Leerstandsrisiko-Prognose für Gewerbeimmobilien

Das echte Ausmaß des Problems

Leerstehende Gewerbeflächen vernichten Wert auf mehreren Ebenen gleichzeitig: Es fehlt die Mieteinnahme, die Bewirtschaftungskosten laufen weiter, und je länger der Leerstand besteht, desto schlechter wird die Vermietbarkeit — weil Erstbezüge und gut gepflegte Übergaben schwieriger werden.

Eine Analyse von Avison Young (veröffentlicht im Immobilienmanager, Juni 2025) beziffert die theoretischen Opportunitätskosten leerstehender Büroflächen allein in den fünf größten deutschen Büromärkten — Berlin, Hamburg, Düsseldorf, Frankfurt und München — auf knapp 165 Millionen Euro pro Monat, hochgerechnet rund zwei Milliarden Euro pro Jahr. Dieser Wert hat sich gegenüber dem Vorkrisenjahr 2020 verdreifacht.

Die Leerstandsquote für Büroimmobilien im nationalen Durchschnitt lag im vierten Quartal 2024 bei 8,1 Prozent — gegenüber etwa 3,4 Prozent vor der Pandemie. In peripheren Lagen und bei älteren Bestandsgebäuden liegt sie deutlich höher. Auf dem Frankfurter Büromarkt notierte die Leerstandsquote Ende 2024 bei 10,0 Prozent, in Berlin bei 6,7 Prozent.

Für Einzelhandelsimmobilien ist die Lage strukturell noch herausfordernder: Laut JLL hat sich die Leerstandsquote in deutschen Shopping-Centern seit 2019 von etwa 4 Prozent auf rund 9 Prozent mehr als verdoppelt — getrieben vom anhaltenden Strukturwandel durch E-Commerce und veränderte Konsumgewohnheiten.

Was kostet ein konkreter Leerstand? Bei einer 300-Quadratmeter-Büroeinheit in einer Mittelstadt zu 15 Euro Nettomiete pro Quadratmeter sind das 4.500 Euro entgangene Miete pro Monat — zuzüglich der Bewirtschaftungskosten, die der Eigentümer weiter trägt. Über 12 Monate summiert sich das auf über 54.000 Euro, ohne Wiederherstellungs- und Vermarktungskosten. In einer Großstadt zu 25 Euro Spitzenmiete sind es bei gleicher Fläche über 90.000 Euro jährlich.

Dabei ist das eigentliche Problem nicht der Leerstand selbst — sondern der Zeitpunkt, zu dem Asset Manager von ihm erfahren. Die meisten erkennen das Risiko erst mit der Kündigung. Der optimale Handlungszeitpunkt — sechs bis zwölf Monate vor Mietende, wenn Verhandlungsmasse noch vorhanden ist — ist dann längst verstrichen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Vergleich zeigt den Kerngewinn: Nicht weniger Leerstand per se — sondern mehr Zeit zum Handeln, bevor Leerstand unvermeidlich wird. Die KI sagt nicht “dieser Mieter wird kündigen”. Sie sagt: “Dieser Mieter zeigt drei von fünf Risikomustern — das Mietauslaufgespräch sollte jetzt geführt werden, nicht in acht Monaten.”

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5)
Dieses System spart keine Zeit im klassischen Sinne — es verändert den Zeitpunkt und die Grundlage von Entscheidungen. Die Recherche zu einzelnen Mietern, die früher manuell und lückenhaft war, läuft jetzt automatisiert. Aber der Asset Manager verbringt nicht weniger Zeit mit seinem Portfolio — er verbringt sie an einer anderen Stelle: in proaktiven Gesprächen statt in Krisenreaktionen.

Kosteneinsparung — sehr hoch (5/5)
Das ist die klare Stärke dieses Anwendungsfalls. Ein vermiedener dreimonatiger Leerstand bei 300 Quadratmetern zu 18 Euro Miete entspricht etwa 16.000 Euro in direkten Mietausfällen — plus Wiederherstellungs- und Vermarktungskosten. Wer drei solcher Ereignisse pro Jahr verhindert, kommt leicht auf 40.000–80.000 Euro Kostenersparnis. Das übersteigt die Systemkosten um ein Vielfaches. Innerhalb des Immobilien-Branchensettings ist das die stärkste Kostendimension, die ein KI-System realistisch beeinflussen kann.

