Predicitve Policing: Wie Gebäude- und Regionaldaten Wohnungseinbrüche vorhersagen

In diesem Jahr (2017) veröffentlichte das Landeskriminalamt Nordrhein-Westfalen den Basis-Forschungsbericht Wohnungseinbruchdiebstahl (WED) https://lka.polizei.nrw/sites/default/files/2017-05/Basisbericht_Forschungsprojekt%20WED.pdf

Darin wird u.a. festgestellt, dass – unterschieden nach Häusern und Wohnungen – es sich bei den ersten Fällen mehrheitlich um freistehende Einfamilienhäuser (n = 1 328, 60,7 %) handelt. Weitere 25,6 Prozent der Delikte (n = 559) erfolgen in Reihenhäusern. Gebäude vom Typ Doppelhaushälfte machten dagegen nur 13,7 Prozent (n = 300) aller betroffenen Häuser aus.

Die Anteile der verschiedenen Wohngebäudetypen werden im Wesentlichen durch die Gemeindegrößen der Tatorte bestimmt. Der Anteil raumsparender Reihenhäuser und Doppelhaushälften ist in Großstädten dabei natürlich größer. In Großstädten mit mehr als 150 000 Einwohnern hatten Reihenhäuser und Doppelhaushälften einen Anteil von 51,5 Prozent (n = 399) an allen von WED betroffenen Tatobjekten. Dieser Anteil sinkt dem Bericht zur Folge kontinuierlich mit der Abnahme der Einwohnerzahl. So betrug der Anteil angegangener Reihenhäuser und Doppelhaushälften in Gemeinden bis 25.000 Einwohnern nur noch 16,4 Prozent (n = 64).

infas 360 hat auf amtlicher Basis alle bundesweit rund 20 Mio. Wohngebäude auf Adressebene analysiert und u.a. die einzelhausgenaue CASA-Gebäudetypologie in 98 Klassen entwickelt

Mehr Infos dazu unter http://infas360.de/service/news/so-wohnt-deutschland/

Für Predictive Analytics sollten alle über 700 berechnete CASA-Merkmale zur Anwendung kommen. Die Small Area Methodik bestimmt dann, welche Variablen am besten das Gebäude und seine Umgebung voraussagt.

Haben Sie Fragen zu regionalen Einbruchsdaten, Predicitive Analytics oder Predicitve Policing, dann kontaktieren Sie uns unter Consulting@infas360.de 

 

Small Area Statistics für SAS®Software

Small Area Statistics oder Small-Area-Methoden (verkürzt SAM) beschäftigen sich im Wesentlichen mit der Entwicklung und Verbesserung statistischer Verfahren zur Schätzung kleinräumiger Daten, bei denen die Regionen nur sehr wenige oder gar fehlende (Befragungs-)Werte aufweisen. Im Zentrum steht dabei das Regionalisieren, also das Herunterrechnen von für größere Regionen vorliegenden aggregierten Daten in feinere geographische Einheiten bis in Wohnblocks, Straßenabschnitten oder sogar Einzeladressen.

Die Vorteile von SAM gegenüber herkömmlichen Schätzmodellen bestehen darin, dass in das Modell Informationen aus übergeordneten Raumebenen ebenso einfließen wie Informationen aus ähnlichen Regionen. Das führt zu sehr genauen Angaben, selbst wenn die Regionen nur kleine oder gar fehlende Fallzahlen aufweisen. Voraussetzung der Raumebenen ist eine hierarchisch überschneidungsfreie Struktur (nested data).

Und genau hier setzt nun das Umsetzungsmodell für die Business Analytic Software SAS an. infas 360 nutzt dazu sein Raumstrukturmodell PAGS, das überschneidungsfrei alle amtlichen und postalischen Raumstrukturen Deutschlands von der Gemeinde, den Postleitzahlen, den Orts-, Postorts- und Stadtteilen bis hin zu den Siedlungsblöcken, Straßenabschnitten und Einzelhausadressen. Dieses wird in SAS importiert und mit allen weiteren zur verfügbar stehenden Daten auf allen Raumebenen inkl. der (Befragungs-)fälle kombiniert.

Postalisch-amtliches Gliederungssystem (PAGS), das überschneidungsfreie Gebiete (nested areas) sicherstellt.

