Wer kennt es nicht? Man sucht auf einer Immobilienseite eine Wohnung. Doch es ist nicht immer klar, woraus sich der Preis einer Immobilie zusammensetzt, da es viele Einflussfaktoren auf den Kaufpreis einer Immobilie gibt.
In einer Analyse aus tausenden Online-Inseraten über Wohnungen und Häuser in Österreich haben wir die Faktoren, die den Kaufpreis definieren, untersucht.
Ziel war es, den Einfluss von 28 Faktoren auf den Kaufpreis einer Wohnung oder eines Hauses zu bestimmen. Dabei wurden Faktoren, wie zum Beispiel Lage, Baujahr, Heizungsart, Gartengröße oder Anzahl der Zimmer einer Immobilie, verwendet.
Mithilfe eines Webcrawlers wurden Daten von Online-Inseraten gesammelt und mit den daraus gewonnenen Daten ein neuronales Netz trainiert, das den Kaufpreis vorhersagt. Die Analyse des neuronalen Netzes zeigte, dass Lage und Baujahr der Immobilie eine entscheidende Rolle beim Kaufpreis spielen.
Prognosen zum Immobilienmarkt werden von vielen Institutionen angeboten. Diese treffen dann Aussagen über zukünftige Entwicklungen der Miet- und Kaufpreise in bestimmten Gebieten. Investoren, die Prognosen zur Abschätzung des Entwicklungspotenzials nutzen, fragen sich oft, wie die Vorhersagen ermittelt wurden oder welche Datenbasis dafür verwendet wurde. Außerdem werden von vielen Anbietern nur Prognosen für bestimmte geografische Regionen erstellt, wodurch der Informationsbedarf der Investoren nicht abgedeckt wird. Benötigen Sie spezifische Prognosen zur Entwicklung des Immobilienmarktes, um Investitions- oder Desinvestitionsentscheidungen zu treffen? Dann nehmen Sie mit uns Kontakt auf und lassen Sie uns gemeinsam einen Use-Case entwickeln.
Unter Anwendung neuronaler Netze war ein guter Einblick in die Daten möglich, der zuvor versteckte Zusammenhänge offenlegte. Neuronale Netze können für verschiedene Fragestellungen, wie beispielsweise Vorhersage eines Kaufpreises oder Lieferdauer, Klassifizierung von Kunden und Bilderkennung verwendet werden. Wir setzen neuronale Netze bei Simulationen und Prognosen für komplexe Systeme und Zusammenhänge ein, wie z. B. in der Wettervorhersage.
Autoren: Team Data Science & Marketing