Schnelle Umsetzung — niedrig (2/5)
Ehrlich gesagt ist das kein Wochenprojekt. Bis ein Modell ausreichend Trainingsdaten hat und validiert ist, vergehen realistisch 4–6 Monate. Ein Pilotdashboard mit manuellen Daten kann in 8–10 Wochen stehen, aber ein belastbares ML-Modell braucht historische Mieterdaten, Auslaufhistorien und Marktzeitreihen — und Zeit, diese zu bereinigen. Wer glaubt, in zwei Wochen ein funktionsfähiges System zu haben, wird enttäuscht.

ROI-Sicherheit — mittel (3/5)
Das ist der ehrlichste Punkt: Leerstandsvermeidung ist kontrafaktisch. Du kannst nicht beweisen, dass ein Mieter, mit dem du proaktiv gesprochen und eine neue Laufzeit vereinbart hast, ohne das Gespräch wirklich gegangen wäre. Das macht die ROI-Zuschreibung schwierig. Was sich messen lässt: Wie viele Risikomieter wurden angesprochen? Wie viele verlängerten? Was war die durchschnittliche Leerstandsdauer bei Mietern, die trotzdem gingen? Über zwei bis drei Jahre entsteht damit ein belastbares Bild — aber in Jahr eins ist der Nachweis dünn.

Skalierbarkeit — hoch (4/5)
Das Modell läuft für 5 Objekte und für 50 Objekte mit dem gleichen Aufwand. Das ist der klare Skalierungsvorteil gegenüber manuellem Monitoring. Einzige Grenze: Die Datenpflege wächst mit dem Portfolio — mehr Mieter bedeuten mehr Datenpunkte, die gepflegt und validiert werden müssen. Aber der Grenzaufwand je Zusatzobjekt ist gering.

Richtwerte — stark abhängig von Portfoliogröße, vorhandener Datenbasis und Marktlage am Standort.

Was das System konkret macht

Predictive Analytics für Leerstandsrisiken kombiniert zwei Signalklassen, die in der Standardpraxis selten systematisch zusammengeführt werden: Makrosignale auf Markt- und Branchenebene sowie Mikrosignale auf Mieter- und Objektebene.

Makrosignale beschreiben den strukturellen Druck, dem ein Mieter ausgesetzt ist — unabhängig von seiner individuellen Verfassung:

• Büromarktdaten des Teilmarkts: Leerstandsquote, Mietpreisveränderung, Flächenumsatz (Quelle: bulwiengesa RIWIS, Bundesbank-Indikatorensystem)
• Branchenindex für den Sektor des Mieters: Baut ein Logistikmieter ein, wenn der Gesamtmarkt für Logistikdienstleister um 8 Prozent schrumpft, ist das ein Risikosignal — unabhängig davon, ob er selbst bisher unauffällig war
• E-Commerce-Penetrationsrate für Einzelhandelsbranchen (destabilisiert Einzelhandelsmieter strukturell)
• Zinsumfeld und Investitionsstimmung (beeinflusst Büromieter in finanzierungsabhängigen Sektoren)

Mikrosignale beschreiben die individuelle Lage des Mieters:

• Änderungen im Handelsregister (Geschäftsführerwechsel, Kapitalherabsetzungen, Adresswechsel — abrufbar über North Data)
• Letzte Jahresabschluss-Kennzahlen aus dem Bundesanzeiger (Umsatzentwicklung, Eigenkapitalquote)
• Gewerberegister-Abmeldungen bei Filialsystemen (signalisiert Rückzug aus Standorten)
• Bonitätsveränderungen über Zeitreihen — nicht der aktuelle Score allein, sondern seine Richtung (Creditsafe)
• Zahlungsverzögerungen in der eigenen Nebenkostenabrechnung
• Google-Review-Trends als Proxy für Kundenzufriedenheit und Betriebstätigkeit (weniger robust, aber als Ergänzung verwertbar)

Ein Machine Learning-Klassifikator — typisch ein Gradient-Boosting-Modell oder ein logistisches Regressionsmodell mit Feature Engineering — nimmt diese Variablen als Input und berechnet für jeden Mieter monatlich einen Risikoscore. Das Modell wird auf historischen Daten trainiert: Welche Mieter haben in der Vergangenheit nicht verlängert — und welche Signale haben diese Gruppe vor der Kündigung gezeigt?

Das Ergebnis ist kein Alarm-System (“dieser Mieter kündigt sicher”), sondern eine priorisierte Handlungsliste: Welche der nächsten Mietauslauf-Gespräche sind dringend, welche können warten?

Datensignale: Welche Daten tatsächlich etwas vorhersagen

Nicht alle naheliegenden Signale sind tatsächlich prädiktiv. Das ist eine der wichtigsten Erkenntnisse aus dem Aufbau solcher Systeme — und eine häufige Quelle von Enttäuschungen.