Sie interessieren sich für einen kostenlosen Informationstermin oder einen ausführlicheren Workshop zum Thema, dann kontaktieren Sie einfach unsere Consulting-Team unter Consulting@infas360.de

Einen programmatischen Ansatz für Small Area Statistics in SAS gibt der Artikel Small Area Estimation for Survey Data Analysis Using SAS® Software http://support.sas.com/resources/papers/proceedings11/336-2011.pdf

Standortanalysen in Zeiten von Big Data

Neues White Paper zur Berechnung von Erfolgsfaktoren für Standorte und Filialen auf Basis von Mehrebenenmodellen (Small Area Statistics) erhältlich

In Zeiten von Big Data hat ein Filialnetzbetreiber direkt oder indirekt Zugriff auf unzählige Informationsquellen, die genutzt werden können, um gute von schlecht laufenden Filialen zu unterscheiden. Die erklärenden Parameter, z.B. für einen Umsatz pro Filiale (je qm Ladenfläche), sind die sogenannten Erfolgsfaktoren. Die Erfolgsfaktoren dienen dem Management z.B. zur Berechnung von Prognosewerten bestehender Standorte und/oder zur Lokalisierung neuer, geeigneter Standorte (White Spots).

Das bei infas 360 neu erhältliche White Paper erklärt das Verfahren wie man interne und externe Erfolgsfaktoren bestimmt und wie man letztere dazu benutzt die White Spots zu ermitteln.

White Paper „Standortanalysen im Geomarketing in Zeiten von Big Data – Berechnung von Erfolgsfaktoren für Standorte und Filialen auf Basis von Mehrebenenmodellen“ hier anfordern (consulting@infas360.de).

 

Die neue Mikrogeographie auf amtlicher Basis

Vortrag zum 30-jährigen Bestehen des Fraunhofer Instituts IGD in Darmstadt am 20. Juni 2017.

Einfach anfordern unter Consulting@infas360.de

Kurzabstrakt:

In Zeiten von Big Data hat sich auch der freie Zugang zu amtlichen Daten (Geo- wie Sachdaten) deutlich verbessert. Der Vortrag zeigt wie die Mikrogeographie, die zur Zeit eine Renaissance erlebt, auf amtlicher Basis komplett neu berechnet wurde. Und warum dies auch notwendig war. Dazu zählen nicht nur flächendeckende 3D-Stadtmodelle, sondern auch innovative Analysemethoden wie z.B. Small Area Statistics.

 

 

Immer mehr Immobilienportale setzen auf die adressgenaue CASA Datenbank von infas 360

„Und schon wieder hat sich ein Immobilienportal für die CASA Datenbank entschieden“, freut sich Tobias Gödderz, Leiter Sales Consulting bei infas 360

Am Ende hat man sich für unser extrem breites Spektrum an mikrogeographischen Merkmalen auf amtlicher Basis entschieden“, zeigt sich Gödderz begeistert von der CASA Datenbank.

Die meisten der zahlreichen Merkmale der CASA Datenbank wurden auf Basis neuer und innovativer Schätzverfahren wie den Small Area Statistics erstmals überhaupt nachvollziehbar feinräumig berechnet. Hier ein Auszug der Merkmale aus der CASA-Datenbank:

B2C-Merkmale

Wie z.B. Einkommens- und Altersklassen, Gebäudetypen in 29 und Regionaltypologie in 98 Klassen, Gebäudevolumen, Miet- und Kaufpreise, Migrationsanteile nach Herkunftsländern, Anzahl Haushalte und Einwohner usw.

B2B-Merkmale

Wie z.B. Firmenadressen, -branchen, -größe, Firmenfläche, Gebäudehöhe, Umsatz, Ansprechpartner für Facility Management usw.

Allgemeine Infrastrukturmerkmale

Wie z.B. Höhen- oder Wasserlage, Wohn- oder Gewerbegebiet, Highspeed-Anschluss, Gas-Anschluss, Erreichbarkeiten wie ÖPNV-Verfügbarkeit nach Fahrzeiten usw.

Jüngstes Merkmal in der CASA Datenbank ist die neu berechnete Exklusivität der Wohnlage, die nun für alle 22 Mio. Gebäudeadressen Deutschlands vorliegt. So wächst die CASA Datenbank nahezu täglich in seiner Tiefe und Aussagekraft über Immobilien.

