Automated Valuation Models und die Revolution der Immobilienbewertung

# Automated Valuation Models und die Revolution der Immobilienbewertung

Im November 2021 stellte Zillow sein iBuying-Geschäft (Instant Buying) Zillow Offers ein, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ündigte die Abwicklung des Betriebs an und strich rund ein Viertel der Stellen. Das Unternehmen hatte seine eigene Bewertungs-Engine genutzt, um Häuser in großem Stil zu kaufen und wieder zu verkaufen. Als die Preisprognosen des Modells in einem schnell drehenden Markt von der Realität abwichen, saß Zillow auf tausenden Häusern, für die es zu viel bezahlt hatte. Die Einheit verlor mehrere hundert Millionen Dollar.

Die Lehre war nicht, dass automatisierte Bewertung nutzlos ist. Sie lautet: Ein Bewertungsmodell ist nur so gut wie seine Konfidenzintervalle, und Zillow setzte echtes Kapital auf Zahlen, die weniger sicher waren, als sie aussahen.

Was ein AVM tatsächlich macht

Ein AVM (Automated Valuation Model) schätzt den Marktwert einer Immobilie anhand von Daten und Statistik, statt dass ein Mensch durch das Haus geht. Kreditgeber, Versicherer, Steuerbewerter und Portale wie Zillow und Redfin nutzen sie alle.

Das bekannteste Beispiel für Verbraucher ist Zillows Zestimate. AVMs stecken aber auch unauffällig im Kredit-Underwriting, im Portfolio-Risikomanagement und in Einspruchsverfahren gegen die Grundsteuer.

Jedes AVM kombiniert drei Bestandteile:

• Comps (comparable sales): kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzlich verkaufte Häuser, die dem Objekt ähnlich sind.
• Hedonische Merkmale: die einzelnen Attribute, die den Wert treiben (Wohnfläche, Zimmer, Grundstücksgröße, Alter, Zustand).
• Räumliche Daten: Lage, Lage, Lage, ausgedrückt in Koordinaten, Stadtteilgrenzen und Entfernung zu Infrastruktur.

Sehen wir uns die Teile einzeln an.

Comps: der Instinkt des Gutachters, automatisiert

Ein menschlicher Gutachter wählt drei bis sechs kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzliche Verkäufe in der Nähe, korrigiert für Unterschiede („dieses hat ein Badezimmer mehr, Wert hinzufügen“) und landet bei einer Zahl. Das ist der Vergleichswertansatz, und ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → ist das Rückgrat der Wohnimmobilienbewertung.

Ein AVM macht dasselbe in großem MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab. Statt sechs Comps gewichtet es womöglich hunderte, jedes nach Ähnlichkeit und Aktualität.

Die Schwäche liegt auf der Hand: Comps setzen voraus, dass die nahe Vergangenheit die Gegenwart vorhersagt. In einem stabilen Markt gilt das. In einem drehenden Markt (steigende Zinsen, ein großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Arbeitgeber zieht weg) führen die Verkäufe von gestern in die Irre. Genau hier geriet Zillows iBuying-Modell in Schwierigkeiten: Die Preise bewegten sich schneller, als die Comps sich aktualisieren konnten.

Hedonic Pricing: die Einzelteile bezahlen

Ein hedonisches Modell behandelt ein Haus als Bündel von Merkmalen und schätzt den Preisbeitrag jedes einzelnen. Die Idee kommt aus der Ökonomie: Sie kaufen nicht „ein Haus“, Sie kaufen Wohnfläche plus Garage plus ein gutes Schulbezirk.

Eine vereinfachte hedonische Regression sieht so aus:

import statsmodels.formula.api as smf

# price as a function of measurable features
model = smf.ols(
    "price ~ sqft + bedrooms + bathrooms + lot_size + age + C(zip_code)",
    data=sales
).fit()

# the coefficient on sqft = estimated dollars per additional square foot
print(model.params["sqft"])

Der Koeffizient von sqft sagt Ihnen, wie viel ein zusätzlicher Quadratfuß wert ist, bei konstanten übrigen Merkmalen. Moderne AVMs ersetzen diese einfache Regression durch Gradient Boosting oder neuronale Netze, die nichtlineare Effekte erfassen (das zehnte Badezimmer bringt weit weniger als das zweite).

