7 muligheder for automatisk boligvurdering i Danmark

En automatisk boligvurdering er ikke én bestemt løsning. Nogle vurderinger er lavet til skat, andre til at estimere en salgspris og nogle til at fastsætte en værdi til kreditvurdering. Råd til Boligs model er udviklet til kreditvurdering og beregning af friværdi, hvor boligværdien skal kunne bruges sammen med ejendomsoplysninger, gæld og lån. Det rigtige valg afhænger derfor af, hvor aktuel værdien skal være, hvilke data du har brug for, og hvor meget af modellen og driften du selv vil eje.

I Danmark spænder landskabet fra den offentlige ejendomsvurdering og DREAMs dokumenterede boligprismodel til løsninger fra Geomatic, BoIQ, Realview og Råd til Bolig. Du kan også bygge selv med ejendomsdata fra Råd til Bolig i Snowflake, fra Resights eller direkte fra Datafordeleren. De syv muligheder løser forskellige opgaver og offentliggør meget forskelligt om metode, validering og opdatering.

De syv muligheder kort fortalt

Råd til Bolig – når værdien skal bruges sammen med gæld og lån

Vi bygger selv datagrundlaget på udtræk direkte fra Datafordeleren. Råd til Boligs API kan returnere et modelestimat sammen med ejendomsoplysninger, tinglyst gæld og lån. I rådgiverfladen kan du se referencehandler og rette boligværdi og gældsoplysninger.

Modellen bygger på neurale netværk og er udviklet med afsæt i Sellam m.fl.s fagfællebedømte paper Boosting house price estimations with Multi-Head Gated Attention. [1] Attention-laget lærer, hvilke referencehandler der er mest relevante for den konkrete bolig. Vores implementering er tilpasset danske registerdata og er ikke en kopi af forskningsmodellen.

Modellen behandler geografisk nære handler, strukturelt lignende handler og grund- og nedrivningshandler i separate referencekanaler. Det neurale netværk samler dem med boligens egne register- og geodata i en embedding. En lineær regression beregner derefter en faktor, som justerer den lokale markedspris til det samlede værdiestimat. Den tekniske dokumentation beskriver datagrundlag, referencevalg, arkitektur og validering.

Løsningen viser endnu ikke en usikkerhedsscore for den enkelte bolig.

Geomatic – AVM som tilvalg til en ejendomsdatabase

Geomatic og Råd til Bolig leverer begge ejendomsdata. Forskellen er, hvordan du får dem: Geomatic tilbyder en selvstændig ejendomsdatabase via API eller faste datapakker, hvor en AVM til ejerboliger er et tilvalg. [2] Vælg den vej, hvis du vil have en særskilt ejendomsdatabase og selv bestemme, hvor estimatet kobles på.

Den seneste offentlige metodebeskrivelse, vi fandt, er en arkiveret produktside fra Geomatic. Den beskriver fire modelgrupper, som samles til én vægtet pris: lineær regression, lokal prisudvikling, sammenlignelige handler i nærområdet og forventet afslag i udbudsprisen. [3] Det stemmer overens med, hvad jeg har fået fortalt af en tidligere medarbejder hos Geomatic. Den aktuelle produktside viser ikke længere den metode.

Den arkiverede side siger, at mindst 75 % rammer inden for ±20 % af handelsprisen. Det er en nedre grænse, ikke et præcist resultat; vores interne PM20 på 79,51 % for huse, rækkehuse og ejerlejligheder ligger 4,51 procentpoint over den angivne 75 %-grænse. I et LinkedIn-opslag fra 2020 skrev Geomatics stifter, Martin Kaae Glarvig, i stedet, at modellen ramte minimum 80 % af alle ejerboliger inden for ±20 %. [3] [4] [23] Det dokumenterer ikke et forspring: 80 %-påstanden ligger omtrent på niveau med vores samlede resultat, under vores 87,96 % for ejerlejligheder og over vores 76,29 % for huse og rækkehuse. Geomatics kilder viser ikke samme stikprøve, periode, segmentering eller testdesign som vores performance-test, så det er ikke en direkte rangering.

