ImmoDash
ENDE

So funktioniert ImmoDash

Aus elf öffentlichen Datensätzen wird ein geprüftes Bild des deutschen Mietmarkts, jede Woche automatisch neu erstellt.

Weiter

Von Rohdaten zu dieser Seite

Jeder Schritt ist automatisiert und getestet. Schlägt ein Schritt fehl, wird nichts veröffentlicht, und die Seite behält die letzten guten Daten.

  1. 01

    Sammeln

    Elf offene Datensätze: Zensus 2022, GREIX-Inserate, Bauzinsen der Bundesbank, regionale Einkommen, Kreis- und Postleitzahlgrenzen.

    Python-Ingestion, Rohdateien unverändert gespeichert (Bronze)
  2. 02

    Bereinigen und testen

    Die Tabellen werden den 400 Kreisen Deutschlands zugeordnet und automatisch geprüft: keine Lücken, keine unmöglichen Werte.

    dbt auf DuckDB / PostgreSQL, 75 Datentests
  3. 03

    Modellieren

    Ein Prognosemodell sagt die Miete jeder Stadt 3, 6 und 12 Monate voraus, und auffällige Monate werden markiert.

    LightGBM-Quantilsregression, konforme Intervalle, robuste z-Werte
  4. 04

    Bereitstellen

    Jede Zahl auf dieser Seite kommt aus einer typisierten Schnittstelle, damit Website und Analysewerkzeuge nie voneinander abweichen.

    FastAPI, 25 Endpunkte, Pydantic-Verträge
  5. 05

    Erklären

    Ein KI-Modell schreibt jede Stadtzusammenfassung aus einer festen Faktenliste. Nutzt es eine Zahl, die nicht auf der Liste steht, wird der Text verworfen.

    Groq-LLM + Zahlenabgleich
  6. 06

    Veröffentlichen

    Jeden Montag läuft die ganze Kette neu, und diese Seite wird aus den frischen Daten neu gebaut.

    GitHub Actions, statischer Next.js-Export auf Vercel

Wir haben das Modell an Daten getestet, die es nie gesehen hatte

Wir haben die Daten wiederholt an einem früheren Monat abgeschnitten, nur mit dem damals Bekannten trainiert und die Prognose mit dem verglichen, was dann passierte. Zwölf Startpunkte, alle 37 Städte.[15]

Über 12 Monate lag das Modell im Schnitt um 1,74 % daneben. Die Annahme gleichbleibender Mieten lag um 4,59 % daneben, das Fortschreiben des Vorjahrestrends um 2,33 %. Das sind etwa 62 % kleinere Fehler als bei der Annahme „keine Veränderung“.

82 % der echten Ergebnisse lagen in der 80-%-Spanne des Modells, nah an den versprochenen 80 %.

Durchschnittlicher Prognosefehler, niedriger ist besser

Mittlerer absoluter prozentualer Fehler, außerhalb der Stichprobe.

ImmoDash-Modell (LightGBM)Vorjahrestrend setzt sich fortKeine Veränderung
Quelle: ImmoDash-Backtest.
Zahlen anzeigen
HorizontModellFehlerTrefferquote 80-%-Spanne
3 MonateImmoDash-Modell1,06 %81 %
3 MonateTrend setzt sich fort1,32 %k. A.
3 MonateKeine Veränderung1,51 %k. A.
6 MonateImmoDash-Modell1,22 %77 %
6 MonateTrend setzt sich fort1,58 %k. A.
6 MonateKeine Veränderung2,43 %k. A.
12 MonateImmoDash-Modell1,74 %82 %
12 MonateTrend setzt sich fort2,33 %k. A.
12 MonateKeine Veränderung4,59 %k. A.

Was jede Zahl bedeutet

Angebotsmiete

Der mittlere Preis pro m² der in einem Monat inserierten Mietwohnungen. Die Hälfte der Inserate kostet mehr, die Hälfte weniger.

Median der Inseratspreise, hedonischer GREIX-Index (bereinigt um Größe und Qualität)

Grundlage: [3][11]

Neuvermietungsaufschlag

Wie viel mehr jemand zahlt, der heute einen Vertrag unterschreibt, als der durchschnittliche Bestandsmieter 2022.

Angebotsmiete ÷ durchschnittliche Vertragsmiete Zensus 2022 − 1

Grundlage: [4]

Mietbelastung

Wie viel vom Einkommen eines typischen Haushalts die Miete für eine 60-m²-Wohnung nehmen würde.

