Problem:

Vertrags- und Dokumentendaten liegen in der Immobilienwirtschaft meist als PDFs, Scans oder als unstrukturierte Dokumente vor.

Folgen:

Daten werden meist fehlerhaft übertragen und wichtige Vertragsinhalte (z. B. Indexierung, Laufzeiten, Optionen) werden nicht aktiv gepflegt.

Lösung:

kanQ nutzt eine KI-gestützte Extraktions- und Validierungslogik, um Verträge, Dokumente und Unterlagen vollautomatisch auszulesen, zu strukturieren sowie auf Vollständigkeit und Richtigkeit zu prüfen.

So funktioniert es:

1. Automatisierter Upload von Dokumenten und sonstigen Unterlagen (Mietverträgen, Nachträgen, Übergabeprotokollen, etc.)

2. Durch KI erkennt kanQ die relevanten Daten und Inhalte. Diese relevanten Inhalte werden anschließend extrahiert und klassifiziert.

3. Im Anschluss stellt kanQ die Daten in strukturierter Form über den Data Lake zur Weiterverarbeitung zur Verfügung.

Problem:​

Bestandsdaten liegen in verschiedenen ERP-, Property- und Nebenkosten-Systemen. Jede Gesellschaft und jeder Dienstleister liefert eigene Formate.

Folgen:

Aufwendiges und oft manuelles Zusammenführen der Daten in Excel.

Lösung:

kanQ führt die Daten aus sämtlichen Quellen in einem zentralen, standardisierten Datenmodell nach dem gif-Standard zusammen. Die Daten liegen in strukturierter Form zur Weiterverarbeitung zur Verfügung, wie Power BI, Large Language Model (Großes KI-Sprachmodell) oder nachfolgende Systeme.

​Problem:​

Bei Transaktionen müssen Daten und Dokumente kurzfristig bereitgestellt werden. Informationen und Daten aus Dokumenten müssen konsolidiert und geprüft werden.

Folgen:

Hoher manueller Zeitaufwand und durch die manuelle Tätigkeit ergeben sich Herausforderungen hinsichtlich Vollständigkeit und Widerspruchsfreiheit.

Lösung:

kanQ liefert aus dem Data Lake, die Daten und Dokumente in strukturierter Form. Widersprüchlichkeiten aus unterschiedlichen Dokumenten werden erkannt und auch das Fehlen von Dokumenten wird aufgezeigt.

Problem:​

Daten aus verschiedenen ERP-, Property- und Excel-Tabellen sind oft unzuverlässig und widersprüchlich. Manuelle Prüfungen kosten Zeit und führen zu Unsicherheiten im Reporting.​ Umfangreiche Excel-Tabellen müssen aufwendig gepflegt werden um den Überblick nicht zu verlieren.

Folge:

Daraus entsteht eine wenig belastbare Basis für das Reporting. Zusätzlich sind manuelle Eingriffe fehleranfällig. Eine fehlende, korrekte Basis bietet keine Grundlage für künstliche Intelligenz.

Lösung:

Der Data Quality AI Manager weist automatisch auf Widersprüche und Fehler hin, bevor diese in den Data Lake und ins Reporting fließen.

Problem:​

Eine fehlende, strukturierte und geprüfte Datengrundlage verhindert den Einsatz von KI.

Folge:

• Automatisierung von Prozessen ist nicht umsetzbar

• Prognosen und Bewertungen sind nicht möglich

• ...

Lösung:

Durch strukturierte, geprüfte Daten im Data Lake liefert kanQ die Voraussetzung für uneingeschränkte Anwendungen von KI-Lösungen (Predictive-Modellen).