Einleitung
- 1.1 Zielsetzung der Arbeit
- 1.2 Aufbau der Arbeit
- 2 Grundlagen der Immobilienbewertung
- 2.1 Immobilien als Basis der Immobilienbewertung:
- 2.2 Die gängigen Immobilienbewertungsmethoden
- 2.2.1 Vergleichswertverfahren
- 2.2.2 Ertragswertverfahren
- 2.2.3 Sachwertverfahren
- 2.2.4 Allgemeine Schwachstellen menschlicher Immobilienbewertung
- 3 Künstliche Intelligenz
- 3.1 Machine Learning (ML)
- 3.2 Die wichtigsten ML-Modelle
- 3.2.1 Künstliche Neuronale Netze
- 3.2.2 ChatGPT und Large Language Models
- 3.2.3 Entscheidungsbaum-Ensembles
- 3.2.4 Unterschiede der ML-Modelle:
- 3.2.5 Studienergebnisse der ML-Modelle
- 4 Automatisierte Immobilienbewertung
- 5 Empirische Untersuchung
- 5.1 Fragestellung und Methodik der Erhebung
- 5.2 Versuchsaufbau und Hypothesen
- 5.3 Beschreibung und Gewinnung der Stichproben
- 5.4 Auswahl und Konzeption der Erhebungsmethoden
- 5.4.1 Experimentelles Design
- 5.4.2 Fragebogenerhebung
- 5.4.3 Synergien und Validität der gemischten Methodik
- 5.5 Ergebnisse der Untersuchung
- 5.5.1 Deskriptive Beschreibung der Stichprobe
- 5.5.2 Ergebnisse der Untersuchungsgruppen
- 5.5.3 Multiple lineare Regressionen
- 5.6 Akzeptanz und sozioökonomische Betrachtungen von KI in der Immobilienbewertung:
- 5.7 Expertenmeinungen zur Anwendung von KI in der Immobilienbewertung
- 6 Diskussion und Limitation
- 7 Schlussbetrachtung
- Anhang
- Literaturverzeichnis
Zielsetzung & Themen
Diese Bachelorthesis zielt darauf ab, die Anwendung Künstlicher Intelligenz (KI) in der Immobilienbewertung zu erforschen und ihre Auswirkungen auf Effizienz und Effektivität im Vergleich zu traditionellen Methoden zu untersuchen. Im Fokus steht die Frage, inwieweit KI-basierte Tools den Bewertungsprozess vereinfachen und verbessern können.
- Grundlagen und traditionelle Methoden der Immobilienbewertung und deren Schwachstellen.
- Konzepte der Künstlichen Intelligenz, insbesondere Machine Learning (ML) und Deep Learning (DL).
- Detaillierte Analyse wichtiger ML-Modelle wie Künstliche Neuronale Netze, Large Language Models (z.B. ChatGPT) und Entscheidungsbaum-Ensembles (z.B. Random Forest, XGBoost).
- Automatisierte Bewertungsmodelle (AVMs) in der Immobilienbewertung, deren Einsatzgebiete sowie Vor- und Nachteile.
- Empirische Untersuchung zur Effizienz und Effektivität von KI-basierten versus traditionellen Bewertungsmethoden.
- Expertenmeinungen und sozioökonomische Aspekte der KI-Anwendung in der Immobilienbranche.
Auszug aus dem Buch
2.2.4 Allgemeine Schwachstellen menschlicher Immobilienbewertung
Immobilienbewerter arbeiten in einer informationsreichen und komplexen Umgebung, welche von unvollständigen oder ungenauen Marktdaten geprägt ist. Außerdem arbeiten sie oft an einer Mehrzahl von Bewertungen in unterschiedlichen Phasen der Immobilienbewertung. Sie werden zudem von verschiedenen externen Einflüssen wie Transaktionspreisen, Kundenfeedback oder weiteren Expertenmeinungen beeinflusst. Angesichts dieses komplexen Umfelds greifen Gutachter häufig auf Heuristiken zurück, um effizient arbeiten zu können. Diese sind mentale Abkürzungen, die schnelle Urteile ermöglichen, indem sie die Informationsverarbeitung vereinfachen. Dadurch helfen sie, die Beschränkungen des Kurzzeitgedächtnisses zu überwinden, welches nur eine begrenzte Menge an Informationen simultan verarbeiten kann. Dies geschieht, indem sich Gutachter auf bestimmte Informationsstücke konzentrieren oder Schritte im Bewertungsprozess überspringen. Das ermöglicht ihnen, schneller und gezielter auf relevante Datenpunkte zuzugreifen und Entscheidungen zu treffen. Obwohl Heuristiken eine effiziente Informationsverarbeitung ermöglichen, können sie auch zu systematischen Mängeln führen.93 Im Folgenden werden mögliche Fehlerquellen erläutert.
