Gebrauchtwagenbewertung & Restwertprognose (Leasing, Flotten, Remarketing)

Ein Leasing- oder Rückkaufvertrag sagt Jahre im Voraus einen Fahrzeugpreis zu; liegt der tatsächliche Marktwert bei der Rückgabe niedriger, bucht die Leasinggesellschaft einen Verlust, liegt er höher, bleibt Geld auf dem Tisch. Maschinelles Lernen auf Transaktionsdaten bewertet ein einzelnes Gebrauchtfahrzeug heute und prognostiziert Wertverläufe für ganze Portfolios, sodass Leasinggesellschaften, Flottenmanager, Händler und Remarketing-Anbieter Verträge kalkulieren, Rückstellungen festlegen und den besten Verkaufskanal wählen können. Etablierte Datenanbieter verkaufen dies als Dienstleistung; größere Marktteilnehmer ergänzen eigene Modelle.

Problem & Nutzen

• Wer: Leasing- und Flottenfinanzierer, Banken der Hersteller (Captives), Fuhrparkmanager von Unternehmen und öffentlicher Hand, Autohäuser und Remarketing-Plattformen, Versicherer (Totalschadenwerte) sowie Privatverkäufer.
• Heute: Bewertungen stammen aus Schwacke-Listen und Preiskatalogen (in Deutschland z. B. DAT SilverDAT, Schwacke), Gutachtern und Preisprüfungen auf Marktplätzen. Restwerte legen Gremien fest, typischerweise einmal pro Quartal, aus Segmenttabellen plus Einschätzung.
• KI-Nutzen: Schätzungen auf Fahrzeugebene statt auf Segmentebene, häufigere Aktualisierung, Unsicherheitsbereiche (Quantile), die in die Rückstellungsbildung einfließen, sowie Frühwarnung, wenn ein Segment (Diesel, frühe BEV-Generationen) neu bewertet wird. Bessere Bewertungen verringern außerdem Streitfälle bei der Rückgabe und beschleunigen Remarketing-Entscheidungen.
• Marktsignale: Großhandelspreise bewegen sich innerhalb von Monaten spürbar. Der Manheim Used Vehicle Value Index (USA, gebildet aus mehr als 5 Millionen Transaktionen pro Jahr, bereinigt um Mix, Laufleistung und Saisonalität) ist das Referenzbeispiel für einen Index, mit dem man dies verfolgt; Cox Automotive veröffentlicht Zwischenstände zur Monatsmitte und merkte im Oktober 2026 an, der September habe schneller an Wert verloren als üblich [1]. In Deutschland lag der Fahrzeugbestand am 1. Januar 2024 bei 49,1 Millionen Pkw mit einem Durchschnittsalter von 10,3 Jahren (KBA) [2]; der Gebrauchtmarkt ist also groß und uneinheitlich.
• Keine erfundenen ROI-Zahlen: veröffentlichte, geprüfte Genauigkeits- oder Einsparzahlen stammen meist von den Anbietern selbst; messen Sie Ihre eigene Ausgangslage (siehe Kennzahlen).

Varianten

• Sofortbewertung (Inzahlungnahme / Händler / Marktplatz): ein Fahrzeug, Sekunden, nutzt Fotos und VIN. Marktplätze bieten Preisbewertungen; 2026 gab das Bundeskartellamt grünes Licht für die Übernahme des deutschen Geschäfts von carwow durch mobile.de, ein Zeichen für die Konsolidierung der Wege von der Bewertung zum Verkauf [3].
• Restwertsetzung (RV) bei Leasing/Verträgen: Prognose des Wertes nach Monat 24/36/48 für jede Kombination aus Modell, Ausstattungslinie und Laufleistung, mit Quantilen; Grundlage für Leasingrate und Rückkaufpreis.
• Portfolio-Restwertrisiko und Rückstellungen: Neubewertung des gesamten Bestands (Sichten auf Wertminderungen nach IFRS 9/16, internes Risikoreporting) und Stressszenarien.
• Optimierung des Flotten-Remarketings: Entscheidung je Rückläufer: Auktion, Händler, Endkunde, Export oder Behalten; Wertprognose mit Aufbereitungskosten kombinieren (siehe VIS-023).
• E-Fahrzeug-spezifischer Restwert: Batteriezustand (State of Health) und Generation der Ladetechnik bestimmen den Wert (siehe PRED-026).
• Totalschaden- und Restwertbewertung (Salvage) in der Versicherung: angrenzend; siehe PRED-010 und VIS-023.
• Privatnutzung: „Was ist mein Auto wert / wann verkaufen“ über Verbraucherwerkzeuge wie die kostenlose Bewertung der DAT [4].