Was gut funktioniert:

• Handelsregister-Änderungen in Kombination: Ein einzelner Geschäftsführerwechsel ist unspezifisch. Drei Änderungen in zwölf Monaten — Adresswechsel, Gesellschafterwechsel, Kapitalreduzierung — sind in Kombination ein starkes Signal.
• Branchenindex-Abweichungen: Wenn der Mieter in einem Sektor operiert, dessen Gesamtmarkt deutlich schrumpft, erhöht das das Leerstandsrisiko auch ohne individuelle Warnsignale. Das lässt sich aus Statistischen Bundesamtsdaten und branchenspezifischen Konjunkturindikatoren ableiten.
• Umsatztrendlinie aus Jahresabschlüssen: Nicht der absolute Umsatz, sondern das Vorzeichen der Veränderung über drei Jahre. Minus 10 Prozent in jedem der letzten drei Jahre ist aussagekräftiger als ein einmalig schlechtes Jahr.
• Eigenkapitalquote unter kritischem Schwellenwert (etwa unter 15 Prozent für produzierende Mieter): Begrenzt Handlungsfähigkeit bei Mieterhöhungen oder notwendigen Umzügen.

Was häufig überschätzt wird:

• Passantenfrequenzdaten (für Einzelhandelsmieter): Nützlich, aber teuer und mit erheblichem Lag. Stark durch Saisonalität und externe Events überlagert — ein starkes Tool, wenn der Mieter ein Einzelhändler mit öffentlichem Publikumsverkehr ist, aber kein verlässliches Signal für Büroimmobilien.
• Social-Media-Aktivität: Als Einzelsignal zu unspezifisch. Einstellungsgebete, Produktlaunches und Krisen-PR sind schwer ohne Kontext zu interpretieren. Nur in Kombination mit anderen Signalen verwertbar.
• Bonitätsauskunft-Scores in statischer Form: Der einmalige Abruf zeigt den Status quo, nicht die Entwicklung. Erst die Zeitreihe — wie hat sich der Score über 24 Monate verändert? — macht den Unterschied.

Was technisch oft schwierig ist:

Zahlungsverhaltensdaten aus der eigenen Nebenkostenabrechnung sind theoretisch hochwertig — aber in der Praxis selten sauber digitalisiert. Wer diese Daten nutzen will, braucht ein Property-Management-System, das Zahlungsverzögerungen systematisch erfasst und mit Mieterdaten verknüpft. Ohne diese Infrastruktur ist der Signal wertlos.

Modellpflege: Warum das Modell von 2020 heute gefährlich falsch liegt

Das ist die unterschätzte Crux dieses Anwendungsfalls — und der Punkt, an dem viele Implementierungen scheitern, die technisch einwandfrei starten.

Machine-Learning-Modelle lernen aus historischen Daten. Sie lernen: “Mieter mit diesen Mustern haben in der Vergangenheit häufiger nicht verlängert.” Das Problem: Die Vergangenheit, auf der Gewerbeimmobilien-Modelle trainiert wurden, umfasst fast ausschließlich eine Welt vor dem strukturellen Wandel des Büromarkts.

Von 2019 bis 2024 hat sich die bundesweite Büroleerstandsquote an 127 analysierten Standorten von etwa 9 auf knapp 11 Millionen Quadratmeter ausgeweitet — eine Zunahme um fast 2 Prozentpunkte. Der Haupttreiber: Hybridarbeit als neue Normalität, die selbst von den Unternehmen etabliert wurde, die ihren Büromietvertrag gerne verlängern wollten. Ein Modell, das vor 2020 trainiert wurde, hat gelernt: “Wachsende Unternehmen brauchen mehr Fläche.” Heute gilt: “Wachsende Unternehmen konsolidieren Flächen und arbeiten remote-first.”

Konkret bedeutet das:

• Flächenreduzierung ist kein Leerstandsrisiko-Signal mehr — sie ist Normalverhalten. Ein Modell, das darauf als Warnsignal trainiert ist, wird jetzt dauerhaft zu viele Falschalarme produzieren.
• Branchen mit hoher Hybridarbeitsquote (IT, Beratung, Finanzdienstleistungen) haben strukturell niedrigeren Flächenbedarf je Mitarbeitenden — unabhängig von ihrer Bonität oder Marktentwicklung.
• Einzelhandelsmieter in nicht-frequenzstarken Lagen sind strukturell benachteiligt, nicht nur konjunkturell. Ein Modell, das nicht zwischen strukturellem und zyklischem Risiko unterscheidet, macht nutzlose Empfehlungen.