1. Inkonsistenz in der Modellanwendung: Immobiliengutachter folgen nicht immer den vorgeschriebenen Bewertungsmodelle. Eine inkonsistente Anwendung durch die Immobiliengutachter führt zu Schwankungen in der Genauigkeit der Bewertungen. Diese Inkonsistenzen stellen abgesehen von Szenarien, in denen sie sich gegenseitig ausgleichen können, wie etwa in großen Portfolios, eine signifikante Schwachstelle dar.94 Darüber hinaus, neigen Gutachter auf ihre Erfahrung und Faustregeln, also heuristisches Verhalten, zurückzugreifen, anstatt strikt formale Verfahren zu befolgen.95
2. Verankerungs- und Anpassungsheuristik: Menschen neigen dazu, sich früh im Rahmen eines Bewertungsprozesses auf einen Ausgangswert oder Ankerwert festzulegen und suchen dann nach Daten, die diese erste Einschätzung bestätigen. Dies trifft auch auf Gutachter zu und kann zu Verzerrungen führen, insbesondere wenn diese sich auf den Verkaufspreis eines laufenden Vertrags oder Kundenmeinungen verankern und dadurch die Auswahl vergleichbarer Verkäufe einschränken. Dies kann zur Folge haben, dass sie ihre Schätzung nur unzureichend anpassen und letztendlich die Schätzung des Endwerts beeinflusst.96
3. Geografische Vertrautheit: Die Vertrautheit mit einem Gebiet ist ein wichtiger Faktor im Verhalten von Gutachtern. Speziell bei Arbeiten außerhalb ihres Fachgebiets sind diese anfälliger für potenzielle Ankereffekte und Verzerrungen.97
4. Satisficing: Das Konzept des Satisficing (z. Dt. Genügen) beschreibt die Tendenz von Gutachtern, welche Bewertungen durchführen, die als „gut genug“ gelten, anstatt die bestmögliche und genaueste Bewertung zu verwenden. Dies kann besonders in Situationen unter Zeitdruck oder bei unzureichenden Informationen relevant sein.98
Zusammenfassung der Kapitel
Kapitel 1: Einleitung: Dieses Kapitel führt in die Thematik der Künstlichen Intelligenz in der Immobilienbewertung ein, beleuchtet die Relevanz der Forschungsfrage und skizziert den Aufbau der Arbeit.
Kapitel 2: Grundlagen der Immobilienbewertung: Hier werden die Besonderheiten von Immobilien und des Immobilienmarktes sowie traditionelle Bewertungsmethoden und ihre menschlichen Schwachstellen detailliert dargestellt.
Kapitel 3: Künstliche Intelligenz: Das Kapitel bietet eine Einführung in die Künstliche Intelligenz, Machine Learning und Deep Learning, erläutert wichtige ML-Modelle und präsentiert relevante Studienergebnisse zur Vorhersagegenauigkeit.
Kapitel 4: Automatisierte Immobilienbewertung: Dieses Kapitel definiert automatisierte Bewertungsmodelle (AVMs), untersucht deren Einsatzgründe, potenzielle Anwendungsbereiche und diskutiert deren Vor- und Nachteile.
Kapitel 5: Empirische Untersuchung: Die Methodik der Datenerhebung, der Versuchsaufbau mit Hypothesen und die Beschreibung der Stichproben werden erläutert, gefolgt von der Analyse und Interpretation der Untersuchungsergebnisse hinsichtlich Effizienz und Effektivität von KI-Anwendungen.
Kapitel 6: Diskussion und Limitation: Die Ergebnisse der empirischen Studie werden diskutiert, wobei die signifikante Reduzierung der Bewertungszeit und die geringere Varianz der KI-basierten Methoden hervorgehoben, aber auch Limitationen der Studie erörtert werden.
