Modellrechnung - fiktives Maklerbüro
Dieses Modul ist Teil einer sechsteiligen Modellrechnung über ein fiktives mittelgroßes Maklerbüro (32 Vertriebsmitarbeiter, 450 Transaktionen pro Jahr). Alle Zahlen, Datensätze, Modellmetriken und Euro-Beträge sind vollständig fiktiv - sie veranschaulichen die Methodik und die Art des erzielbaren Effekts. Es sind keine Ergebnisse realer Kunden und kein Leistungsversprechen. Welche Werte auf Ihren realen Daten erreichbar sind, zeigt erst ein Pilotprojekt.
01 Das Dilemma - Zu hoch verliert Zeit, zu niedrig verliert Geld
Warum jede Marktwertermittlung nur die halbe Antwort ist
Jeder Makler kann einen Marktwert schätzen. Aber die Frage des Eigentümers ist eine andere: "Zu welchem Preis soll ich anbieten?" Der Marktwert ist der wahrscheinliche Verkaufspreis - der Angebotspreis ist eine strategische Entscheidung. Zu hoch → Objekt steht, wird zum Ladenhüter, Preis wird gesenkt. Zu niedrig → schnell verkauft, aber Provision verschenkt.
Der optimale Angebotspreis hängt ab von: Wie dringend will der Eigentümer verkaufen? Wie ist die aktuelle Nachfrage? Wie viele vergleichbare Objekte sind am Markt? Das kann kein Mensch für den gesamten Bestand laufend optimieren - im Schnitt 3 bis 4 Objekte je Makler, über 32 Makler hinweg. Ein Modell schon.
+3% Angebotspreis über Optimum = je nach Lage +7 bis +20 Tage Vermarktung
Und am Ende wird er meist doch auf den optimalen Preis gesenkt - nur mit dem Stigma einer Preissenkung.
Marktwert-Basis
→
Nachfrage-Kontext
→
Preis-Dauer-Kurve
→
Optimaler Preis
→
Eigentümer-Beratung
02 Das Modell - Preis-Dauer-Kurve pro Mikrolage
Für jeden Stadtteil × Objekttyp eine individuelle Elastizitätskurve
import numpy as np
import xgboost as xgb
from scipy.optimize import minimize_scalar
# Für jedes Objekt: Simuliere Verkaufsdauer bei verschiedenen Preisen
# und finde den Preis, der die Provisionsrate maximiert
def provision_rate(preis_faktor, model, objekt_features, provision_satz=0.036):
"""
Berechnet: Provision / Vermarktungszeit = €/Tag
Ziel: Maximiere €/Tag → optimaler Preis
"""
features = objekt_features.copy()
features['preis_abweichung_%'] = (preis_faktor - 1.0) * 100
features['preis_ueber_10pct'] = int(preis_faktor > 1.10)
# Vorhergesagte Verkaufsdauer
tage = model.predict(features.values.reshape(1,-1))[0]
tage = max(14, tage)
# Erwarteter Verkaufspreis (Verhandlungsabschlag)
verhandlung = 0.97 if preis_faktor <= 1.05 else 0.94
verkaufspreis = objekt_features['marktwert'] * preis_faktor * verhandlung
provision = verkaufspreis * provision_satz
return provision / tage # €/Tag als Optimierungsziel
# Für jedes Objekt den optimalen Preis-Faktor finden
for obj in objekte:
result = minimize_scalar(
lambda f: -provision_rate(f, model, obj),
bounds=(0.92, 1.20), method='bounded'
)
obj['optimaler_faktor'] = result.x
obj['optimaler_preis'] = obj['marktwert'] * result.x
print(f"Ø Optimaler Aufschlag: {np.mean(opt_faktoren)*100-100:+.1f}%")
print(f"Spanne: {np.min(opt_faktoren)*100-100:+.1f}% bis {np.max(opt_faktoren)*100-100:+.1f}%")
▸ Output
Ø Optimaler Aufschlag: +3.2%
Spanne: -2.1% bis +8.4%
(Variiert stark nach Lage und Nachfrage)
Preis-Dauer-Kurve: Universitätsviertel ETW vs. Umland West EFH
↳ Zwei völlig verschiedene Märkte
Im Universitätsviertel (hohe Nachfrage) ist der optimale Aufschlag +5,8% - hier können Sie aggressiver einpreisen, weil die Nachfrage den höheren Preis trägt. Im Umland West (schwache Nachfrage) liegt das Optimum bei -1,2% unter Marktwert - schneller Verkauf ist hier wertvoller als der letzte Euro. Gleiches Modell, gegensätzliche Empfehlung.
Provision pro Tag (€/Tag) - Optimum vs. typische Praxis
↳ Das Preissenkungs-Paradox
12% aller Objekte erleben eine Preissenkung (ImmoScout24, 2023) - in unserem Modell-Büro mit 450 Transaktionen sind das 54 Preissenkungen pro Jahr. Der Schaden: Nicht nur die verlorene Zeit - das Objekt wird als "Ladenhüter" wahrgenommen, Käufer vermuten Mängel, und der finale Verkaufspreis liegt unter dem Preis, den eine korrekte Ersteinpreisung erzielt hätte. Das Modell vermeidet die Hälfte dieser Senkungen - 27 pro Jahr.
03 Business Impact - Mehr Provision in weniger Zeit
Die Doppelwirkung: Schnellere Verkäufe + höherer Netto-Erlös
Zusätzlicher Umsatz durch optimale Preisberatung
€89.200
Zusätzlicher Umsatz / Jahr
-50%
Weniger Preissenkungen
| Kategorie | Betrag/Jahr | Mechanismus |
|---|
| Vermiedene Preissenkungen | €75.600 | 27 vermiedene Senkungen à €2.800 (Annahme: Preis- + Zeitkosten) |
| Endpreis-Effekt | €13.600 | Korrekt eingepreiste Objekte verkaufen näher am Marktwert (KSK Köln: 99-100% statt 97%; Aufschlag für Verhandlungsposition: Annahme) |
↳ Der Beratungseffekt
Das Modell macht den Makler zum datengestützten Berater: "Ich verstehe, dass Sie €380.000 möchten. Unsere Analyse zeigt: Bei €380.000 rechnen wir mit 176 Tagen. Bei €365.000 sind es 54 Tage - und der Netto-Erlös nach Verhandlung ist nahezu identisch, weil Sie den Ladenhüter-Abschlag vermeiden." Das ist ein Gespräch, das Vertrauen aufbaut.