Was das in der Praxis bedeutet:

Das Modell muss regelmäßig neu kalibriert werden — mindestens jährlich, besser halbjährlich. Die Kalibrierung prüft: Haben die Signale, die das Modell als Risikoindikatoren lernt, noch Vorhersagekraft? Oder haben sich die Muster so verändert, dass das Modell systematisch in die falsche Richtung weist?

Eine Faustregel: Wenn mehr als 30 Prozent der Mieter, die das Modell als “hohes Risiko” einstuft, verlängern, während Mieter mit “niedrigem Risiko” überraschend kündigen — dann ist das Modell konzeptdriftgefährdet und braucht ein Retraining.

Für den Neustart nach 2020 empfiehlt sich ein pragmatischer Ansatz: Beginnt mit Daten ab 2021, damit das Modell von Anfang an auf der Post-COVID-Marktstruktur trainiert wird. Daten aus 2017–2019 können als Referenz herangezogen werden, dürfen aber nicht ohne Gewichtungskorrektur ins Trainingsset eingehen.

Konkrete Werkzeuge — was wann passt

Einen vollständigen Leerstandsrisiko-Score baut man aus mehreren Komponenten, die unterschiedliche Werkzeuge bedienen.

bulwiengesa RIWIS — für Makromarktdaten auf Standortebene
Die Referenzdatenbank für deutsche Gewerbeimmobilienmärkte. Leerstandsquoten, Flächenumsätze, Mietniveaus für über 125 deutsche Städte — quartalsweise aktualisiert. Der Preis (ab ca. 5.000 €/Jahr) ist für institutionelle Asset Manager mit mehreren Standorten vertretbar; für Einzelobjekteigentümer ist er kaum zu rechtfertigen. Die Bundesbank veröffentlicht ihr Indikatorensystem zum Gewerbeimmobilienmarkt kostenlos als Alternative für Basisdaten.

North Data — für Handelsregistersignale auf Mieterebene
Deutsche Spezialdatenbank für Firmendaten aus Handelsregister, Bundesanzeiger und Unternehmensregister. Jahresabschlüsse, Beteiligungsstrukturen, Geschäftsführerwechsel — was sonst nur per Einzelabruf möglich wäre, ist hier vernetzt und per API abfragbar. Basisrecherche kostenlos; API-Zugang für automatisierte Mieterchecks ab ca. 200 €/Monat. Hosting in Deutschland, DSGVO-konform — besonders wichtig, wenn Mieterfinanzdaten mit Objektdaten verknüpft werden.

Creditsafe — für laufende Bonitätsüberwachung
Während North Data punktuell Registerdaten liefert, erlaubt Creditsafe die fortlaufende Überwachung: Alarmfunktion bei Bonitätsveränderungen, automatisierte Reports in CRM- oder ERP-Systemen. Besonders nützlich für Portfolios mit mehr als 15–20 aktiven Mietern, bei denen manuelle Einzelrecherche zu aufwendig wird. Kein öffentlicher Listenpreis — Verhandlung nach Portfolio-Größe.

Nixtla TimeGPT — für Zeitreihenprognosen ohne eigenes Modelltraining
Wenn ihr historische Mietvertrags- und Leerstandsdaten habt, aber kein Data-Science-Team: TimeGPT liefert via API Zeitreihenprognosen ohne aufwendiges Modelltraining — auch bei kurzen Datenhistorien. Nützlich für den Pilot, wenn ihr schnell zeigen wollt, wie Leerstandstrends auf Standortebene modelliert aussehen könnten. Einschränkung: US-Hosting, keine EU-Datenresidenz. Für sensible Mieterdaten ungeeignet; für aggregierte Standortdaten vertretbar.

Julius AI — für explorative Analyse ohne Code
Für Asset Manager, die ihre eigenen Portfoliodaten (Excel-Exports aus dem Property-Management-System, Zahlungshistorien, Mietvertragslaufzeiten) analysieren wollen, ohne Python oder SQL zu können. Julius verarbeitet CSV/Excel-Uploads und beantwortet Fragen in natürlicher Sprache: “Zeig mir alle Mieter mit Mietauslauf in den nächsten 12 Monaten und ordne sie nach Leerstandsjahren davor.” Einschränkung: US-Hosting — keine personenbezogenen Mieterdaten hochladen, nur anonymisierte Portfoliodaten.

