Der Aufstieg von Data Science und der Einsatz von KI, der es Data Scientists ermöglicht hat, komplexe Herausforderungen zu lösen, ist weitgehend auf die folgenden drei Faktoren zurückzuführen:
- Leichter Zugang zu großen Daten aus dem elektronischen Handel, Unternehmen, Behörden, der Wissenschaft, Wearables und sozialen Medien.
- Die Verbesserung von Algorithmen des maschinellen Lernens (ML) ist eine Folge der großen Menge an verfügbaren Daten.
- Höhere Rechenleistung und die Zunahme von Cloud-basierten Diensten, die die Ausführung anspruchsvoller maschineller Lernalgorithmen erleichtern.
Data Scientists nutzen verschiedene Formen der künstlichen Intelligenz, um Datenerkenntnisse mit wertvollen Ergebnissen zu verbinden, die zuvor nicht möglich waren.
Herausforderung
Schaffung eines Verständnisses optimaler Nachbarschaftsprofile als Grundlage für die städtische CRE-Strategie, Portfoliomanagement und Entwicklung
Lösung
Im Rahmen eines Forschungsprojekts wurde ein Verfahren entwickelt, mit dem auf Basis des sozioökonomischen Panels (breite Kriterien wie Haushaltszusammensetzung, Beschäftigung, Beruf, Einkommen, Gesundheit und Zufriedenheitsindikatoren) optimale Quartiersprofile beliebiger Bevölkerungsgruppen berechnet werden können. Die Quartiersprofile basieren ausschließlich auf baulichen und sozial-infrastrukturellen Merkmalen. Die Wohnstandortanforderungen der einzelnen befragten Haushalte wurden so gruppiert, dass Haushalte mit einem ähnlichen Anforderungsprofil für ein Quartier entsprechend zusammengefasst werden konnten. Die so berechneten Profile können auch mit den vorgegebenen Nachbarschaftsprofilen eines beliebigen städtischen Wohnstandortes verglichen und die prozentuale Abweichung von den optimalen Anforderungsprofilen der Bevölkerungsgruppen aufgezeigt werden.
Ergebnis
Die Ergebnisse der Analyse zeigen, dass eine Population anhand der Meso-Umgebung in Bezug auf die Kombination von Infrastrukturmerkmalen gut getrennt werden kann.
Damit entfällt die Notwendigkeit komplexer Erhebungen in einem Umfang, wie sie heute noch praktiziert werden. Auch kann die Anzahl der Datenquellen auf Adressdaten der Infrastrukturmerkmale sowie Geodaten z.B. von OpenStreetMap reduziert werden. Damit ist eine teure Datenbeschaffung nicht mehr unbedingt notwendig.
Data Science-Anwendung
Für die Analyse wurden Algorithmen aus einer Vielzahl von Disziplinen herangezogen. So basiert beispielsweise die Präferenzanalyse auf einer Kombination aus Einzelwertzerlegung, zweigliedriger Netzwerkanalyse und maschinellem Lernen in R. Für die Identifizierung von Standorten im Raum wurden geoinformatische Algorithmen wie der „kürzeste Pfadbaum“ sowie Fuzzy-Algorithmen in R und C++ verwendet.
Die aus dem Modell gewonnenen Erkenntnisse sind vielfältig anwendbar
Es ist möglich, das Modell der optimalen Nachbarschaftsprofile so anzupassen, dass auch die optimale Mietspanne und die Kauf-/Verkaufsbewertung berücksichtigt werden.
Die Entwicklung maßgeschneiderter, unternehmensinterner Modelle ermöglicht die Skalierung bestehender Geschäftskonfigurationen sowie die Erforschung und Unterstützung der Entwicklung neuer Geschäftsmodelle.
Bereit für die Zusammenarbeit?
Lösen Sie komplexe Probleme mit Data Science und KI. Treffen Sie Entscheidungen auf der Grundlage von Fakten, nicht von Instinkten, um einen nachhaltigen Vorteil zu erzielen.
Erfahrungsbericht
Kenneth Schmidt: Dominik ist eine visionäre Führungspersönlichkeit und ein Experte für die Entwicklung innovativer Analyseinstrumente, die dazu beitragen können, die sozialen Probleme unserer städtischen Umwelt anzugehen. Er ist energisch und motiviert. Die Zusammenarbeit mit ihm hat mir sehr viel Spaß gemacht.