Miete × 60 m² × 12 ÷ (2 × verfügbares Einkommen je Einwohner)

Erschwinglichkeitsindex

Die Mietbelastung im Vergleich zum typischen deutschen Kreis: 100 ist Durchschnitt, höher ist bezahlbarer.

Median der Kreisbelastung ÷ Belastung des Kreises × 100

Geschätzte Angebotsmiete (Kreise)

Für Kreise ohne Inseratsdaten: die Zensusmiete, erhöht um die Lücke zwischen Zensus- und Angebotsmieten in benachbarten erfassten Städten.

Zensusmiete × (1 + Aufschlag der Stadt, sonst Median des Landes, sonst bundesweiter Median)

Mietspanne innerhalb eines Kreises

Mieten unterscheiden sich von Straße zu Straße. Die Spanne zeigt das günstigere und das teurere Ende eines Kreises, ohne die günstigsten und teuersten 10 % seiner Fläche.

Kreisschätzung × (10. und 90. Perzentil ÷ Median) der Zensus-Gitterzellen: 100 m in den 37 Städten, sonst 1 km

Schätzung je Postleitzahl

Für die 37 Städte: wie eine Postleitzahl im Vergleich zum Rest ihrer Stadt liegt, angewendet auf die stadtweite Schätzung.

Kreisschätzung × mittlere Gittermiete der 100-m-Zellen der Postleitzahl ÷ Stadtmedian (PLZ-Gebiete: OpenStreetMap)

Angebot-Nachfrage-Index

Hoch, wenn wenige Wohnungen leer stehen und die Bevölkerung wächst.

z(Bevölkerungswachstum 2018 bis 2023) − z(leere, verfügbare Wohnungen, 2022); ≥ 1 angespannt, ≤ −1 entspannt

Grundlage: [9][8]

Aktueller Marktdruck

Wie schnell Wohnungen in der Praxis vermietet werden: Tage online und Anteil, der innerhalb einer Woche weg ist.

Mittlerer z-Wert aus (invertierter) Vermarktungsdauer und Anteil innerhalb einer Woche vermietet, je Quartal

Auffälliger Monat

Ein Monat, in dem sich eine Stadt viel stärker bewegt hat als die anderen, verglichen mit ihren eigenen letzten zwei Jahren.

Veränderung der Stadt minus Median aller Städte; robuster z-Wert ggü. den 24 Vormonaten; |z| ≥ 3,5

Grundlage: [16]

Quellenverzeichnis

Jede Erklärung auf dieser Seite, die über unsere eigenen Zahlen hinausgeht, verweist auf eine dieser Publikationen. Die Zahlen in eckigen Klammern, etwa [1], führen hierher. Die Datensätze selbst stehen unten unter Datenquellen.

  1. Lebuhn, H., Holm, A., Junker, S. & Neitzel, K. (2017). Wohnverhältnisse in Deutschland: eine Analyse der sozialen Lage in 77 Großstädten. Humboldt-Universität zu Berlin, funded by the Hans-Böckler-Stiftung (press release, 13 September 2017).

    Verwendet für: Eine Miete über 30 % des Haushaltsnettoeinkommens gilt als problematisch, und viele Vermieter nutzen dieselbe Grenze.

  2. Deutsche Bundesbank (2024). Preise für Wohnimmobilien sanken 2023 deutlich; Mieten stärker unter Druck. Summary of the Bundesbank Monthly Report on the housing market.

    Verwendet für: Höhere Zinsen machten den Kauf für viele unerschwinglich, und die Wohnungsnachfrage verlagerte sich auf den Mietmarkt.

  3. Amaral, F., Jungwirth, P., Zdrzalek, J. & Zetzmann, S. (2025). Dokumentation für den Mietpreisindex (GREIX). Kiel Institut für Weltwirtschaft, 12 June 2025.

    Verwendet für: Angebotsmieten in 37 Städten aus VALUE-Inseratsdaten, hedonisch bereinigt um 21 Merkmale, darunter Wohnfläche, Baujahr, Zimmerzahl, Zustand, Ausstattung und Postleitzahl.

  4. Bundesinstitut für Bau-, Stadt- und Raumforschung (BBSR) (2025). Wohnungsmieten. BBSR Fachbeitrag, Wohnungs- und Immobilienmarktbeobachtung.

