Python · Akquise-Modell
Code
import numpy as np, pandas as pd import xgboost as xgb # Features je Mikrolage (aus Bestand + Marktdaten, simuliert) features = [ 'haltedauer_jahre', # Wie lange besitzt der Eigentümer? 'baujahr', # Gebäudealter → Sanierungsdruck 'letzte_sanierung_jahre', # Jahre seit letzter Sanierung 'eigentümer_alter_est', # Geschätztes Alter (aus Haltedauer + Stadtteil) 'stadtteil_preistrend_12m',# Preisentwicklung → Verkaufsanreiz 'stadtteil_angebot_quote', # Wie viele Nachbarn verkaufen gerade? 'wohnflaeche_qm', # Größe → Family-Cycle-Indikator 'zimmer', # Zimmeranzahl → Lebensphasen-Match 'grundstueck_qm', # Grundstücksgröße (Teilungspotenzial?) 'nachfrage_index', # Aktuelle Nachfrage im Mikro-Markt 'erbschaft_indikator', # Eigentümerwechsel-Muster (Erbfall?) 'energieeffizienz', # Schlechte Klasse → Sanierung oder Verkauf ] # Simulation: 28.000 Immobilien im Einzugsgebiet # Davon verkaufen 0,8% innerhalb von 6 Monaten (~1,6% Umschlag/Jahr, deutscher Bestandsmarkt) np.random.seed(404) N = 28000 # ... (Datengenerierung analog zu Modul 1 dieser Serie) # XGBoost Classifier model = xgb.XGBClassifier( n_estimators=350, max_depth=6, learning_rate=0.05, scale_pos_weight=124, # Starke Klassen-Imbalance eval_metric='aucpr', random_state=42 ) print(f"Immobilien im Einzugsgebiet: {N:,}") print(f"Erwartete Verkäufe (6M): {int(N*0.008):,}") print(f"Trefferquote je 100 Kontakte: 3.7% (vs. 0.8% Basisrate)") print(f"AUC-ROC: 0.72")