Kapitel 7: Schlussbetrachtung: Dieses abschließende Kapitel fasst die zentralen Erkenntnisse der Arbeit zusammen, betont die Potenziale und Herausforderungen des KI-Einsatzes in der Immobilienbewertung und gibt Ausblicke für zukünftige Forschung.
Schlüsselwörter
Künstliche Intelligenz, Immobilienbewertung, Machine Learning, Deep Learning, Automatisierte Bewertungsmodelle (AVM), Effizienz, Effektivität, Ertragswertverfahren, Vergleichswertverfahren, Sachwertverfahren, Neuronale Netze, ChatGPT, Large Language Models (LLM), Entscheidungsbaum-Ensembles, Random Forest, XGBoost.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit untersucht, wie Künstliche Intelligenz (KI) in der Immobilienbewertung eingesetzt werden kann und welche Auswirkungen dies auf die Effizienz und Effektivität des Bewertungsprozesses im Vergleich zu herkömmlichen Methoden hat.
Was sind die zentralen Themenfelder?
Zentrale Themenfelder sind die Grundlagen der Immobilienbewertung, die verschiedenen Arten von KI-Modellen (Machine Learning, Deep Learning, Large Language Models), automatisierte Bewertungsmodelle (AVMs) und eine empirische Untersuchung zum Leistungsvergleich von KI-basierten und traditionellen Bewertungsmethoden.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist es, zu prüfen, ob KI-Modelle in der Immobilienbewertung die Effizienz und Effektivität im Vergleich zu konventionellen Wertermittlungsverfahren verbessern können.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit nutzt eine gemischte Methodik aus experimentellem Design für quantitative Daten und einer Fragebogenerhebung für qualitative Einblicke, um kausale Zusammenhänge zu untersuchen und Nutzererfahrungen zu erfassen.
Was wird im Hauptteil behandelt?
Der Hauptteil behandelt die Grundlagen der Immobilienbewertung und deren Schwachstellen, eine detaillierte Einführung in Künstliche Intelligenz und spezifische ML-Modelle, die Funktionsweise und Anwendung von automatisierten Bewertungsmodellen sowie die Durchführung und Ergebnisse einer empirischen Untersuchung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Immobilienbewertung, Künstliche Intelligenz, Machine Learning, Effizienz, Effektivität, Automatisierte Bewertungsmodelle, Ertragswertverfahren, ChatGPT, Datenanalyse.
Welche Rolle spielen menschliche Fehler in der traditionellen Immobilienbewertung?
Menschliche Fehler, wie Inkonsistenz in der Modellanwendung, Verankerungs- und Anpassungsheuristiken, geografische Vertrautheit und "Satisficing" (Genügen), führen zu Unsicherheiten, Ungenauigkeiten und subjektiven Verzerrungen in der traditionellen Immobilienbewertung.
Wie können Large Language Models (LLMs) die Immobilienbewertung unterstützen?
LLMs wie ChatGPT oder JLL-GPT können die Immobilienbewertung durch automatisierte Textanalyse (z.B. Mietverträge), effiziente Datensammlung und -verarbeitung, Reduzierung von Fehlern und verbesserte Berichterstattung unterstützen, was zu einer Steigerung der Effizienz und Objektivität führt.
Welche Risiken und Bedenken gibt es beim Einsatz von KI in der Immobilienbranche?
Bedenken umfassen die mangelnde manuelle Nachprüfbarkeit, die Sorge um die Genauigkeit bei komplexen Fällen, Fragen der Haftung, Datenschutzverletzungen, eine potenzielle politische Färbung der Ergebnisse und die Angst vor dem Verlust menschlicher Arbeitsplätze.
Wird KI menschliche Gutachter in der Immobilienbewertung ersetzen?
Die Expertenmeinungen deuten darauf hin, dass KI die Rolle menschlicher Gutachter nicht ersetzen, sondern vielmehr als unterstützendes Instrument dienen wird, um standardisierte Prozesse zu beschleunigen und als Erstmeinung oder erste Analyse eingesetzt zu werden, die dann vom Menschen verfeinert wird.
- Citation du texte
- Marius Müller (Auteur), 2024, Künstliche Intelligenz in der Immobilienbewertung. Auswirkungen auf Effizienz und Effektivität, Munich, GRIN Verlag, https://www.grin.com/document/1671003