Der Haken: Modelle sehen nur Merkmale, die in den Daten stehen. Eine komplett renovierte KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →üche und eine veraltete kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen identische Wohnfläche haben. Zustand, Licht, Grundriss und Straßenlärm lassen sich schwer digitalisieren, und sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen den Wert erheblich verschieben. Bewerter nennen das das Problem der unbeobachteten Qualität, und es ist eine dauerhafte Lücke zwischen Modell und Markt.

Räumliche Daten: warum sich Lage einer einfachen Zahl entzieht

Zwei identische Häuser kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen sich im Wert um 30 Prozent unterscheiden, wenn eine Straße dazwischen liegt, die Schulbezirke trennt. Lage ist nicht eine Variable, sondern tausende überlappende.

Gute AVMs verarbeiten:

• Geografische Koordinaten und Entfernung zu Arbeitsplätzen, Nahverkehr und KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →üste.
• Points of Interest: Schulen, Parks, Autobahnen und weniger begehrte Nachbarschaften.
• Räumliche Autokorrelation: die statistische Tatsache, dass nahe gelegene Häuser korrelierte Preise und korrelierte Fehler haben.

Die technische Herausforderung: Raum ist nicht linear. Ein Modell, das Breiten- und Längengrad als gewöhnliche Zahlen behandelt, scheitert. Verfahren wie geographically weighted regression oder räumliche Features (Neighborhood Embeddings, Distance-Decay-Funktionen) existieren genau dafür.

Eine klare, kostenlose Einführung in die Funktionsweise räumlicher Autokorrelation bietet das Geographic Data Science book, eine ausgezeichnete offene Ressource.

🎬 [VIDEO: "How Zillow's Zestimate Works" - youtube.com - eine verständliche Führung durch die Daten und Methoden hinter AVMs für Verbraucher]

Wo Konfidenzintervalle zusammenbrechen

Hier kommt der Teil, den die meisten überspringen. Ein AVM gibt nicht nur einen Preis aus. Es sollte ein Konfidenzintervall ausgeben: eine Spanne und eine Wahrscheinlichkeit, zum Beispiel „wir schätzen 500.000 Dollar und sind zu 80 Prozent sicher, dass der wahre Wert zwischen 460.000 und 540.000 Dollar liegt“.

Zillow veröffentlicht eine Median-Fehlerkennzahl für das Zestimate bei am Markt angebotenen und nicht angebotenen Häusern. Dieser veröffentlichte Fehler ist ein Durchschnitt. Durchschnitte verbergen die Fälle, die Ihnen wehtun.

Konfidenzintervalle brechen in vorhersehbaren Situationen zusammen:

Dünne Märkte. Ländliche Gegenden oder einzigartige Luxusobjekte haben wenige Comps. Weniger Daten, breitere (und weniger verlässliche) Intervalle. Ein einzigartiges Anwesen am Wasser hat kein echtes Vergleichsobjekt.

Regimewechsel. Wenn der Markt dreht, beschreiben die Trainingsdaten des Modells eine Welt, die nicht mehr existiert. Das Intervall sagt „sicher“, weil es in einer stabilen Ära trainiert wurde.

Selection Bias. iBuyer stehen vor adverse selection: Verkäufer nehmen ein Sofortangebot eher an, wenn das AVM ihr Haus zu hoch bewertet hat, und lehnen eher ab, wenn das Angebot zu niedrig ist. Die Häuser, die Sie tatsächlich kaufen, tendieren also zu den Überbewertungen Ihres Modells. Das ist eine strukturelle Falle, kein Tuning-Problem, und es wird breit als Faktor der iBuying-Verluste genannt.

Renovierungs- und Zustandsdrift. Das Modell unterstellt durchschnittlichen Zustand. Kaufen Sie ein Haus, das schlechter als der Durchschnitt ist, haben Sie systematisch zu viel bezahlt.

