This dissertation by Bastian Krämer explores the transformative potential of machine learning and explainable artificial intelligence in enhancing residential property valuation. The traditional property valuation process, largely dependent on human expertise, faces challenges like subjectivity, bias, and inefficiency. The dissertation proposes machine learning models as innovative solutions capable of processing vast data, identifying complex patterns, and providing fast, reliable valuations. However, the transition from theoretical machine learning models to practical real estate applications is slow, primarily due to the opacity of these 'black box' models. Enter explainable artificial intelligence, which demystifies the internal workings of machine learning algorithms, promoting transparency and trust. The dissertation identifies key areas for improvement in machine learning-based valuations, such as refining algorithms and integrating new data sources to enhance accuracy. It also highlights the untapped potential in location analysis, an area still reliant on subjective judgments, suggesting that machine learning could significantly contribute here. This work bridges academic research with practical applications, offering new methods and insights for future real estate research and practice.

Diese Dissertation von Bastian Krämer untersucht das transformative Potenzial von maschinellem Lernen und erklärbarer künstlicher Intelligenz bei der Verbesserung der Bewertung von Wohnimmobilien. Der traditionelle Prozess der Immobilienbewertung, der größtenteils von menschlichem Fachwissen abhängt, sieht sich Herausforderungen wie Subjektivität und Ineffizienz gegenüber. Die Dissertation schlägt maschinelle Lernmodelle als innovative Lösungen vor, die in der Lage sind, umfangreiche Daten zu verarbeiten, komplexe Muster zu identifizieren und schnelle, zuverlässige Bewertungen zu liefern. Der Übergang von theoretischen Modellen des maschinellen Lernens zu praktischen Anwendungen in der Immobilienbranche stockt, hauptsächlich aufgrund der Intransparenz dieser 'Black Box'-Modelle. Hier kommen die Methoden der erklärbaren künstlichen Intelligenz ins Spiel, die die internen Funktionsweisen von Algorithmen des maschinellen Lernens entmystifiziert und Transparenz und Vertrauen fördert. Die Dissertation identifiziert Schlüsselbereiche für Verbesserungen bei auf maschinellem Lernen basierenden Bewertungen, wie die Verfeinerung von Algorithmen und die Integration neuer Datenquellen zur Steigerung der Genauigkeit. Sie hebt auch das ungenutzte Potenzial in der Standortanalyse hervor, einem Bereich, der immer noch von subjektiven Urteilen abhängig ist und in dem maschinelles Lernen einen bedeutenden Beitrag leisten könnte. Diese Arbeit überbrückt die Kluft zwischen akademischer Forschung und praktischen Anwendungen und bietet neue Methoden und Erkenntnisse für die zukünftige Forschung und Praxis im Immobilienbereich.