BoIQ – når du vil have en dokumenteret machine learning-model

BoIQ er mere åben om modellen, end produktsiden først giver indtryk af. DinGeo og Boliga Gruppen beskriver Property_Value_Prediction_4.8, trænet 15. marts 2025 på danske boligsalg fra 1992 til træningsdatoen. Modellen arbejder med parcel- og rækkehuse, fritidshuse og lejligheder og inddrager blandt andet beliggenhed, størrelse, tidligere handler, socioøkonomi og oversvømmelsesrisiko. Beskrivelsen nævner også datarensning, frasortering af outliers og korrektion for den generelle prisudvikling. [16]

BoIQ beskriver et 80/10/10 split: 80 % af data bruges til træning, 10 % til validation og 10 % som et afsluttende test set. For model 4.8 oplyses R² til 0,911. En senere beskrivelse af model 4.11 siger, at den bruger 18 parametre; antal badeværelser og toiletter var den sjette tungest vægtede. [16] [17]

I vores seneste interne 3-fold cross validation var R² 0,9424 på 155.992 endelige out-of-fold-prisestimater i den typeafgrænsning, der ligger tættest på BoIQs beskrevne boliggrupper. Det er numerisk 0,0314 højere end BoIQs offentliggjorte 0,911. Det er ikke en direkte head-to-head-test: Vores evaluering er ikke helt blind, fordi testpriser kan påvirke enkelte afledte inputs, og BoIQ oplyser ikke, hvordan data er splittet, hvordan target er behandlet eller nok om den afsluttende test til, at den kan genskabes.

Det er reel modeldokumentation, men R² er ikke en procentvis prisfejl. Tallet fortæller hverken den gennemsnitlige afvigelse eller andelen af vurderinger inden for ±20 %. BoIQ offentliggør heller ikke MAPE, PM20, resultater pr. boligtype eller geografi, selve algoritmen eller om splittet er lavet efter tid eller grupperet efter adresse. Modellen kan bruges til enkeltadresser, porteføljer og scenarier, men bed om den aktuelle modelversion og en blind test på den type boliger og det område, du selv skal vurdere. [5] [16]

Realview – når udbudshistorik og vurderingsproces vejer tungt

Realview har mere end bare data. En arkiveret produktside beskriver en færdig statistisk vurdering under navnet Boligprismodellen, udviklet sammen med Deloitte og e-nettet og anvendt af banker og realkreditinstitutter. Siden siger, at modellen blev videreudviklet løbende og tilbudt med performancegarantier, men viser ikke garantiernes tal. En Deloitte-rapport fra 2014 beskriver modellen som en kalibrering af mange datakilder, herunder geodata, til et statistisk værdiskøn. [18] [19]

På den aktuelle side fremhæver Realview egne markedsdata siden 2001, historiske ejendoms- og annoncedata, transaktionsdetaljer, lokale benchmarks samt statistikker for prisudvikling, prisnedsættelser og liggetid. Det er relevante signaler til en AVM. Realview tilbyder samtidig data til kunders egen modeludvikling, og siden siger ikke, hvilke signaler der indgår i et færdigt Realview-estimat. [6]

Realview er derfor relevant at undersøge som AVM-leverandør, ikke kun som rå dataleverandør. Men vi fandt ingen offentlig beskrivelse af algoritme, train/test split, opdateringsfrekvens, usikkerhedsscore, MAPE eller PM20. Den aktuelle side knytter heller ikke entydigt det historiske produkt Boligprismodellen til dagens produkt. Få derfor afklaret, om tilbuddet er en færdig AVM, en custom model eller data til din egen model—og bed om den aktuelle valideringsrapport. [6] [18]

DREAM/BVC – dokumenteret model som custom løsning

DREAMs analyse for Boligøkonomisk Videncenter (BVC) fra 2023 estimerede kvartalsvise kvadratmeterpriser for ca. 1,4 mio. privatejede ejerboliger på baggrund af handler fra 1992-2021. Rapporten måler model performance på 10 % af handlerne og viser MAPE og PM20, men ikke R² eller hvordan de 10 % blev udvalgt. Det gør den til et relevant fagligt benchmark, hvis du udvikler din egen model. [7]

Den offentliggjorte DREAM-model er lokal. For hver bolig uden for Bornholm finder den de 15.000 nærmeste handler. Den bruger 12.000 til at estimere den lokale sammenhæng og de sidste 3.000 som validation data under træningen for at begrænse overfitting og kontrollere den lokale performance. På Bornholm bruger rapporten i stedet én fælles estimering baseret på alle ca. 14.500 handler med samme 80/20 split. Rapportens samlede MAPE- og PM20-tal beregnes separat på 10 % af alle handler i perioden. Handlerne vægtes efter afstand, hvorefter LightGBM estimerer kvadratmeterprisen ud fra bolig-, beliggenheds- og ejeroplysninger. [7]

DREAM/BVC-rapporten har været den største metodiske inspiration for vores arbejde med danske transaktionsdata, lokale referencehandler og validering. Det betyder ikke, at modellerne er identiske: DREAM estimerer lokale LightGBM-modeller, mens vores arkitektur bruger separate referencekanaler, et attention-netværk og en lineær korrektion af en lokal markedspris.