So funktioniert es

1. Dateneingang (eigene Verträge + Auktions-/Handelstransaktionen + Inserate + Feeds von Datenanbietern)
2. Fahrzeugnormalisierung (VIN-Dekodierung, Ausstattungscodes, Zuordnung der Ausstattungslinie, Bereinigung von Ausreißern)
3. Merkmalsebene (Alter, Laufleistung, Ausstattung, Region, Farbe, Kraftstoffart, Batterie-SoH, Standzeit)
4. Bewertungsmodell (Gradient Boosting / tabellarisches Foundation-Modell, Quantilausgabe)
5. Markttrend-Ebene (Zeitreihen von Segmentindizes, Treiber wie Neuwagenpreis und Kraftstoff-/Energiepreise)
6. Restwertkurve = Bewertung x Prognose der Segment-Wertentwicklung, mit Szenarien
7. menschliche Prüfung (Restwertgremium, Preisgestaltung, Risiko)
8. Workflow für Preisgestaltung, Rückstellungen und Remarketing
9. Rückvergleich: realisierte Verkäufe vs. Prognose, Rückfluss ins Training

• Bewertungskern: klassische überwachte Regression auf tabellarischen Daten. Gradient Boosting (LightGBM, XGBoost, CatBoost [5]) bleibt das Arbeitspferd; Quantilverlust liefert Prognoseintervalle. Tabellarische Foundation-Modelle wie TabPFN-3.5 verarbeiten kleine und mittlere Datensätze ohne Tuning (bis zu 1.000.000 Zeilen), die Gewichte sind aber nicht-kommerziell, sofern keine Lizenz erworben wird [6].
• Markttrend-Ebene: Preisindizes auf Segmentebene, prognostiziert mit statistischen Modellen oder vortrainierten Zeitreihen-Foundation-Modellen wie Amazon Chronos-2 (Apache-2.0, unterstützt Kovariaten) [7].
• Rolle von LLM/VLM: nachgeordnet. VLMs lesen Fotos und Prüfberichte, um Schaden- und Zustandsmerkmale abzuleiten; LLMs strukturieren Freitext in Prüfnotizen und erklären dem Personal eine Bewertung. Die Zahl selbst sollte vom statistischen Modell kommen, nicht von einem generativen Modell.
• Mensch-in-der-Schleife (Human-in-the-Loop): Restwertgremien genehmigen Kurven; Gutachter können Ausreißer übersteuern; große Rückstellungen und Preisregeln bleiben bei Risiko/Controlling.

Datenaufbereitung

• Welche Daten: eigene Vertrags- und Verkaufshistorie (Leasingrückläufer, Auktions- und Endkundenpreise), Fahrzeugstammdaten mit Ausstattung, Prüfberichte und Fotos sowie externe Markt- und Inseratsfeeds.
• Wo sie liegen: Leasing- oder Händlermanagementsystem (DMS/ERP), Excel-Listen des Remarketing-Teams, PDF-Prüfberichte, Fotoordner auf Dateiservern, E-Mails mit Auktionsergebnissen.
• Typische Lücken: Freitext-Ausstattung statt Codes, doppelte Fahrzeuge nach Vertragsverlängerungen, fehlende Laufleistung und fehlender Zustand bei Rückgabe, eingescannte Zustandsberichte, Vertragsdaten ohne Verknüpfung zum späteren Verkaufspreis.
• Schritte: (1) Quellen inventarisieren und Felder auf die Modelleingabe abbilden (PREP-002), (2) Export aus ERP/DMS (PREP-005), (3) VINs dekodieren sowie Ausstattungslinien und Ausstattungscodes normalisieren, (4) jeden Vertrag mit seinem realisierten Verkaufspreis als Label verknüpfen (PREP-020), (5) alte Prüfberichte per OCR erfassen (DOC-014), (6) Ausreißer und Dubletten entfernen und eine Hold-out-Menge für den Rückvergleich zurückhalten (PREP-018). Werkzeuge: Python/pandas, ein VIN-Dekodierdienst, Paperless-ngx oder Ähnliches für Scans.
• Aufwandsanteil: etwa 50-60 % eines Projekts; bei einem gekauften Produkt vor allem Export und Bereinigung der eigenen Transaktionsdaten.