Microsoft Power BI — für das laufende Risiko-Dashboard
Wenn alle Datenquellen integriert und das Modell läuft, braucht es eine übersichtliche Visualisierung für den täglichen Betrieb. Power BI verbindet sich mit Property-Management-Datenbanken, North-Data-API-Exporten und bulwiengesa-Zeitreihen und baut ein monatlich aktualisiertes Portfolio-Risiko-Dashboard. EU-Hosting möglich, wenn die M365-Lizenz auf EU-Rechenzentren konfiguriert ist.

Wann welcher Ansatz?

• Portfoliostart, keine Dateninfrastruktur → Julius AI für explorative Analyse + North Data für manuelle Mieter-Checks
• Pilot mit 5–10 Mietern, Makrodaten verfügbar → bulwiengesa + North Data + einfaches Scoring in Excel/Power BI
• Skaliertes Portfolio ab 20 Mietern → Creditsafe für Monitoring + Nixtla TimeGPT für Marktprognosen + Power BI Dashboard
• Vollintegration mit eigenem Data Team → Custom ML auf Basis historischer Mieterdaten + bulwiengesa als Makroinput + Power BI zur Visualisierung

Datenschutz und Datenhaltung

Die gute Nachricht für diesen Anwendungsfall: Der Großteil der nützlichen Daten stammt aus öffentlichen Pflichtveröffentlichungen — Handelsregister, Bundesanzeiger, Gewerberegister. Das verändert die DSGVO-Situation grundlegend.

Rechtsgrundlage für die Verarbeitung öffentlicher Registerdaten:
Die Nutzung von Handelsregister- und Bundesanzeigerdaten zur Bonitätseinschätzung gewerblicher Mieter stützt sich auf DSGVO Art. 6 Abs. 1 lit. f — berechtigtes Interesse des Verarbeiters. Der berechtigte Zweck (Risikoüberwachung im Rahmen eines laufenden Gewerbemietverhältnisses) überwiegt in der Regel das Interesse des Mieters, nicht beobachtet zu werden — insbesondere weil es sich um Geschäftsdaten juristischer Personen (GmbH, AG) handelt, nicht um personenbezogene Daten natürlicher Personen.

Wo AVV erforderlich wird:
Sobald ein Drittanbieter (North Data, Creditsafe, Nixtla) Mieterdaten verarbeitet, greift Art. 28 DSGVO: Ein Auftragsverarbeitungsvertrag (AVV) muss vor Beginn der Verarbeitung unterzeichnet sein. North Data und Creditsafe stellen AVV-Vorlagen bereit. Für Nixtla TimeGPT — US-gehostet — gilt: Keine personenbezogenen oder vertragsbezogenen Mieterdaten hochladen; nur aggregierte Marktdaten verarbeiten lassen.

Was beim individuellen Mieterscoring zu beachten ist:
Wenn das Scoring-Ergebnis zu individualisierten Entscheidungen führt — etwa “mit diesem Mieter führen wir kein Verlängerungsgespräch” oder “wir erhöhen die Kaution für diesen Mieter” — kann Art. 22 DSGVO greifen (automatisierte Einzelentscheidungen). Empfehlung: Das System bleibt Entscheidungshilfe, nicht Entscheidungsersatz. Der Asset Manager trifft die finale Entscheidung, das Modell liefert priorisierte Informationen.

Diese Darstellung ist eine fachliche Orientierung, kein Rechts- oder Finanzberatungsersatz. Mietrechtliche Fragen und Bewertungsfragen sind mit einem Rechtsanwalt und einem vereidigten Sachverständigen abzustimmen.

Was es kostet — realistisch gerechnet

Einmalige Aufbaukosten

Die größte Investition ist die Datenbereinigung und Modellentwicklung — nicht die Software:

• Datenbereinigung eigener Portfolio- und Mieterdaten: 2–4 Wochen interner Aufwand, je nach Qualität der Ausgangsdaten
• Externe Beratung / Data Engineering für Modellaufbau: 8.000–25.000 Euro (je nach Komplexität und Dienstleister)
• Bei einem einfacheren Scoring-Ansatz (regelbasiert statt ML): 2.000–6.000 Euro Setup-Aufwand
• Pilot-Dashboard in Power BI: 1.500–4.000 Euro externe Entwicklung

Laufende Kosten (monatlich)

• North Data API: ab 200 €/Monat für automatisierte Mieterchecks
• Creditsafe: verhandelbar, typisch 300–800 €/Monat für 20–50 laufend überwachte Unternehmen
• bulwiengesa RIWIS: 400–1.200 €/Monat bei Jahreslizenz (je nach Coverage)
• Nixtla TimeGPT: ab ca. 500 USD/Monat für Business-Tier
• Power BI: in M365-Lizenz oft bereits enthalten; ansonsten ca. 10 €/Nutzer/Monat

Gesamte laufende Kosten: 1.000–2.500 €/Monat bei einem vollintegrierten System; 300–600 €/Monat für einen schlanken Ansatz mit North Data und einfachem Dashboard.

