Wie aus Daten mundgerechtes Wissen entsteht

Lars Eickhoff

How to make Data smart?

Das Thema mit den “smarten Daten” ist mittlerweile ein mindestens genauso großes Buzzword wie das große Geschwisterchen: “Big-Data”.

Worum geht es hier? In der heutigen Welt treffen wir jeden Tag Entscheidungen, die enorme Auswirkungen haben können. Insbesondere in der Immobilienbranche werden fast täglich langfristige Entscheidungen für komplexe Probleme getroffen. Keine Entscheidung ohne die richtige Entscheidungsgrundlage – die Zeiten von guten Entscheidungen, die ausschließlich mit dem Bauch getroffen werden, sind sicherlich vorbei.

Während es sich bei dem Begriff „Big Data“ ganz vereinfacht gesagt um eine riesige Ansammlung an oft unstrukturierten Daten handelt, wird durch minutiöses validieren, aufbereiten, analysieren und interpretieren aus “Big Data” “Smart Data”.

Um also in der heutigen Zeit schnelle und dennoch hoch präzise Entscheidungen zu treffen, ist nicht mehr unbedingt die “Größe des Bauches” entscheidend, sondern der Einsatz und die Verfügbarkeit von smarten Daten – das ist sogar vielmals unabdingbar.

In diesem Beitrag wollen wir keinen Fachbeitrag für “Senior Data Scientists” schreiben, sondern auf “deutscher Sprache” das Konzept und den Prozess hinter Smart Data mit einem interessanten und vereinfachten Beispiel veranschaulichen.

Daten, Daten, Daten?

Dass Daten tatsächlich das neue Gold sind, sollte im Jahr 2022 also für Niemanden mehr etwas Neues sein. Wichtig zu wissen ist hierbei allerdings, dass das saloppe Wort Daten alles andere als einfach anzufassen ist. Neben der offensichtlichen Tatsache, dass Daten im Gegensatz zu Gold nicht als ein identischer Gegenstand handelbar sind, sondern absolut vielschichtig sind, gibt es noch eine andere Besonderheit. Viel mehr als sonst geht es bei den Daten in erster Linie nicht darum, dass man sie besitzt, sondern um das, was man aus den Daten macht (siehe Facebook pre- und post IPO). Es ist nämlich so, dass Daten in den meisten Fällen erst dann einen konsumierbaren und meistens finanziellen Mehrwert darstellen, wenn aus diesen Wissen generiert wurde, bzw. sie eben “smart” gemacht wurden und so eine neue Dimension an Aussagekraft erhalten.

Nehmen wir einmal an, dass wir als Immobilienprofis über die Naherholungsqualitäten der schönen Stadt Schwerin bescheid wissen – nicht nur aufgrund des beeindruckenden Schweriner Sees. Stellen wir darauf aufbauend die These auf, dass die schöne Stadt Schwerin ein Paradies für Senioren ist. So könnten wir zum Beispiel für ein zukünftiges Projekt analysieren, ob denn auch tatsächlich viele Senioren in Schwerin leben.

Ignorieren wir für die Einfachheit des Beispiels die Tatsache, dass eine eventuell große Anzahl an Senioren in Schwerin noch nicht bedeutet, dass die Stadt auch tatsächlich ein Paradies für Senioren ist. Hierzu kommen wir in einem Folgebeitrag – Stay Tuned.

Wie geht es los mit den smarten Daten?

Der allererste Schritt bei einer solchen Datenanalyse ist sicherlich mehr als einleuchtend – wir benötigen die richtigen Rohdaten. Das Wort “richtig” beinhaltet hier eine essenzielle Reihe an Aspekten. Zunächst muss sichergestellt werden, dass die Daten, die für unsere darauf aufbauende Analyse verwendet werden, absolut vertrauenswürdig sind. Ohne die richtige Datenqualität ist jedes abgeleitete Analyseergebnis quasi irrelevant. In unserem Fall benötigen wir nun für die Analyse zunächst Daten darüber, wie viele Menschen in Schwerin leben, und insbesondere in welchen Altersklassen.

Um die Daten in einen Kontext zu setzen, der uns später ermöglicht, auf einfachste Weise Wissen zu unserer Ausgangsfragestellung zu erlangen, benötigen wir weitere Daten. Wir müssen die Daten aus Schwerin beispielsweise mit Zahlen aus den wichtigsten deutschen Immobilienstandorten, den A,B,C und D Städten vergleichen.

Einmal übersetzen bitte: R und Python auf Deutsch

Nach dem erfolgreichen Beschaffen der Rohdaten wissen wir nun beispielsweise, dass im Jahr 2020 in Schwerin von ca. 95.000 Einwohnern etwas über 25.000 Einwohner älter als 65 Jahre sind.

Es liegt nun also an uns, aus der vorhandenen Datenbasis Informationen zu extrahieren. Um eine Vergleichbarkeit der Daten untereinander zu schaffen, sollten die Daten in ein Verhältnis zueinander gesetzt werden. Aus dem vorher genannten Datenpunkt wird so nun ein “Senioren-Anteil” von 26,4% in Schwerin im Jahr 2020.

Außer mit einer sehr gesunden Menge Bauchgefühl, können wir mit diesen Informationen so aber noch nichts anfangen, da wir die 26,4% in keinen Kontext setzen können – beispielsweise um zu verstehen, ob dies ein hoher oder geringer Anteil ist. Daher vergleichen wir nun die Informationen beispielsweise mit dem durchschnittlichen Anteil an Senioren in den deutschen A,B,C und D Städten.

