Bild: pixabay, kein Bildnachweis erforderlich
Immer mehr Asset Managern stellt sich die Frage, welche neuen Potenziale der Einsatz von Machine Learning und Künstlicher Intelligenz ihnen in ihrer täglichen Arbeit eröffnet. Dabei geht es vor allem um die Herausforderung, wie sich Prozesse durch ein intelligentes Daten- und Dokumentenmanagement optimieren lassen.
Betreuung von Immobilien erzeugt gewaltige Menge an Dokumenten
Zu den zentralen Aufgaben des Asset Managements zählen die Projektplanung, die Projektsteuerung, das Reporting und die Betreuung der Bestandsmietern. Neben diesen Aufgaben ist der Asset Manager maßgeblich an der Optimierung von Erträgen und Kosten der Immobilien verantwortlich. Damit fallen in seinen Aufgabenbereich nicht nur das Immobilienmanagement, sondern auch die Verwaltung aller Dokumente und Daten sowie die Datensicherheit. Der Ressourcenaufwand in diesem Aufgabenbereich ist sehr viel höher, als es den meisten Menschen bewusst ist.
Gut lässt sich dies anhand eines Rechenbeispiels veranschaulichen. Gehen wir davon aus, dass eine Immobilie am Tag durchschnittlich 40 Dokumente erzeugt. Bei einem Bestand von 500 Objekten, macht dies bereits eine Menge von 20.000 Dokumenten täglich. Man kann sich leicht vorstellen, dass die Sichtung und Integration der darin enthaltenen Daten einen erheblichen Zeitaufwand nach sich zieht. Viele Mitarbeiter von Immobilienunternehmen haben also erst einmal gar keine Zeit, sich mit den entsprechenden Objekten vertraut zu machen, sondern müssen zunächst eine Unmenge an Daten in ihre Systeme integrieren.
Intelligentes Dokumenten- und Datenmanagement für starke Performance unverzichtbar
Hinzu kommt, dass die riesige Masse an Dokumenten unsystematisch abgelegt und mit einer unüberschaubaren Menge an Duplikaten und irrelevanten Daten durchsetzt ist. Bereits heute leistet Machine Learning hier einen großen Beitrag, Dokumente zu analysieren und zu kategorisieren. So kann etwa das System sofort erkennen, ob es sich bei einem Dokument um einen Mietvertrag oder um ein Wartungsprotokoll handelt, und es entsprechend ablegen. Mit Methoden wie dem Supervised Learning erreichen moderne Software-Lösungen bereits Genauigkeitsdaten von 90 Prozent und mehr.
Neben der reinen Zeitersparnis bietet die automatisierte Erfassung noch zahlreiche weitere Vorteile. So können einmal erkannte Dokumente in weiteren automatischen Arbeitsschritten auch benannt, datiert, richtig sortiert und in Hinblick auf Redundanzen und fehlende Informationen untersucht werden – und das rund um die Uhr bei einer sehr geringen Fehlerquote. Wenn Mitarbeiter Dokumente zu bestimmten Immobilien benötigen, können sie diese über eine zentrale Plattform abrufen und sie dort bearbeiten. Dabei stehen sie auch allen Stakeholdern jederzeit in Echtzeit zur Verfügung.
Extraktion von Inhalten als zentrale Herausforderung der Zukunft
Ist die Klassifikation von Dokumenten bereits ein anspruchsvoller Schritt, gestaltet sich das Auslesen von Inhalten aus Dokumenten noch einmal deutlich komplexer – etwa, wenn Daten aus Reportings, die kurzfristig von Stakeholdern angefordert werden, auch digital zur Verfügung stehen sollen. In der Praxis ist es oft so, dass die Daten aus Excel-Tabellen und vielen anderen Quellen zusammengestellt werden, wobei es schnell zu Fehlern kommen kann. Hier sind intelligente Datenraumlösungen gefragt, die alle Daten zu einer Immobilie auf einer zentralen Plattform ablegen. So kann der Asset Manager zum Beispiel auf einen Blick auf Mieterlisten, Standortfaktoren und andere Informationen zugreifen.
Optimiertes Vertragsmanagement wird immer wichtiger
Während der Haltedauer werden die Erträge von Immobilien über bestehende Mietverträge sichergestellt. Ihre Qualität hat dabei einen zum Teil erheblichen Einfluss auf den erzielbaren Verkaufspreis. Deshalb zählt das Management von Verträgen zu den wichtigsten Aufgaben im Asset Management. Da ist es ein unschätzbarer Vorteil, wenn der Asset Manager auf ein System zugreifen kann, über das er unkompliziert auf Vertragslaufzeiten und Konditionen zugreifen kann, sodass er frühzeitig in Verhandlungen mit Mietern treten kann, wenn das erforderlich ist.
Hierbei ist es von Vorteil, wenn die Daten möglichst schnell in den Datenraum übertragen werden und nicht nur als Bestands-, sondern als Transaktionsdaten betrachtet werden können. So wird der gesamte Management-Zyklus deutlich ganzheitlicher und präziser abgebildet.
Die Unterschiede zwischen KI und Machine Learning
Geht es um die Digitalisierung in der Immobilienwirtschaft, ist oft von den Begriffen Künstliche Intelligenz und Machine Learning die Rede. Will man sich ein klares Bild von der aktuellen Situation machen, sollte man beide Begriffe zunächst präzise abgrenzen. Unter Künstlicher Intelligenz wird gemeinhin der Versuch verstanden, die menschliche Intelligenz so gut wie möglich mit digitalen Mitteln abzubilden. Machine Learning auf der anderen Seite kann man sich als eine Methode vorstellen, Künstliche Intelligenz zu erreichen. Wenn eine Maschine lernt, erzeugt sie Wissen aus Erfahrungswerten. Dabei geht es aber nicht nur darum, dass Beispieldaten herangezogen und Regeln programmiert werden. Vielmehr soll die Maschine in die Lage versetzt werden, Gesetzmäßigkeiten und Muster selbst zu erkennen und auf dieser Grundlage auch unbekannte Daten beurteilen zu können. Eine wichtige Grundlage dabei sind Algorithmen, also Regeln, die die Grundlage bei Berechnungen bilden.
Grundsätzlich unterscheidet man zwischen zwei Arten maschinellen Lernens: Überwachtes Lernen (Supervised Learning) und Unüberwachtes Lernen (Unsupervised Learning). Bei ersterem geht es darum, einmal gelerntes Wissen auf neue Daten anzuwenden. Die Maschine wird dabei mit Daten und Gesetzmäßigkeiten gefüttert, die sie anschließend auf Daten anwendet. Bei der zweiten Variante sollen versteckte Strukturen in großen heterogenen Datenmengen gefunden werden, die das menschliche Auge nicht entdecken kann. Vor allem diese zweite Variante wird im modernen Asset Management immer mehr an Bedeutung gewinnen und erhebliche Optimierungspotenziale eröffnen.
Neueste Kommentare