Was du dagegenrechnen kannst
Drei vermiedene Leerstands-Monate bei 300 Quadratmetern zu 18 Euro Nettomiete: 16.200 Euro in direkten Mietausfällen, plus typisch 8.000–15.000 Euro Wiederherstellungs- und Vermarktungskosten — also insgesamt 24.000–31.000 Euro je Ereignis. Wer mit diesem System zwei solcher Ereignisse pro Jahr verhindert, amortisiert die Systemkosten bereits im ersten Jahr.

Wie du den ROI tatsächlich misst:
Die ehrlichste Methode ist kein Vorher-Nachher-Vergleich (zu viele Confounder), sondern ein internes Tracking: Wie viele Mietauslaufgespräche wurden aufgrund des Scorings vorgezogen? Wie viele endeten in Verlängerungen? Was war die durchschnittliche Leerstandsdauer bei Einheiten, die trotzdem frei wurden? Über 18–24 Monate entsteht daraus ein belastbares Bild.

Drei typische Einstiegsfehler

1. Das Modell auf Pre-COVID-Daten aufbauen — und dann den Warnhinweis ignorieren.
Der häufigste Fehler in dieser Anwendungsdomäne ist nicht der schlechteste Code oder die falsche Modellwahl — es ist das unkritische Vertrauen in Trainingsdaten aus einer Welt, die nicht mehr existiert. Büromarkt-Dynamiken aus 2016–2019 sind kein belastbares Lernmaterial für 2025er Prognosen. Wer jetzt aufbaut, startet mit Daten ab 2021 und behandelt alles vor der Pandemie als Zusatzkontext mit expliziter Gewichtungskorrektur.

2. Das System einführen, aber die Handlungslogik nicht definieren.
Was passiert, wenn ein Mieter einen Risikoscore über 70 Prozent erreicht? Wer führt das Gespräch — der Asset Manager, der Property Manager, der externe Makler? In welcher Form? Viele Teams bauen ein Dashboard und haben keine Antwort auf diese Frage. Das Ergebnis: Das Dashboard wird angeschaut, aber keine Gespräche werden anders geführt als vorher. Der Score braucht einen Auslöser, einen Verantwortlichen und ein Skript — sonst bleibt er ein interessantes Diagramm.

3. Das Modell einrichten und drei Jahre nicht anfassen.
Das ist der gefährlichste Fehler — weil er sich nicht sofort bemerkbar macht. Das System läuft weiter, die Scores werden weiter produziert, und niemand prüft, ob die Signale noch stimmen. Nach 18 Monaten gibt das Modell systematisch falsche Prognosen — weil Marktstruktur, Branchenentwicklung oder die eigene Portfoliomischung sich verändert haben. Mindestens einmal jährlich muss geprüft werden: Haben die Hochrisiko-Mieter des letzten Jahres tatsächlich häufiger nicht verlängert als die Niedrigrisiko-Gruppe? Wenn nicht — Modell anpassen oder Daten überprüfen.

Das Pflege-Mindset ist entscheidend: Wer das System als “Install-and-Forget”-Lösung behandelt, hat nach 24 Monaten ein selbstbewusstes System, das in die falsche Richtung priorisiert — und das Vertrauen des Asset-Management-Teams in das Tool nachhaltig beschädigt.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist der einfachere Teil. Was unterschätzt wird: die kulturelle Auseinandersetzung mit dem, was das System aussagt.

Erfahrene Asset Manager mit starker Marktkenntnis werden das Modell gelegentlich überstimmen — und manchmal werden sie recht haben. Wenn ein langjähriger Mieter mit exzellentem Zahlungsverhalten vom Modell als Hochrisikofall eingestuft wird, weil seine Branche gerade unter Druck ist, wird der zuständige Manager sagen: “Den kenne ich seit zehn Jahren, der verlängert.” Manchmal stimmt das. Die richtige Reaktion ist nicht, das Modell zum einzigen Entscheider zu machen — sondern die Abweichungen zu dokumentieren. Was sieht der Manager, was das Modell nicht sieht? Das ist Input für die nächste Kalibrierung.