Beispiel CASA-Typologie WOHNEN

CASA-Typologie WOHNEN in 98 Ausprägungen

Bei weiteren Fragen zum neuen Datenspektrum oder Informationen für Immobilienbewertungen einfach Kontaktanfrage an Consulting@infas360.de

 

 

Krimialitätsstatistik und ihre lokalen Unterschiede am aktuellen Beispiel Bonns: Ist die Bundesstadt wirklich sicherer geworden?

In der im März für die Presse veröffentlichten Kriminalitätsstatistik 2016 von Bonn heißt es Die erfassten Straftaten sinken in 2016 auf den niedrigsten Wert seit 2003. Sie sind um 1621 Taten auf 46.252 Fälle zurückgegangen. Besonders hervorzuheben: Es wurden weniger Menschen überfallen. Ein Rückgang der Raubdelikte um 135 Taten bedeutet den niedrigsten Stand seit der Jahrtausendwende. Bonn ist sicherer geworden. Dies zeigt sich ebenfalls bei der Straßenkriminalität. Ein Minus von 652 Straftaten ist auch Resultat der im vergangenen Jahr angelaufenen Präsenz- und Interventionsmaßnahmen in den Stadtteilen Bad Godesberg und Tannenbusch. Seit Mitte des Jahres kontrollieren wir dort gezielt Personen und Fahrzeuge, bestreifen vermehrt den öffentlichen Raum, setzen auf zentralisierte Ermittlungen und kriminalpräventive Projekte.“  (Quelle: http://www.polizei.nrw.de/media/Dokumente/Behoerden/Bonn/PKS-2017-Handout.pdf , Seite 3)

Vergleicht man aber Bonns Zahlen mit den intrakommunalen Bezirken aus einer anderen Quelle, zeigt sich ein deutlich differenzierteres Bild mit guten aber auch schlechten Entwicklungen.

Regionalstatistik Kriminalitätsfälle gesamt, 2016 in Bonn nach Bezirken, Quelle: http://www.polizei.nrw.de/media/Dokumente/Behoerden/Bonn/PKS-Jahresbericht-2016-Internet.pdf

So hat sich das Gebiet um Bonns Zentrum sehr gut entwickelt mit einem Rückgang der Fälle um fast 1.400, jedoch gleichzeitig in Godesberg um fast 200 erhöht. Man muss also genauer hinsehen und eine allgemeine Aussage (Mittelwert des gesamten Stadtgebiets) reicht nicht aus, um die Situation der Stadt darzustellen.

Zur infas 360 GmbH: Das Bonner Big Data Unternehmen hat sich u.a. auf die Anwendung von Small Area Methoden spezialisiert, mit denen die Vorhersage von Kriminalitätsfällen optimiert werden kann. Wichtig dabei sind beschreibende Merkmale. Mit der CASA Datenbank liegt auf Basis amtlicher Daten dafür ein hochpräzises Instrument vor. Weitere Informationen unter Consulting@infas360.de

Energiekosten senken: Wer wechselt und wer nicht?

In Kürze startet wieder der CASA Monitor mit der Befragung von 10.000 Personen bzw. Haushalten. Der Schwerpunkt im Frühling liegt wie im letzten Jahr auf dem Thema „Vernetztes Wohnen”.

Mehr dazu unter http://infas360.de/service/news/der-casa-monitor-vernetztes-wohnen-2017-startet-bald/

Dazu gehört auch die Nutzung bzw. Nutzungsbereitschaft alternativen Energiequellen und energiesenkenden Maßnahmen. Gefragt wird auch nach der Bereitschaft, den Energieversorger zu wechseln.

Aus den Ergebnissen der 10.000 Befragten wird infas 360 erstmals eine Energiewechsler-Typologie entwickeln. Durch Anreicherung mit der CASA-Datenbank erfolgt dann u.a. mittels Small Area Methoden (SAM) die Übertagung der Energie-Typen in die Fläche bzw. auf den Gesamtmarkt (=auf alle ca. 40 Mio. Haushalte). Die Typen können anschließend ins firmeneigene CRM übertragen bzw. zur hausgenauen Potenzial-Lokalisierung oder gebietsbezogenen Geomarketing-Analysen verwendet werden.

Zur infas 360 GmbH: infas 360 nutzt Big Data für einen völlig neuen Marktblick und bietet mit Research, CRM und Geomarketing einen einzigartigen Disziplinmix für operative Maßnahmen. Für weiterführende  Fragestellungen kontaktieren Sie bitte unser Consulting-Team unter consulting@infas360.de