Nachfrageprognose und dynamisches Pricing in Immobilienmärkten

# Nachfrageprognose und dynamisches Pricing in Immobilienmärkten

Bei großen Betreibern von Mehrfamilienobjekten werden Mieten nicht einmal im Jahr von einem Leasing-Manager mit einem Spreadsheet festgelegt. Sie werden jede Nacht neu berechnet. Software zieht die Leasing-Aktivität von gestern, die Angebotsmieten der Wettbewerber und die Anzahl der im kommenden Monat auslaufenden Mietverträge ein und empfiehlt dann einen neuen Preis für jeden verfügbaren Grundriss. Eine Zweizimmerwohnung zum Innenhof steigt vielleicht um 1,2 Prozent, während eine identische Wohnung zum Parkplatz um 0,8 Prozent fällt. Das ist Revenue Management, und es gehört zu den am weitesten entwickelten KI-Anwendungen in der Immobilienbranche.

Unternehmen wie AvalonBay und andere große REITs (Real Estate Investment Trusts, börsennotierte Firmen, die ertragsbringende Immobilien besitzen) nutzen Revenue-Management-Plattformen seit Jahren. Die Mathematik ist direkt davon abgeleitet, wie Airlines und Hotels verderbliches Inventar bepreisen. Eine heute Nacht leere Wohnung ist Umsatz, den Sie nie zurückholen 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, genau wie ein leerer Sitzplatz im Flugzeug.

Warum Miete ein verderbliches Gut ist

Der Kerngedanke: Eine leerstehende Wohnung verdient null, und dieser Verlust ist dauerhaft. Die Preisfrage lautet deshalb nie nur „was ist diese Wohnung wert?“ Sie lautet „welcher Preis füllt sie schnell genug, ohne Geld liegen zu lassen?“

Für diesen Tradeoff gibt es einen Begriff: Absorption. Absorption ist die Rate, mit der verfügbare Wohnungen in einem Zeitraum vermietet werden. Wenn Sie 40 leere Wohnungen haben und 10 pro Woche vermieten, impliziert Ihre Absorptionsrate einen Runway von etwa vier Wochen.

Pricing verändert die Absorption. Senken Sie die Miete, vermieten sich Wohnungen schneller (höhere Absorption, niedrigere Miete pro Wohnung). Erhöhen Sie die Miete, geht es langsamer. Die Aufgabe des Modells ist, den Preis zu finden, der den Gesamtumsatz über die Zeit maximiert, unter Berücksichtigung der Leerstandsdauer und der 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 →ünftigen Nachfrage.

Die Perspektive Umsatz pro verfügbarer Einheit

Hotels verfolgen RevPAR (revenue per available room). Betreiber von Mehrfamilienobjekten denken ähnlich: Umsatz pro verfügbarer Einheit über das gesamte Objekt. Ein Modell, das Mieten zu hoch treibt, gewinnt bei der Schlagzeilenmiete, verliert aber bei der Vermietungsquote, und der Gesamtumsatz sinkt. Das Optimierungsziel ist das Produkt, nicht der Preis allein.

Was das Nachfragemodell tatsächlich betrachtet

Eine Nachfrageprognose für ein einzelnes Objekt verbindet mehrere Signalkategorien.

Interne Pipeline-Signale

• Aktuelle Vermietungsquote und Anzahl der bevorstehenden Vertragsausläufe
• Traffic: Besichtigungen, Website-Besuche und Leads pro Woche
• Conversion RateConversion RateDer Anteil der Besucher oder Interessenten, die eine gewünschte Aktion abschließen (Kauf, Anmeldung, Kontaktformular), berechnet als Conversions geteilt durch die Gesamtzahl der Gelegenheiten.Vollständige Definition ansehen → von Lead zu abgeschlossenem Mietvertrag
• Verlängerungswahrscheinlichkeit bei bestehenden Mietern (Verlängerungen sind günstiger als Mieterwechsel)

Saisonalität

Die Vermietungsnachfrage ist in den meisten US-Märkten stark saisonal. Frühling und Sommer bringen deutlich mehr Umzüge; der Dezember ist schwach. Ein Modell, das das ignoriert, setzt im Januar zu hohe und im Juni zu niedrige Preise. Saisonalität ist meist das stärkste einzelne Muster in den Daten.

Submarkt-Signale

Ein Submarkt ist ein definierter geografischer Ausschnitt einer Metropolregion (zum Beispiel ein bestimmtes Set von Stadtteilen oder Postleitzahlgebieten). Zu den Signalen gehören lokales Beschäftigungswachstum, neues Angebot, das auf den Markt kommt (ein Wettbewerber, der in der Nähe 300 Einheiten fertigstellt, drückt Ihre Preissetzungsmacht), und vergleichbare Angebotsmieten.