Property Manager und Asset Manager teilen nicht immer dieselbe Informationsbasis. Zahlungsverzögerungen, die der Property Manager seit Monaten beobachtet, sind dem Asset Manager möglicherweise nicht bekannt. Das Scoring-System schafft einen Anlass, diese Informationssilo-Situation systematisch aufzubrechen — wenn es richtig eingeführt wird.

Portfolioübergreifende Vergleiche können politisch sein. Wenn das Dashboard zeigt, dass zwei der sechs Standorte strukturell riskanter sind als die anderen vier, ist das eine Botschaft, die Eigentümer-Berater-Kommunikation beeinflusst. Einige Investoren wollen diese Transparenz — andere nicht. Das sollte vor der Einführung geklärt sein.

Was konkret hilft:

• Klare Kommunikation: Das Modell ist ein Frühwarnsystem, kein Orakel. Scores sind Gesprächsanlässe, keine Urteile.
• Vierteljährliches Review-Meeting: Alle Hochrisiko-Einheiten werden besprochen — hat das Gespräch stattgefunden? Was war das Ergebnis?
• Feedback-Loop in die Modellpflege: Jede Verlängerung und jede unerwartete Kündigung ist ein Datenpunkt. Nur mit diesem Feedback verbessert sich das Modell über die Zeit.

Realistischer Zeitplan mit Risikohinweisen

Ein belastbares, kalibriertes Modell steht frühestens nach 5–6 Monaten. Wer schnellere Ergebnisse braucht, beginnt mit einem einfachen regelbasierten Scoring (z. B. 5 definierte Risikokriterien als Checkliste je Mieter) und entwickelt erst im zweiten Schritt ein ML-basiertes Modell.

Häufige Einwände — und was dahintersteckt

“Wir kennen unsere Mieter — da brauchen wir kein Modell.”
Das stimmt für kleine Portfolios mit 5–8 Mietern, bei denen persönliche Beziehungen und direkter Kontakt funktionieren. Bei 20, 30 oder mehr Mietern an mehreren Standorten ist “wir kennen unsere Mieter” eine Selbstüberschätzung. Wie oft hat dein Team zuletzt die aktuellen Jahresabschlüsse der 15 mittleren Mieter im Portfolio geprüft? Nicht die Bonitätsauskunft — den tatsächlichen Jahresabschluss? Die meisten Asset Manager in mittelgroßen Portfolios tun das nicht. Das Modell schließt genau diese Lücke.

“Das ist zu komplex und zu teuer für unser Portfolio.”
Die erste Stufe — ein strukturierter Mieter-Check mit North Data und ein monatliches Excel-basiertes Scoring für die wichtigsten Risikokriterien — kostet kein proprietäres ML-System und keine fünfstellige Einrichtungsinvestition. 200 Euro im Monat für einen North Data API-Zugang und vier Wochen internen Aufwand für ein einfaches Scoring-Sheet sind ein vertretbarer Pilotansatz für fast jedes gewerbliche Portfolio. Der Fehler ist, “Leerstandsrisiko-Prognose” immer mit der teuersten Variante gleichzusetzen.

“Das Modell kann Insolvenzen nicht vorhersagen — also bringt es nichts.”
Richtig: Das Modell kann keine Insolvenz vorhersagen. Was es vorhersagen kann, ist erhöhtes Risiko — das den Asset Manager veranlasst, früher das Gespräch zu suchen. In vielen Fällen verhindert ein frühes Gespräch eine Entscheidung, die der Mieter noch nicht endgültig getroffen hat. Das ist der Wert: nicht Prophezeiung, sondern Handlungsspielraum.

Woran du merkst, dass das zu dir passt

• Du verwaltest ein Portfolio mit mehr als 10 Gewerbeeinheiten und hast in den letzten 18 Monaten mindestens zwei Mietauslauf-Überraschungen erlebt — Mieter, die nicht verlängert haben, ohne dass du es früh genug wusstest
• Deine Mietauslauf-Gespräche finden regelmäßig zu spät statt — weniger als sechs Monate vor Vertragsende, wenn die andere Seite oft schon eine Entscheidung getroffen hat
• Deine Mieter stammen aus unterschiedlichen Sektoren und du hast keinen systematischen Überblick, welche Branchen gerade unter strukturellem Druck stehen
• Dein Property-Management-System erfasst Zahlungsverläufe — auch wenn die Daten bisher nicht für Risikoanalysen genutzt werden
• Du hast Standorte in Märkten mit steigender Leerstandsquote und willst verstehen, welche Objekte im Portfolio besonders exponiert sind

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Einzelobjekteigentümer mit weniger als fünf Mietern. Die Einrichtungskosten für ein automatisiertes Scoring-System sind nicht amortisierbar, wenn das Portfolio so klein ist. Hier ist persönliche Mieter-Due-Diligence und quartalsweises Manuell-Checking mit North Data die richtige Antwort — kein ML-Modell.

