Problem
Ein Marktplatz für notleidende Immobilien musste Verkaufspreise für Zwangsversteigerungs-Listings vor der Auktion schätzen. Bestehende AVM-Tools handhaben konventionelles Wohnen gut, brechen aber bei notleidenden Aktiva zusammen, wo Zustand, Belegungsstatus und lokale Marktdünne mehr zählen als Comparables.
Ansatz
End-to-End-ML-Pipeline gebaut — historische Zwangsversteigerungs-Transaktionen, Immobilien-Attribute, geografische Features, Markt-Timing — in ein neuronales Netz zur Verkaufspreisprognose. Der Hauptaufwand lag auf Datenvorverarbeitung und Feature-Engineering: Imputationsstrategien für fehlende Werte, die die Semantik notleidender Aktiva respektieren, und Feature-Interaktionen, die den Unterschied zwischen ländlichen Steuerverkaufs- und urbanen Bank-Owned-Segmenten erfassen.
Stack
Python · TensorFlow / Keras · scikit-learn · Census + parcel geographic feature lookups
Ergebnis
Deployed Modell, das naive AVM-Style-Baselines spezifisch im notleidenden Segment um eine bedeutsame Marge schlägt — das Segment, in dem die meisten bestehenden Tools systematisch fehlbewerten. Dieselbe Problemklasse wie iBuyer-Pricing-Engines, auf die unteren 5 % des Marktes abgestimmt.