Umsetzungswege

Welcher Weg für wen

• smb (A): ausgereifte Bewertungsprodukte etablierter Datenanbieter gibt es zu KMU-Preisen, und der Prozess (Bewertung, Preisgestaltung) ist Standard.
• enterprise (B): Restwerte bestimmen Rückstellungen und Leasingpreise, daher muss das Modell über API-basierte Bausteine mit den eigenen Vertrags- und Remarketing-Ergebnissen der Leasinggesellschaft gespeist werden.
• developer (C): Open-Source-Stacks für Gradient Boosting und Zeitreihen laufen auf HW1 und vermeiden Gebühren pro Bewertung, wenn ein Produkt darauf aufgebaut wird.

Weg A — Kaufen (für die meisten KMU und mittelgroße Leasinggesellschaften empfohlen)

• Daten-/Bewertungsanbieter: DAT (Deutschland, EU-basiert; SilverDAT mit Bewertung aus originalen Verkaufserlösberichten, Restwerten und dem Modul SilverDAT 3 FleetForecast für das Flottenrisiko; separate KI-Produkte wie FastTrackAI zur Schadenerkennung) [4]; Schwacke (inzwischen Teil von J.D. Power) und Autovista Group (Eurotax; ebenfalls J.D.-Power-Gruppe) bieten in Europa vergleichbare Bewertungs- und Prognosedaten an; Cox Automotive / Manheim in den USA [1].
• Marktplätze und Remarketing-Plattformen: mobile.de, AutoScout24 (Preisbewertungen), BCA, Autorola, OpenLane sowie Remarketing-Kanäle der Hersteller und Captives. Marktplätze bieten Händlern Bewertungs-Widgets und API-Anbindungen.
• Fuhrparkmanagement-Software: Leasing-Backoffice-Systeme binden DAT-/Schwacke-Feeds in der Regel direkt ein.
• A wählen, wenn: Sie einige Dutzend bis wenige tausend Fahrzeuge pro Jahr bewerten, kein Data-Science-Team haben oder einen anerkannten Referenzwert benötigen (Versicherung, Gericht, Steuer, Prüfungen).
• Aktuellen Produktumfang und Preise beim Anbieter prüfen; Angebote ändern sich häufig.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Lizenzierte Marktdaten per API einkaufen (DAT, Schwacke/J.D. Power, Autovista) und mit den eigenen Vertrags- und Rückgabeergebnissen in einem verwalteten ML-Stack kombinieren: Azure ML, Google Vertex AI, AWS SageMaker (alle mit EU- Regionen) oder Databricks/Snowflake in einer EU-Region; AutoML (z. B. AutoGluon, das auch Chronos mitbringt) genügt für erste Versionen.
• VLM-APIs (Claude, Gemini, GPT, Mistral, in EU-Regionen) für Schadenfotos und die Extraktion aus Prüfberichten; JSON-Schema-Ausgaben fließen in die Bewertungsmerkmale ein.
• B wählen, wenn: Sie 10.000+ historische Transaktionen haben und fahrzeugbezogene Modelle wünschen, die auf Ihre eigenen Kanäle und Rückgabebedingungen abgestimmt sind, ohne Infrastruktur zu betreiben.