Rapporten beskriver selv tilgangen som beregningstung: Der estimeres en unik LightGBM-model for hver bolig i stedet for at genbruge én model på tværs af boliger. DREAM har ikke offentliggjort, om den kommercielle API bruger samme arkitektur.

DREAM er ikke kun et forskningsbenchmark. Instituttet udfører brugerbetalte opgaver for både offentlige og private kunder og udvikler blandt andet modeller til analyse af boligprisudviklingen. [20] Vi har desuden kendskab til, at boligprisestimater kan leveres via API. DREAMs offentlige sider beskriver dog ikke API'ets pris, dækning, aktualitet eller integrationsvilkår, så de forhold skal afklares direkte med DREAM.

Den offentliggjorte model bruger ejerkarakteristika—herunder husstandsindkomst og år siden køb—fra administrative registerdata, som DREAM har adgang til gennem Danmarks Statistiks Forskerservice. [7] Datagrundlaget og brugsretten i den konkrete kommercielle løsning bør derfor også afklares med DREAM.

Den offentlige ejendomsvurdering – når en officiel basisværdi er nok

Den offentlige ejendomsvurdering er et reelt valg, når du har brug for en officiel værdi og kan leve med dens dato. Vurderingsstyrelsen bruger en matematisk model og registerdata fra blandt andet Tinglysningen, BBR, Klimadatastyrelsen og Plandata.dk til at vurdere ca. 2,4 mio. ejendomme. Det primære formål er at danne grundlag for ejendomsskatter. [8]

I et notat fra januar 2023 om kvalitetssikringen af de foreløbige 2022- og 2023-vurderinger beskriver Vurderingsstyrelsen nye modelberegninger af både ejendomsværdi og grundværdi. Planen omfatter kontrol af modellens performance mod kendte salgspriser og outlierkontrol inden for geografiske klynger og ejendomssegmenter. Notatet omtaler også referencebaseret udfyldning af manglende eller ugyldige data som en forbedring, der blev undersøgt. [21]

En anonym Reddit-kommentar fra 2022, hvis forfatter beskriver interne erfaringer fra projektet, hævder, at modellen skulle være fuldt forklarlig og derfor ikke kunne bruge deep learning. Kommentaren beskriver også, at modellen batchkører over historiske salgs- og ejendomsdata, og peger på områder med få handler samt den separate værdisætning af jord og bygninger som svære edge cases. Forfatterens identitet og projektrolle kan ikke verificeres, og oplysningerne er ikke officielt bekræftet. [22]

Jeg sendte faktisk engang mit CV ind til en konsulentrolle på projektet. Rollen krævede Clojure, som jeg i så fald selv skulle lære. Det var en noget usædvanlig vej ind i ejendomsvurderinger og en af grundene til, at jeg siden har fulgt projektet tæt.

Begrænsningen er aktualiteten. Efter ejendomsvurderingslovens §§ 5-8 er den ordinære rytme hvert andet år. Mellem vurderingsårene fanger en omvurdering normalt bestemte ændringer, eksempelvis nybyggeri, om- eller tilbygning, ændret grundareal eller alvorlig skade. Omvurderingen bruger prisniveauet fra den seneste almindelige vurdering. [9]

I 2026 gælder en særlig regel. Lov nr. 615 af 30. juni 2026 betyder, at 2026-vurderingen for ejerboliger, der vurderes i lige år, som udgangspunkt prisfremskrives fra 2022-grundlaget til 2026-niveau. [10] Vurderingsstyrelsens status, opgjort 2. juli 2026, viste samtidig, at 612.000 af ca. 1,85 mio. 2024-vurderinger var udsendt. [11] Kontrollér derfor altid vurderingsår og status. Den offentlige vurdering er en officiel referenceværdi, ikke en løbende markedsopdatering.