2. Kein Property-Management-System oder keine strukturierten Mieterdaten. Wenn Mietverträge, Laufzeiten und Zahlungshistorien noch in Excel-Tabellen ohne einheitliche Struktur liegen, ist der erste Schritt nicht ein Scoring-Modell, sondern eine saubere Datenbasis. Ein Modell, das schlechte Daten verarbeitet, produziert schlechte Prognosen — und das ist gefährlicher als keine Prognose.

3. Portfolio mit ausschließlich sehr langfristigen Mietverträgen (15+ Jahre, keine Optionen). Wenn das Portfolio aus Mietern mit dreißigjährigen Mietverträgen ohne frühe Ausstiegsoptionen besteht, ist kurzfristige Leerstandsprognose irrelevant. Das Risiko liegt hier in anderen Kategorien — Instandhaltung, ESG-Compliance, Beleihungsrisiken. Für diese Fragestellungen ist ein anderes Instrument gefragt.

Das kannst du heute noch tun

Lade deine aktuelle Mieterliste — mit Mietauslaufdaten, Branche, Quadratmetern und letztem bekannten Umsatz — als Excel-Export herunter und öffne Julius AI (kostenlose Version ausreichend für diesen ersten Schritt). Stelle die Frage: “Welche meiner Mieter laufen in den nächsten 18 Monaten aus und haben in den letzten drei Jahren rückläufige Umsatzzahlen gezeigt?” Das dauert 20 Minuten und zeigt dir, wo du heute mit manueller Recherche anfangen solltest.

Parallel dazu: Öffne North Data und gib die Firmennamen deiner fünf größten Mieter ein. Wie viele Handelsregister-Einträge gab es in den letzten 12 Monaten je Unternehmen? Das ist eine kostenlose Basisrecherche — und oft überraschend aufschlussreich.

Für die strukturierte KI-gestützte Analyse kannst du diesen Prompt in ChatGPT, Claude oder ein ähnliches Tool verwenden:

Quellen & Methodik

• Opportunitätskosten Büroleerstand ~165 Mio. €/Monat in Top-5-Märkten: Avison Young, zitiert in Immobilienmanager: „Büroleerstände kosten Eigentümer Milliarden”, Juni 2025 (immobilienmanager.de). Methodik: Aktuelles Leerstandsvolumen × Durchschnittsmiete je Markt.
• Büroleerstandsquote Deutschland Q4 2024 (8,1 %): JLL Research, „Deutschland Big 7 Büromarktbericht Q4 2025” (jll.de). Für Q4 2024 berichtete Durchschnitt der Big-7-Märkte.
• Shopping-Center-Leerstand 4 % → 9 % (2019–2024): JLL, zitiert in Immobilienmanager-Marktberichten 2024–2025. Strukturwandel durch E-Commerce als Haupttreiber.
• Büroleerstand bundesweit 127 Standorte: von 9 auf 11 Mio. qm (2019–2024): Haufe Immobilien, basierend auf DZ HYP/RIWIS-Daten, März 2025 (dzhyp.de).
• bulwiengesa RIWIS: Eigenbeschreibung und Pressemitteilung Scout24-Übernahme (logistik-heute.de, 2024). Marktabdeckung: über 125 Standorte seit 1983.
• North Data / Handelsregister als Frühwarnsignal: Eigene Einschätzung basierend auf North-Data-Produktbeschreibung und öffentlichen Anwendungsberichten aus Unternehmensfinanzierung und M&A-Due-Diligence.
• Mietpreisrange 7,50–33 €/qm/Monat: DGI Köln, „Mietpreis pro Quadratmeter Gewerbe” (dgi-koeln.de); Statista-Aggregation für Top-8-Metropolen, Stand 2024.
• DSGVO Art. 6 Abs. 1 lit. f (berechtigtes Interesse) und Art. 28 (AVV): DSGVO in aktuell gültiger Fassung.
• COVID-Strukturbruch Büromarkt: JLL, „Transformation der Gewerbeimmobilien durch Künstliche Intelligenz” (jll.com); eigene Analyse basierend auf Marktdaten 2019–2024.

Du willst wissen, ob dein Portfolio eine ausreichende Datenbasis für ein Scoring-Modell hat und wo die größten Lücken sind? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.