Weg C — Selbst betreiben (Open Source)

• Stack: LightGBM / XGBoost / CatBoost [5], scikit-learn, Chronos-2 oder statistische Baselines (statsforecast) für Segmentindizes [7], MLflow als Modellregister, ein Feature Store, Airflow/Dagster für Pipelines. Die TabPFN-Gewichte benötigen für den Produktivbetrieb eine kommerzielle Lizenz [6].
• Offenes VLM (z. B. Qwen-VL-Familie) für selbst betriebene Bewertung des Fotozustands, falls Bilder On-Premises bleiben müssen.
• Hardware: HW1 (CPU-Server) genügt für die Bewertungs- und Prognosemodelle; HW2 (eine GPU mit 24-32 GB) nur ergänzen, wenn Sie ein VLM zur Fotoanalyse selbst betreiben.
• Betriebsaufwand: ein Dateningenieur plus ein Data Scientist; schwierig sind Datenlizenzen und Datenqualität, nicht die Rechenleistung.

Weg D — Eigenes Training

Die meisten großen Leasinggesellschaften und Hersteller-Captives landen für das Kernmodell hier: Sie trainieren eigene gradientenverstärkte oder neuronale Bewertungsmodelle auf proprietären Rückgabe- und Verkaufsdaten, da die eigenen realisierten Ergebnisse (nach Kanal, Region, Aufbereitungsgrad) die beste Quelle für Labels sind. Erforderlich sind mehrere Jahre Vertrags- und Verkaufshistorie, konsistente Schlüssel auf VIN-Ebene und Ausstattungsdaten. Eigene Zeitreihenmodelle für die Wertentwicklung von Segmenten lohnen sich, wenn Sie Zehntausende Verträge verwalten. Das Feintuning von LLMs ist hier selten nützlich.

Stand der Technik (2026)