Makro-Kontext

Zinsen, Erschwinglichkeit von Wohneigentum (wenn Kaufen teuer ist, mieten mehr Menschen) und regionale Migrationstrends.

Ein vereinfachtes Feature-Set

So sehen die tabellarischen Daten aus, die ein Pricing-Modell verarbeitet, eine Zeile pro Einheit pro Tag:

# Conceptual feature layout for a nightly repricing model
features = {
    "floor_plan": "2BR-B",
    "days_vacant": 14,
    "expirations_next_30d": 6,        # Angebotsdruck
    "weekly_leads": 22,               # Nachfragesignal
    "lead_to_lease_rate": 0.11,
    "comp_asking_rent": 2450,         # gescraptes Wettbewerber-Set
    "week_of_year": 24,               # Saisonalität
    "submarket_new_supply_90d": 180,  # Einheiten, die in der Nähe fertig werden
}
# Das Modell prognostiziert die Absorptionswahrscheinlichkeit bei Kandidatenpreisen
# und wählt dann den Preis, der den erwarteten Umsatz über den Horizont maximiert.

Beachten Sie, was hier NICHT steht: der Name des Mieters, demografische Daten oder irgendetwas, das ein Diskriminierungsrisiko einbringen 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 →önnte. Dieser Ausschluss ist bewusst gesetzt, und wir kommen darauf zurück, warum.

Von der Prognose zur Preisempfehlung

Die Prognose schätzt die Nachfrage. Die Pricing-Engine macht daraus eine Zahl.

Ein verbreiteter Ansatz: Für jeden Kandidatenpreis schätzt das Modell die Wahrscheinlichkeit, dass die Einheit innerhalb eines Zielfensters vermietet wird. Multiplizieren Sie die erwartete Vermietungsquote mit der Miete über einen Zeithorizont, und Sie erhalten den erwarteten Umsatz für jeden Preis. Wählen Sie den Preis, der ihn maximiert.

In der Praxis legen Betreiber Geschäftsregeln über das Modell:

• Unter- und Obergrenzen, damit die Empfehlungen vernünftig bleiben
• Maximale Tagesveränderung (keine 15-Prozent-Sprünge über Nacht, die Interessenten verärgern)
• Verlängerungsrabatte, um gute Mieter zu halten und Wechselkosten zu vermeiden (Leerstand plus Instandsetzung plus neue Vermittlungsprovision 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 leicht mehr als eine Monatsmiete kosten)

Der Mensch gibt weiterhin frei. Die meisten Systeme empfehlen; ein Revenue Manager prüft die Ausnahmen. Vollständiger Autopilot ist selten, weil ein fehlerhafter Feed (ein Wettbewerber, der versehentlich eine Einheit zum halben Preis listet) das Modell vergiften kann.

🎬 [VIDEO: "How Revenue Management Works in Multifamily" - youtube.com - eine verständliche Einführung in automatisiertes Mietpricing für Apartments]

Das Antitrust-Problem bei RealPage

Man kann dieses Thema 2026 nicht ehrlich vermitteln, ohne den rechtlichen Kontext. RealPage, der dominierende Revenue-Management-Anbieter, wurde Gegenstand einer Antitrust-Klage des US-Justizministeriums, in der behauptet wird, die Software habe Vermietern geholfen, Mieten zu koordinieren, indem nicht öffentliche Daten von Wettbewerbern zusammengeführt wurden. Mehrere Städte und Bundesstaaten haben Beschränkungen für algorithmische Mietpreissoftware erlassen oder vorgeschlagen.

Die rechtliche Frage lautet nicht „ist dynamisches Pricing schlecht?“ Sie ist enger gefasst: Funktioniert Software, die private Daten von Wettbewerbern einzieht und viele Vermieter zu ähnlichen Preisen lenkt, als Koordinationsmechanismus? Die Nutzung öffentlicher Angebotsmieten ist Standardpraxis. Das Teilen vertraulicher 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 →ünftiger Preise zwischen Wettbewerbern ist der Punkt, auf den Regulierer schauen.

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 Fall über die öffentlichen Fallunterlagen der DOJ Antitrust Division verfolgen. Die Lehre für Betreiber: Wissen Sie, welche Daten Ihr Anbieter nutzt und ob sie öffentlich oder vertraulich geteilt sind.