Ved beregning af ejendomsværdiskat sættes beskatningsgrundlaget som udgangspunkt 20 % under vurderingen. Forsigtighedsprincippet ændrer ikke selve den offentliggjorte ejendomsvurdering. [12]

Byg selv – med Råd til Bolig, Resights eller Datafordeleren

Hvis du vil eje modellen og driften, kan du købe et normaliseret datagrundlag hos Resights eller hente blandt andet BBR, DAR, Matriklen, EBR og Ejerfortegnelsen direkte fra Datafordeleren. Resights beskriver en REST-API med mere end 2.500 variable og reducerer integrationsarbejdet. [13] [14] Begge veje giver dig data, ikke en færdig AVM. Du skal stadig håndtere handler, historik, modelvalg, validering og drift.

Vil du eje modellen, men slippe for at bygge hele datapipelinen, kan du få de rå ejendomsregistre gennem Råd til Bolig. Vi leverer DAR, BBR, EBR, offentlige ejendomsvurderinger, Ejerfortegnelsen, Matriklen og GeoDanmark-data med fuld historik og ugentlige opdateringer i Snowflake. Så slipper dit team for blandt andet BBR-filer på mere end 280 GB, GeoPackage-formater og FTP/SFTP-integration og kan bruge tiden på handlerne og selve modellen. Se vores ejendomsdata, eller gå direkte til Råd til Bolig på Snowflake Marketplace.

Vores interne performance: lavere fejl end DREAM/BVCs offentliggjorte tal

I vores interne test har Råd til Bolig lavere MAPE og højere PM20 end de tal, DREAM/BVC har offentliggjort, i alle tre sammenligninger nedenfor. Det er en klar numerisk fordel, selv om testene ikke er direkte sammenlignelige.

MAPE er den gennemsnitlige absolutte procentvise fejl; lavere er bedre. PM20 er andelen af estimater inden for ±20 % af den observerede værdi; højere er bedre. [7] R² måler, hvor meget af prisvariationen modellen forklarer; højere er bedre.

DREAMs tabel 5.2 offentliggør MSE, men ikke R² eller de nødvendige aggregater for de observerede priser. DREAMs R² kan derfor ikke beregnes korrekt fra rapporten alene. [7]

Den offentliggjorte analyse bruger ikke cross validation. De lokale datasæt bruger ét 80/20 train/validation split; rapporten skriver selv, at cross validation oftest er bedre end ét split. Den samlede performance måles separat på 10 % af handlerne, men udvælgelsen, seedet og variationen mellem nye splits er ikke dokumenteret. Et enkelt test set kan derfor være heldigt og kan i princippet genkøres med et gunstigere resultat. Der er ikke belæg for, at DREAM faktisk har gjort det. [7]

I denne performance-test estimerede vores model samlet handelspris ud fra de foregående 1.460 dage. DREAM estimerede i BVC-analysen kvadratmeterpriser på handler fra 1992-2021. [7]

Vores 3-fold cross validation reducerer følsomheden for ét heldigt split, fordi hver handel holdes ude én gang. Testen er dog ikke helt blind. Først efter de indledende handels- og prisfiltre splitter vi data i tre folds. Hver testhandel holdes ude af sit eget referencegrundlag, men priser fra samme fold kan stadig påvirke andre inputs, filtreringen af outliers og kommunegrundlaget. Det betyder, at testen kan overvurdere modellens performance en smule.

DREAMs testgrundlag er også filtreret. Rapporten følger Danmarks Statistiks 2023-metode og frasorterer blandt andet handler, hvor prisen er under 40 % eller over 300 % af den offentlige ejendomsvurdering. [7] [15] Filteret kan fjerne datafejl og særlige handler, men det udelukker også nogle af de handler, der ligger længst fra den offentlige vurdering. Vores test bruger ikke et tilsvarende vurderingsbaseret prisfilter. Det skaber et anderledes test set med risiko for selection bias og kan få DREAMs fejlmål til at se bedre ud; rapporten viser ikke effekten uden filteret.

Det er et stærkt internt signal, men ikke et officielt benchmark. Modellerne er udviklet og testet med forskellige tilgange og på forskellige datagrundlag.

Hvilken boligvurdering skal du vælge?

Vi har bygget Råd til Bolig til at samle boligværdi, ejendomsdata, gæld og lån i ét workflow, hvor boligværdi og gældsoplysninger kan rettes i rådgiverfladen.