• Tabellarisches ML dominiert. Gradient Boosting mit Quantilausgaben ist der Produktionsstandard; tabellarische Foundation-Modelle (TabPFN-3.5, bis 1 Mio. Zeilen) sind eine glaubwürdige Alternative für schnellere Entwicklung bei mittelgroßen Datenmengen, mit Lizenzvorbehalten [6].
• Vortrainierte Zeitreihenmodelle (Chronos-2, 120 Mio. Parameter, kovariatenfähig) sind für Prognosen von Segmentindizes brauchbar, sollten aber an einfachen Baselines in Ihren eigenen Rückvergleichen gemessen werden [7].
• Szenariobasierter Restwert: statt einer Zahl rechnen Leasinggesellschaften Szenarien für Antriebsmix, Regulierung, Zinsen und Neuwagenpreise; Werte von E-Fahrzeugen und Batteriepacks früher Generationen sind die größte Unsicherheit. Die Restwerte von E-Fahrzeugen wurden seit 2023 wiederholt neu bewertet.
• Daten sind der Burggraben: Verkaufserlösberichte und Auktionstransaktionen (wie in der Bewertungsbasis der DAT [4]) sind verlässlicher als Angebotspreise, die erzielbare Preise überzeichnen.
• Fotobasierte Zustandsbewertung mit VLMs wird zunehmend in Bewertungsabläufe eingebaut und verringert Streitfälle bei der Leasingrückgabe (siehe VIS-023).
• Grenzen und Fehlerbilder: Regimewechsel (Lieferengpässe, Kraftstoffpreissprünge, Dieselfahrverbote) brechen historische Muster; Leckage von Angebotspreisen; falsch zugeordnete Ausstattungslinien und Ausstattungscodes; dünne Daten für seltene Modelle; Rückkopplungsschleifen, wenn viele Marktteilnehmer dieselbe Prognose nutzen; Überlebensverzerrung in Rückgabedaten. Prognosen über lange Horizonte (4+ Jahre) bleiben grundsätzlich unsicher, daher stets Intervalle ausweisen.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (tabular-ml + time-series): PRED-015 (Immobilienbewertung per AVM; strukturell dasselbe hedonische Regressionsproblem), PRED-001 (Nachfrageprognose), PRED-008 (Preisprognose für Rohstoffe und Energie), PRED-009 (Kreditscoring; Leasingnehmerrisiko und Restwertrisiko ergeben zusammen das gesamte Leasingrisiko) und PRED-010 (Versicherungspreisgestaltung, Totalschadenwerte). Eine MLOps-Plattform und ein Feature Store bedienen alle.
• Bild/VLM: VIS-023 (Schadenbewertung aus Fotos) liefert Zustandsmerkmale und Aufbereitungskosten; DOC-014 (Dokumentenverarbeitung) extrahiert Daten aus Prüfberichten und Scheckheften.
• E-Fahrzeug-Bezug: PRED-026 (Batteriezustand, State of Health) liefert den wichtigsten Werttreiber bei E-Fahrzeugen.
• Kontrollen: ANOM-006 (Betrugs-/Anomalieerkennung, z. B. Tachomanipulation, überhöhte Rechnungen).
• Hardware: HW1-CPU für die Kernmodelle; eine gemeinsam genutzte HW2-GPU, falls Foto-VLMs auch von VIS-023 genutzt werden.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen für das Onboarding; Kosten pro Bewertung oder pro Nutzerlizenz.
• Weg B: 3-6 Monate inkl. Datenlizenzen, Feature-Pipeline und Rückvergleich; Kostentreiber sind Datenlizenzen und Engineering, nicht die Rechenleistung.
• Weg C: ähnlicher Aufwand plus MLOps-Betrieb; geringer Hardwarebedarf.
• Weg D: 6-12+ Monate für ein gesteuertes Modell mit Dokumentation für das Modellrisikomanagement.
• Kennzahlen: MAPE/MdAPE der Bewertung gegenüber dem realisierten Verkaufspreis (nach Segment, Kanal, Altersband), Intervall- abdeckung der Quantile (z. B. Anteil der Verkäufe innerhalb des 80-%-Bandes), Verzerrung je Segment, Restwertgewinn/-verlust je Fahrzeug bei Rückgabe, Genauigkeit der Rückstellungen auf Portfolioebene, Tage bis zum Verkauf, Anteil der Fahrzeuge, die im empfohlenen Kanal verkauft wurden, Zeit bis zur Neubewertung nach einem Marktschock.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung (Budget, Risikoappetit), die Abteilungsleitung von Remarketing/Controlling (verantwortet die Kurven) und die Datenverantwortlichen des DMS/ERP. IT und Datenschutzbeauftragte(r) stoßen in der Entwurfsphase hinzu; Legal/Compliance prüft das Wettbewerbsrecht bei Preisdaten.
• Betriebsrat: in der Regel nein, da das Modell Fahrzeuge bewertet und kein Personal überwacht; § 90 Abs. 1 Nr. 3 BetrVG verlangt dennoch eine rechtzeitige Unterrichtung, wenn sich die Arbeitsabläufe der Gutachter ändern. Wird das Übersteuern durch Gutachter personenbezogen protokolliert, kann § 87 Abs. 1 Nr. 6 greifen.
• Datenschutz: Fahrzeugdaten sind personenbezogen, wenn sie mit Leasingnehmern oder Fahrern verknüpft sind; Rechtsgrundlage prüfen und mit Anbietern einen AVV (Art. 28 DSGVO) schließen. Eine DSFA ist selten erforderlich.
• KI-Kompetenz (Art. 4): das Personal mit einer kurzen Schulung zu Prognoseintervallen, zu den Grenzen dessen, was das Modell nicht wissen kann, und zum Zeitpunkt für ein Übersteuern unterstützen (GUIDE-006).
• Kommunikation und Pilot: mit einem Segment beginnen (z. B. Pkw, 36-Monats-Leasing) und das Modell mit den Werten der Gutachter vergleichen (GUIDE-009).
• Typische Sorgen: „Das Modell ersetzt die Gutachter“ - als Zweitmeinung positionieren; „Black Box“ - Treiber und Intervalle zeigen. Das Restwertgremium behält die endgültige Entscheidung (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Bewertung von Fahrzeugen ist kein Anwendungsfall nach Anhang III; typischerweise minimales Risiko (KI-Kompetenz, Art. 4). Hochrisiko wird es, wenn die Ausgabe zur Bewertung der Kreditwürdigkeit einer natürlichen Person oder zur Erstellung eines Kredit-Scores genutzt wird (Anhang III 5(b)) [8], z. B. wenn die Ausgabe des Modells in Entscheidungen über Verbraucher-Leasinganträge einfließt. Halten Sie Restwertmodelle (auf Objektebene) getrennt vom Scoring der Leasingnehmer (PRED-009). Chat-Assistenten, die mit Kunden sprechen, benötigen den Transparenzhinweis nach Art. 50 [9].
• DSGVO: Fahrzeugdaten, die mit einem Halter verknüpft sind (VIN mit Zulassung, Laufleistungshistorien, Standortdaten aus der Telematik), sind personenbezogene Daten; minimieren, pseudonymisieren und die Rechtsgrundlage prüfen, bevor Telematikdaten für die Bewertung genutzt werden. Aggregierte Marktdaten sind nicht personenbezogen.
• Finanzregulierung: Für Banken und Leasinggesellschaften gehören Restwertmodelle zum Modellrisikomanagement und zur Rückstellungsbildung (IFRS 16/IFRS 9, EBA-Leitlinien und für deutsche Institute MaRisk); Modell-Governance, Validierung und Rückvergleich dokumentieren.
• Verbraucher-/Wettbewerbsrecht: Preisempfehlungen dürfen nicht so zwischen Wettbewerbern geteilt werden, dass dies eine Abstimmung erleichtert; Datenpools bedürfen einer wettbewerbsrechtlichen Prüfung. Bewertungsangaben gegenüber Verbrauchern müssen zutreffend sein (Recht gegen unlautere geschäftliche Handlungen).
• Typische Risiken und Gegenmaßnahmen: Regimewechsel am Markt (Szenarien, häufige Rekalibrierung), Verstöße gegen Datenlizenzen (vertragliche Weitergabebeschränkungen prüfen), Modelldrift (Fehler je Segment monatlich überwachen), zu starkes Vertrauen in Angebotspreise (realisierte Transaktionen verwenden), Tacho- oder Schadenbetrug (Abgleich mit Historiendaten und Fotos).