Schöne bunte Bilder?

Die Tatsache, dass wir nun Daten in einen Kontext gebracht haben, ist aber ebenso wie die Beschaffung von den richtigen, vertrauenswürdigen Rohdaten noch nicht ausreichend und ermöglicht es auch noch nicht, schnelle und “smarte” Erkenntnisse zu gewinnen.

Um wirklich innerhalb von Sekundenbruchteilen relevantes Wissen aufzubauen, ist es unabdingbar, die neu gewonnenen Informationen entsprechend zu visualisieren. Betrachten wir nun Abbildung 1, so können wir sofort auf einen Blick ableiten, dass in Schwerin, als D-Stadt, tatsächlich ein überdurchschnittlich hoher Anteil an Senioren lebt. Mit 26,4% liegt Schwerin hierbei auf Platz 15 unter den 128 ABCD Städten in Deutschland. Spitzenreiter, ebenfalls in die Grafik eingeblendet, ist die thüringische Stadt Suhl.

Wenn wir dieselbe Visualisierung für die historische Entwicklung des Anteils an Senioren anwenden, erkennen wir sogar, dass sich der Anteil der Senioren in Schwerin in den vergangenen 5 Jahren deutlich überdurchschnittlich entwickelt hat. Mit 10,4% Wachstum liegt Schwerin hier auf Platz 6 von 128 ABCD Städten und auch deutlich über dem deutschen Schnitt.

Die korrekte, präzise aber auch einfache Visualisierung ermöglicht es also, quasi jedem Leser, auf Basis von nun “smarten” Daten sehr schnell neues Wissen zu gewinnen und so in kürzester Zeit verbesserte Entscheidungen, beispielsweise für oder gegen ein Investmentobjekt, zu treffen.

Durch fundierte und transparente Standortanalysen verschaffen wir unseren Kunden gleichzeitig Zeit & Vertrauen im operativen Geschäft. Unser Ziel ist es, aus präzisesten Daten direkt relevante und konsumierbare Insights zu generieren.

Durch fundierte und transparente Standortanalysen verschaffen wir unseren Kunden gleichzeitig Zeit & Vertrauen im operativen Geschäft. Unser Ziel ist es, aus präzisesten Daten direkt relevante und konsumierbare Insights zu generieren.

Wie läuft das in der Praxis?

Wie wenden wir den Einsatz von Smart Data in der Praxis an? Wir haben gelernt, dass das simple Betrachten von Rohdaten genauso wenig bringt wie das Errechnen von interessanten Zahlen, oder das Zeigen von spannenden Grafiken.

Um den praktischen Mehrwert von Smart-Data sicherzustellen, müssen stets alle drei Aspekte des Prozesses – sammeln und aufbereiten, analysieren und visualisieren der Daten – ausgeführt werden. Bei DeepImmo bieten wir unseren Kunden mit der Lage-Analyse genau diesen Wissenstransfer. Transparente End-to-End Informationen können direkt konsumiert und als Wissen weitergegeben werden.

Fazit

Auch wenn in diesem Beitrag ein wirklich simples Beispiel für den Prozess, aus Rohdaten “smarte” Daten zu erschaffen, abgebildet wurde, gibt es einen guten Eindruck über die notwendigen Schritte.

Gerade in der Immobilienbranche kennen wir das Zitat: “Zeit = Geld” nur zu gut. Präzises Wissen, das an den entscheidenden Stellen einen deutlichen Wettbewerbsvorteil verschaffen kann, gilt es nicht nur in mühseliger Kleinarbeit zu erheben und zu errechnen, sondern innerhalb von Sekundenbruchteilen verwendungsfertig vorzuhalten.

Als PropTech Unternehmen beschäftigen wir uns seit Jahren mit dem Thema Smart Data im Rahmen eines weiteren, die Branche beschreibenden Spruches – der “Lage, Lage, Lage”. Gerade bei der Analyse und dem Verständnis von Standorten ist der Prozess von Rohdaten zu “smarten” Daten ein besonders komplexer.

Seit der Gründung von DeepImmo erkennen wir aus Feedback-Gesprächen einen enormen Mehrwert für eine Vielzahl von Stakeholdern, die mit Hilfe von durch Smart Data professionalisierten Lageanalysen interne Prozesse deutlich optimieren und jede Menge Zeit für ihr operatives Kerngeschäft gewinnen konnten – es entsteht eine Win-Win Situation.

Deshalb verfolgen wir als PropTech StartUp ein klares Ziel: einen digitalen Ort für transparente Informationen zu erschaffen, der als Basis für eine fundierte Entscheidungsgrundlage den Immobilienmarkt nachhaltig verändern wird.

Über den Autor

Lars Eickhoff

Co-Founder DeepImmo

Lars Eickhoff ist Co-Founder von DeepImmo. Über eine digitale Plattform ermöglicht das Prop-Tech Unternehmen die bundesweite Analyse von Immobilienstandorten. DeepImmo fokussiert sich insbesondere auf Smart-Data Prozesse zur Aufbereitung komplexer Datenpunkte für eine praxisrelevante und intuitive Anwendbarkeit.
Mit theoretischem und praktischem Background in der Transaktionsberatung für Immobilien, bringt Lars hierbei jede Menge fachliche Erfahrung zum Thema mit und verbindet seine Leidenschaft für Daten und Immobilien nun bei DeepImmo.