Der strategische Punkt: Ein Punktschätzer verleitet zu Überkonfidenz. Ein gut kalibriertes Intervall sagt Ihnen, wann Sie einen Menschen schicken sollten.

Die Bewertungsrevolution: Augmentierung, nicht Ersatz

AVMs verändern die Gutachterbranche, aber „Revolution“ heißt nicht, dass Gutachter verschwinden.

Regulatorische Realität. In den USA verlangen Bundesvorschriften Gutachten für viele Hypothekentransaktionen, allerdings wurden appraisal waivers (genehmigt von Fannie Mae und Freddie Mac und oft von AVMs betrieben) für risikoärmere Kredite ausgeweitet. 2024 verabschiedeten US-Bundesbehörden eine Regel, die Qualitätskontrollstandards für AVMs in Kreditentscheidungen vorschreibt, einschließlich Schutzmaßnahmen gegen Diskriminierung. AVMs arbeiten damit innerhalb eines Compliance-Rahmens, nicht im freien Feld.

Fair-Lending-Risiko. AVMs lernen aus historischen Daten, und historische Immobiliendaten spiegeln historische Diskriminierung (Redlining, verzerrte Gutachten). Ein Modell, das das aufnimmt, kann es reproduzieren. Das ist ein aktuelles regulatorisches Thema, und die AVM-Regel von 2024 nimmt es ausdrücklich ins Visier. Für Immobilienprofis ist „der Algorithmus war's“ keine juristische Verteidigung.

Der entstehende Workflow. Das praktische Modell sieht 2026 so aus:

• Das AVM bepreist die Routinefälle mit hoher Konfidenz sofort.
• Konfidenzintervalle markieren die unsicheren Fälle.
• Menschliche Gutachter konzentrieren sich auf die schwierigen, hochwertigen oder ungewöhnlichen Objekte.
• Hybride Gutachten teilen die Arbeit: Ein lokaler Inspektor erhebt Daten, ein zertifizierter Gutachter zeichnet aus der Ferne ab.

Gutachter, die die Modelle verstehen, werden sie beaufsichtigen. Wer sein Handwerk für immun gegen Automatisierung hält, steht unter dem größten Druck.

Was Profis aus Zillow mitnehmen sollten

Zillows Scheitern war kein isoliertes Data-Science-Versagen. Es war ein geschäftliches Versagen: einem Punktschätzer Kapital anzuvertrauen, das Intervall zu ignorieren und die strukturelle Verzerrung zu unterschätzen, die entsteht, wenn man Häuser auf Basis seines eigenen Modells kauft.

Die übertragbare Lehre für alle in der Immobilienbranche: Wenn ein Anbieter Ihnen ein AVM verkauft, stellen Sie zwei Fragen. Wie breit ist das Konfidenzintervall bei meiner Art von Objekt? Und was passiert mit diesem Intervall, wenn der Markt sich bewegt?

Key Takeaways

• AVMs ruhen auf drei Säulen: Vergleichsverkäufe, hedonische Merkmale (die bepreisten Attribute eines Hauses) und räumliche Daten. Jede hat ihren eigenen Fehlermodus.
• Das Konfidenzintervall zählt mehr als der Punktschätzer. Dünne Märkte, Regimewechsel und unbeobachteter Zustand vergrößern die reale Unsicherheit, auch wenn das Modell Sicherheit meldet.
• iBuying steht vor adverse selection: Sie kaufen überproportional die Häuser, die Ihr Modell zu hoch bepreist, eine strukturelle Falle, die zu den Verlusten von Zillow Offers beitrug.
• AVMs arbeiten heute unter Regulierung. Die 2024 in den USA verabschiedeten Regeln verlangen Qualitätskontrolle und Schutz gegen Diskriminierung, und historische Verzerrungen in Daten sind ein echtes Fair-Lending-Risiko.
• Die Zukunft ist Augmentierung. AVMs übernehmen Routinebewertungen; erfahrene Gutachter übernehmen die schwierigen Fälle und beaufsichtigen die Modelle.