    Verwendet für: Neuvertragsmieten liegen deutlich über Bestandsmieten, weil Bestandsmieten seltener an den Markt angepasst werden und Erhöhungen für laufende Verträge gesetzlich begrenzt sind.

  5. Sagner, P. & Voigtländer, M. (2026). In Großstädten: Mietangebote seit 2022 um bis zu 57 Prozent eingebrochen. Institut der deutschen Wirtschaft (IW), press release, July 2026.

    Verwendet für: Wenn Neuvertragsmieten hoch sind, bleiben Haushalte länger wohnen, auch in Wohnungen, die nicht mehr zu ihnen passen.

  6. Gohl, N. (2019). House prices and spatial mobility: Lock-in effects on the German rental market. Beiträge zur Jahrestagung des Vereins für Socialpolitik 2019, ZBW.

    Verwendet für: Wissenschaftliche Studie zum Lock-in-Effekt: Die Lücke zwischen Bestands- und Neuvertragsmieten senkt die Umzugsbereitschaft von Mietern.

  7. Deutscher Mieterbund (2025). Betriebskostenspiegel für Deutschland, Abrechnungsjahr 2024. Deutscher Mieterbund, 18 December 2025.

    Verwendet für: Die Betriebskosten lagen 2024 im Schnitt bei 2,67 € pro m² und Monat, zusätzlich zur Kaltmiete.

  8. Sächsische Staatsregierung (2022). Sächsische Mietpreisbegrenzungsverordnung (SächsMPBVO), Begründung zu Indikator 5. REVOSax, 31 May 2022.

    Verwendet für: Unter Berufung auf das BBSR wird die für normale Umzüge nötige Fluktuationsreserve in der Literatur meist mit 2 bis 3 % angegeben, teils mit 3 bis 5 %.

  9. Bürgerliches Gesetzbuch (2025). § 556d BGB, Abs. 2: Gebiete mit angespannten Wohnungsmärkten. German Civil Code.

    Verwendet für: Das Gesetz nennt geringen Leerstand bei großer Nachfrage sowie Bevölkerungswachstum ohne ausreichenden Neubau als Anzeichen eines angespannten Wohnungsmarkts.

  10. Statistisches Bundesamt (Destatis) (2024). Zensus 2022: 4,3 % aller Wohnungen stehen leer. Press release No. 46, 4 July 2024.

    Verwendet für: Leerstandszahlen des Zensus für Mai 2022, einschließlich Wohnungen, die innerhalb von drei Monaten bezogen werden könnten.

  11. Eurostat, ILO, IMF, OECD, UNECE & World Bank (2013). Handbook on Residential Property Prices Indices (RPPIs). Publications Office of the European Union.

    Verwendet für: Standardwerk zur hedonischen Qualitätsbereinigung in Immobilienpreisindizes.

  12. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q. & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems 30 (NeurIPS 2017).

    Verwendet für: Die Gradient-Boosting-Bibliothek, mit der die Prognosen erstellt werden.

  13. Koenker, R. & Bassett, G. (1978). Regression Quantiles. Econometrica 46(1), 33–50.

    Verwendet für: Quantilsregression: eine Spanne (10. bis 90. Perzentil) statt eines einzelnen Werts vorhersagen.

  14. Romano, Y., Patterson, E. & Candès, E. J. (2019). Conformalized Quantile Regression. Advances in Neural Information Processing Systems 32 (NeurIPS 2019).

    Verwendet für: Kalibrierung von Quantilsspannen, damit sie den angegebenen Anteil echter Ergebnisse enthalten.

  15. Hyndman, R. J. & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd edition, section 5.10 Time series cross-validation. OTexts, Melbourne.

    Verwendet für: Backtesting mit rollierendem Startpunkt: nur mit Daten vor jedem Stichtag trainieren und die Prognose an dem messen, was danach kam.

  16. Iglewicz, B. & Hoaglin, D. C. (1993). How to Detect and Handle Outliers (as summarised in the NIST/SEMATECH e-Handbook of Statistical Methods, 1.3.5.17). ASQC Quality Press.

    Verwendet für: Modifizierte z-Werte auf Basis der mittleren absoluten Abweichung vom Median; |z| über 3,5 gilt als wahrscheinlicher Ausreißer.

  17. United Nations, Department of Economic and Social Affairs, Population Division (2018). World Urbanization Prospects: The 2018 Revision. Key facts. United Nations, New York.

    Verwendet für: Mumbai gehört zu den größten Städten der Welt, mit knapp 20 Millionen Einwohnern.

  18. Bhagat, R. B. & Jones, G. W. (2016). Demographic Dynamics of Mega-Urban Regions: The Case of Mumbai. Asia Research Institute Working Paper No. 201, National University of Singapore.

    Verwendet für: Zensus 2011: Greater Mumbai hatte 12,47 Millionen Einwohner, und 41,8 % (5,2 Millionen) lebten in Slums.

  19. Statistisches Bundesamt (Destatis) (2025). Anteil der Wohnkosten am verfügbaren Haushaltseinkommen (EU-SILC). Destatis table, Mikrozensus / EU-SILC.

    Verwendet für: 2025 gingen im Schnitt 24,1 % des verfügbaren Einkommens für Wohnen drauf, bei armutsgefährdeten Menschen 43,7 %.

  20. Statistisches Bundesamt (Destatis) (2025). Wohnkostenanteil und Wohnkostenüberbelastung (EU-SILC). Destatis table, Mikrozensus / EU-SILC.

    Verwendet für: 2025 gaben 11,2 % der Bevölkerung mehr als 40 % ihres Einkommens für Wohnen aus, unter armutsgefährdeten Menschen 35,0 %.

  21. Holm, A., Regnault, V., Sprengholz, M. & Stephan, M. (2021). Muster sozialer Ungleichheit der Wohnversorgung in deutschen Großstädten. Hans-Böckler-Stiftung, Working Paper Forschungsförderung No. 222.

    Verwendet für: Fast 13 % der Mieterhaushalte in den 77 deutschen Großstädten bleibt nach Zahlung der Miete weniger als das Existenzminimum.

Über das Projekt

ImmoDash ist ein unabhängiges Portfolio-Projekt von Zoeb Ali Khan: eine vollständige Datenplattform von amtlichen Rohdateien über getestete Modelle bis zu einer API und dieser Website, automatisch gepflegt. Es ist mit keinem der Datenanbieter verbunden.

  • Data Engineering: Medallion-Warehouse mit dbt, DuckDB und PostgreSQL, Orchestrierung mit Prefect
  • Geo-Analytik: über 380.000 Zensus-Gitterzellen, allen 400 Kreisen zugeordnet
  • Machine Learning: LightGBM-Quantilsprognosen, konforme Kalibrierung, Anomalieerkennung
  • Angewandte KI: LLM-Zusammenfassungen mit automatischem Faktenabgleich
  • Produkt: FastAPI, Next.js, Plotly Dash, CI/CD mit GitHub Actions
Zum QuellcodePortfolio

Datenquellen

DatensatzLizenz
Statistische Ämter des Bundes und der Länder, Zensus 2022 (table 4000W-0011)Datenlizenz Deutschland - Namensnennung - Version 2.0
Statistische Ämter des Bundes und der Länder, Zensus 2022 (table 4000W-0002)Datenlizenz Deutschland - Namensnennung - Version 2.0
Statistische Ämter des Bundes und der Länder, Zensus 2022 (table 4000W-0009)Datenlizenz Deutschland - Namensnennung - Version 2.0
Statistische Ämter des Bundes und der Länder, Zensus 2022 (table 4000W-0004, Bezirke)Datenlizenz Deutschland - Namensnennung - Version 2.0
OpenStreetMap postcode boundaries via yetzt/postleitzahlen (release 2026.02)ODbL 1.0 (© OpenStreetMap contributors); the derived postcode rent table is shared under ODbL
Statistische Ämter des Bundes und der Länder, Zensus 2022 Gitterzellen (100 m / 1 km)Datenlizenz Deutschland - Namensnennung - Version 2.0
Arbeitskreis VGR der Länder, Reihe 2 Band 3 (Berechnungsstand 2024)Datenlizenz Deutschland - Namensnennung - Version 2.0
GREIX Mietpreisindex, Kiel Institut für WeltwirtschaftFree use with attribution (GREIX, Kiel Institut / VALUE Marktdaten)
GREIX Miet- und Transaktionspreisindex, Kiel Institut für WeltwirtschaftFree use with attribution (GREIX, Kiel Institut)
Deutsche Bundesbank, MFI interest rate statistics (SUD131Z)Deutsche Bundesbank, free use with attribution
Bundesamt für Kartographie und Geodäsie via Praesklepios/geoGermany© GeoBasis-DE / BKG (VG5000, Stand 01.01.2021), dl-de/by-2-0