Erste Schritte

1. Daten zusammenstellen: Ihre Vertrags-, Rückgabe- und Verkaufsdaten der letzten 3-5 Jahre, nach VIN geschlüsselt, plus Ausstattung und Laufleistung; die Zielgröße (realisierter Netto-Verkaufspreis) und den Horizont festlegen.
2. Den aktuellen Prozess als Benchmark erfassen: Fehler der Restwerte Ihres Gremiums gegenüber realisierten Preisen je Segment.
3. Die Bewertung eines Datenanbieters (Weg A) an 200 aktuellen Rückläufern testen und mit Ihren realisierten Preisen vergleichen.
4. Eine LightGBM-Quantil-Baseline mit zeitbasiertem Rückvergleich aufbauen (nie zufällige Aufteilungen); eine Prognose der Segmentindizes ergänzen.
5. Foto-Zustandsmerkmale erst hinzufügen, wenn die Baseline funktioniert; monatliches Monitoring und eine Prüfung durch das Restwertgremium einführen.

Quellen

Hinweis: Die Websuche war während der Recherche nicht verfügbar; die folgenden Quellen wurden direkt abgerufen und decken nur das Genannte ab. Herstellerangaben sind nicht unabhängig überprüft. Abgerufen 2026-10. 1. Cox Automotive — Manheim Used Vehicle Value Index (methodology, Oct 2026 commentary) — https://www.coxautoinc.com/market-insights/manheim-used-vehicle-value-index/ and https://www.coxautoinc.com/market-insights/ 2. Kraftfahrt-Bundesamt — Fahrzeugbestand (stock at 1 Jan 2024) — https://www.kba.de/DE/Statistik/Fahrzeuge/Bestand/bestand_node.html 3. Bundeskartellamt — news (08.10.2026: mobile.de may acquire carwow Germany) — https://www.bundeskartellamt.de/ 4. DAT — SilverDAT, FleetForecast, valuation and AI products — https://www.dat.de/ 5. LightGBM documentation — https://lightgbm.readthedocs.io/en/stable/ 6. Prior Labs — TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN 7. Amazon Science — Chronos forecasting models (Chronos-2) — https://github.com/amazon-science/chronos-forecasting 8. AI Act Explorer — Annex III high-risk systems (point 5(b) credit scoring) — https://artificialintelligenceact.eu/annex/3/ 9. AI Act Explorer — Article 50 transparency obligations — https://artificialintelligenceact.eu/article/50/ 10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj