Der Einzelhandelsimmobiliensektor verfügte stets über eine Fülle von Daten. Was bisher fehlte, war eine verlässliche Methode, diese Informationen mit der Performance einer einzelnen Filiale zu verknüpfen. Eine Mietliste zeigt die vertraglichen Verpflichtungen eines Mieters. Demografische Daten beschreiben die Haushalte im Einzugsgebiet einer Immobilie. Frequenzzählungen schätzen die Anzahl der Fahrzeuge, die einen Standort passieren. Keine dieser Messgrößen allein beantwortet jedoch die Fragen, die für Eigentümer von Einkaufszentren und Makler zunehmend relevanter werden: Ist dieser Laden produktiv? Kaufen seine Kunden tatsächlich in diesem Einzugsgebiet ein? Wie schneidet er im Vergleich zu anderen Filialen der Kette ab? Und wenn der Mieter ausscheidet, wer kann ihn am erfolgreichsten ersetzen?
Diese Lücke schließt sich zusehends. Einzelhandelsvermieter haben nun Zugriff auf Kombinationen aus mobilen Standortdaten, Kredit- und Debitkartentransaktionen, Point-of-Sale-Feeds, Mieterbonitätsinformationen und künstlicher Intelligenz. Die entscheidende Verschiebung liegt nicht nur in der Existenz von mehr Daten. Es ist die Tatsache, dass Informationen, die einst über Tabellenkalkulationen, Berichte und separate Plattformen verstreut waren, nun zunehmend schnell gemeinsam analysiert werden können, um Leasing-, Akquisitions- oder Merchandising-Entscheidungen zu beeinflussen.
Neue Analysewerkzeuge für fundierte Entscheidungen
Unternehmen wie Placer.ai haben die Standortintelligenz durch die Analyse von Besuchen, Einzugsgebieten und Cross-Shopping in den Mainstream gebracht. CenterCheck nähert sich dem Markt aus einem anderen Blickwinkel, indem es anonymisierte Kartentransaktionen zur Schätzung der Ladenumsätze verwendet. Guesst verbindet sich direkt mit den Point-of-Sale-Systemen der Mieter, um die Umsatzberichterstattung zu automatisieren, während RetailStat die finanzielle Gesundheit von Einzelhändlern, Kreditrisiken, Filialstandorte und Marktaktivitäten kombiniert. SiteZeus wendet KI und prädiktive Modellierung auf die Standortauswahl und Umsatzprognosen an. Einzeln beantwortet jedes Tool eine andere Frage; gemeinsam beginnen sie, einen umfassenden „Retail Underwriting Stack“ zu bilden.
Für ein Nachbarschafts- oder Supermarkt-ankertes Einkaufszentrum verändert dies die Bewertung einer Mietliste grundlegend. Ein Eigentümer kann über die Präsenz eines nationalen Ankermieters hinausgehen und fragen, wie dieser spezielle Laden performt, woher seine Kunden kommen, welche Nachbarmieter diese Kunden teilen und ob die breitere Finanzlage eines Einzelhändlers die Beständigkeit seines Mietvertrags stützt. Ein starker Firmenname bedeutet nicht zwangsläufig, dass jede Filiale stark ist. Umgekehrt kann ein produktiver Laden für ein Zentrum wertvoller sein, als seine reine Unternehmensbonität vermuten lässt.
Strategische Vorteile im Leasing und bei Akquisitionen
Die Auswirkungen auf das Leasing könnten noch größer sein. Makler bewarben traditionell Leerstände mit Flächenangaben, Mietpreisen, Frequenzzählungen, Demografie und einem Lageplan. Diese bleiben wichtig, können aber nun durch ein mieterspezifisches Argument ergänzt werden. Ein Leasing-Team kann die Kunden identifizieren, die bereits ein Zentrum besuchen, untersuchen, wo sie sonst einkaufen, und Einzelhändler ansprechen, deren Kundenstamm sich mit der Immobilie überschneidet. Dies stellt einen fundamental anderen Verkaufsprozess dar.
Anstatt einem Einzelhändler mitzuteilen, dass eine Fläche verfügbar ist, kann der Makler argumentieren, warum dieser Einzelhändler dort erfolgreich sein sollte. Sandy Sigal, CEO von NewMark Merrill, beschrieb diesen Prozess Anfang des Jahres gegenüber Commercial Observer. Sein Team nutzte KI, um potenzielle Mieter zu ranken und eine detailliertere Leasing-Präsentation für einen Einzelhändler zu erstellen, der zuvor einen Standort abgelehnt hatte. Nachdem das Leasing-Team die KI-generierte Analyse überprüft und verfeinert hatte, stimmte der Einzelhändler schließlich dem Geschäft zu. Die Technologie ersetzte nicht das Urteilsvermögen des Maklers, sondern gab dem Team eine zusätzliche Möglichkeit, seine These zu überprüfen und zu kommunizieren.
Große Vermieter entwickeln ähnliche interne Fähigkeiten. Brixmor hat beschrieben, wie proprietäre Leasinginformationen mit demografischen und georäumlichen Daten kombiniert werden, um Ko-Tenanz zu analysieren und ihren Teams zu helfen, besser passende Einzelhandelsmöglichkeiten zu identifizieren. Dies weist darauf hin, wo KI am wichtigsten sein könnte: nicht als ein weiteres eigenständiges Dashboard, sondern als Schnittstelle zwischen den eigenen Betriebsdaten eines Vermieters und externen Marktinformationen.
Für Eigentümer und Investoren verändert dies auch das Underwriting von Akquisitionen. Der Verlust eines Anker- oder Junior-Ankermieters erforderte traditionell, dass ein Analyst Annahmen über Leerstandszeiten, Ersatzmieten und Leasingkosten traf. Bessere Filial- und Verbraucherdaten können eine weitere Ebene hinzufügen: wie viel Kundenfrequenz der Mieter generiert, welche anderen Mieter von dieser Frequenz abhängen, wie der Laden im Verhältnis zu seiner Kette abschneidet und welche Ersatzkonzepte zum bestehenden Kundenstamm passen.
Keine dieser Datensätze sollte als endgültig betrachtet werden. Mobile Daten schätzen Besuche. Kartendaten repräsentieren beobachtete Transaktionen und erfordern Extrapolationen. Die Point-of-Sale-Berichterstattung hängt von der Mieterbeteiligung ab. KI kann die Analyse beschleunigen, aber auch schwache Annahmen überzeugender erscheinen lassen. Menschliches Urteilsvermögen bleibt unerlässlich. Der Vorteil wird daher nicht dem Einzelhandelseigentümer mit den meisten Daten gehören, sondern dem Eigentümer, der Verkaufs-, Frequenz-, Kredit-, Kundenverhaltens- und interne Immobilieninformationen zu besseren Entscheidungen verknüpfen kann. Der Einzelhandel war schon immer ein Merchandising-Geschäft, das als Immobilie getarnt war. KI und bessere Daten machen dies zunehmend messbar.