Fair Housing und die Diskriminierungsfalle

Der US Fair Housing Act verbietet Diskriminierung beim Wohnen auf Basis geschützter Merkmale (Ethnie, nationale Herkunft, Familienstatus, Behinderung und andere). Ein Pricing-Modell, das Postleitzahlen oder andere Proxys nutzt, kann disparate impact erzeugen: eine neutral erscheinende Variable, die mit einer geschützten Gruppe korreliert und diskriminierende Ergebnisse produziert.

Deshalb schließen seriöse Betreiber demografische Features aus und prüfen Modelle auf Proxy-Effekte. „Der Algorithmus war es“ ist keine rechtliche Verteidigung.

Intuition aufbauen: ein Rechenbeispiel

Stellen Sie sich ein Objekt mit 200 Einheiten vor. Es ist Ende Mai (Hochsaison, Woche 22). Sie haben 12 leere Zweizimmerwohnungen und 18 Vertragsausläufe in den nächsten 45 Tagen. Die Leads pro Woche sind mit 25 stark, die Conversion liegt bei 12 Prozent, Sie erwarten also etwa 3 Abschlüsse pro Woche aus diesem Traffic.

Die aktuelle Angebotsmiete beträgt 2.400 Dollar. Das Modell sieht starke saisonale Nachfrage und geringe Verfügbarkeit bei Wettbewerbern in der Nähe. Es schätzt, dass sich die Absorption bei 2.475 Dollar nur leicht verlangsamt (Sie vermieten weiterhin in etwa fünf Wochen), während Sie 75 Dollar mehr pro Einheit und Monat über einen Zwölfmonatsvertrag einnehmen.

Die Empfehlung: Anhebung auf 2.475. Der Revenue Manager prüft, dass kein Wettbewerber gerade einen großen Block an Einheiten in den Markt gegeben hat, und gibt frei.

Drehen Sie es nun auf Januar (Woche 3). Gleiches Objekt, aber die Leads fallen auf 10 pro Woche, und Sie haben weiterhin 12 leere Einheiten. Bei 2.400 zu bleiben heißt, dass Einheiten monatelang stehen, und jeder leere Monat kostet volle 2.400. Das Modell empfiehlt, auf 2.325 zu senken, um die Absorption zu beschleunigen. 75 Dollar pro Monat zu verlieren tut weniger weh als eine ganze Monatsmiete zu verlieren.

Diese Asymmetrie (Leerstandsverlust gegenüber Mietoptimierung) ist der Kern der Disziplin.

Wo diese Modelle brechen

Dünne Daten. Ein einzelnes kleines Objekt erzeugt nicht genug Abschlüsse, um ein robustes Modell zu trainieren. Anbieter bündeln Daten über viele Objekte, und genau das erzeugt die Antitrust-Aufmerksamkeit. Der Nutzen und das rechtliche Risiko haben dieselbe Wurzel.

Regimewechsel. Modelle, die auf stabilen Jahren trainiert wurden, versagen, wenn die Bedingungen kippen. Eine plötzliche Welle neuen Angebots, Entlassungen bei einem lokalen Arbeitgeber oder ein Zinsschock 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 historische Muster entwerten. Menschliche Aufsicht zählt genau dann am meisten, wenn das Modell am wenigsten zuverlässig ist.

Feedback-Loops. Wenn jeder Betreiber in einem Submarkt ähnliche Software nutzt, die ähnliche Signale liest, 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 Preise sich gemeinsam bewegen, auch ohne explizite Absprache. Regulierer und Forscher untersuchen aktiv, ob das allein schon Mieten erhöht.

Die wichtigsten Erkenntnisse

• Leerstand ist der Feind, nicht die niedrige Miete. Eine leere Einheit verliert dauerhaft die volle Miete, deshalb optimiert Pricing den Gesamtumsatz über die Zeit und wägt Miete gegen Absorptionsgeschwindigkeit ab.
• Saisonalität ist das stärkste Signal. Die Hochsaison der Vermietung trägt höhere Mieten; der Winter verlangt Rabatte, damit Einheiten in Bewegung bleiben. Jedes Modell, das das ignoriert, scheitert.
• Öffentliche Daten sind vertretbar; geteilte vertrauliche Daten nicht. Wissen Sie, ob Ihr Anbieter öffentliche Angebotsmieten oder gebündelte private Wettbewerberpreise nutzt, denn dieser Unterschied treibt das Antitrust-Risiko.
• Schließen Sie Proxys für geschützte Merkmale aus und prüfen Sie auf disparate impact. Das Fair-Housing-Recht gilt auch für Algorithmen, und „das Modell hat entschieden“ ist keine Verteidigung.
• Halten Sie einen Menschen in der Schleife. Modelle versagen am härtesten bei Regimewechseln und fehlerhaften Daten-Feeds, und genau dann zahlt sich eine Prüfebene aus.