Geomatic er relevant, hvis du vil have en selvstændig ejendomsdatabase med AVM som tilvalg. BoIQ offentliggør en konkret, aktuel modelbeskrivelse med split og R². Realview kombinerer en lang udbudshistorik med et historisk spor som færdig AVM, men viser mindre om dagens metode. DREAM/BVC kombinerer et dokumenteret forskningsbenchmark med mulighed for en custom løsning fra DREAM. Den offentlige vurdering er et godt officielt udgangspunkt, mens en egen model kun giver mening, hvis du vil eje driften og vedligeholdelsen.

Se, hvordan Råd til Boligs API samler boligdata, værdi og finansielle beregninger.

Kilder

[1]: https://doi.org/10.1016/j.eswa.2024.125276 Sellam m.fl.: Boosting house price estimations with Multi-Head Gated Attention, Expert Systems with Applications 259 (2025)

[2]: https://www.geomatic.dk/services/ejendomsdatabasen Geomatic: Ejendomsdatabasen

[3]: https://web.archive.org/web/20230531184721/https://geomatic.dk/dk/services/data-lake/ejendomsvaerdimodel-avm/ Geomatic: Ejendomsværdimodel (AVM), arkiveret 31. maj 2023

[4]: https://dk.linkedin.com/posts/martinkaaeglarvig_vilde-tal-nye-ejendomsvurderinger-rammer-activity-6727659626013220864-vAbY Martin Kaae Glarvig: LinkedIn-opslag om Geomatics AVM, 29. oktober 2020

[5]: https://boiq.dk/produkter#ejendomsvurdering BoIQ: Ejendomsvurdering

[6]: https://www.realview.dk/bank-og-realkredit Realview: Bank og Realkredit

[7]: https://bvc.dk/media/1939/dream-2023-prisen-paa-ejerboliger-1992-2021.pdf DREAM: Prisen på ejerboliger 1992-2021, analyse for Boligøkonomisk Videncenter

[8]: https://vurdst.dk/kerneopgaver-i-vurderingsstyrelsen/ejendomsvurdering Vurderingsstyrelsen: Sådan vurderer vi ejendomme

[9]: https://www.retsinformation.dk/eli/lta/2023/1510 Ejendomsvurderingsloven, især §§ 5-8

[10]: https://www.retsinformation.dk/eli/lta/2026/615 Lov nr. 615 af 30. juni 2026

[11]: https://vurdst.dk/udsendelser-af-deklarationer-og-vurderinger Vurderingsstyrelsen: Udsendelser af deklarationer og vurderinger, status opgjort 2. juli 2026

[12]: https://info.skat.dk/data.aspx?oid=1948982 Den juridiske vejledning: Forsigtighedsprincippet

[13]: https://resights.dk/api-integration/ Resights: API-integration

[14]: https://datafordeler.dk/dataoversigt/ Datafordeleren: Dataoversigt

[15]: https://www.dst.dk/Site/Dst/SingleFiles/kvaldeklbilag.aspx?ext=.pdf&filename=79992969-798e-4261-b57e-5c43ae514c2fEjendomssalg_2023 Danmarks Statistik: Ejendomssalg 2023, afsnit 3.5

[16]: https://www.dingeo.dk/data/ejendomsvurdering/boiq/ DinGeo/Boliga Gruppen: BoIQ-ejendomsvurderingsmodellen

[17]: https://www.dingeo.dk/artikel/blogs/antal-toiletter-boligkoeb/ DinGeo/Boliga Gruppen: Flere badeværelser – højere boligpris?, 27. marts 2025

[18]: https://web.archive.org/web/20190521120228/http://www.realview.dk/da/vores_viden/cases/05.php Realview: Statistisk værdiansættelse – Boligprismodellen, arkiveret 21. maj 2019

[19]: https://gst.dk/media/gst/2618970/Effekten%20af%20de%20frie%20geografiske%20data%20Deloitte%20Rapport.pdf Deloitte for Geodatastyrelsen: Effekten af de frie geografiske data, maj 2014, PDF-side 96 af 101 (trykt rapportside 94)

[20]: https://dreamgruppen.dk/modeller-og-metoder/oevrige-analyser DREAM: Nye værktøjer og dataanalyse

[21]: https://vurdst.dk/media/51wd0phb/bilag-1-kvalitetssikring-af-foreloebige-2022-og-2023-ejendoms-og-grundvaerdier-statistisk-kvalitetssikringskoncept.pdf Vurderingsstyrelsen: Statistisk kvalitetssikringskoncept for foreløbige 2022- og 2023-vurderinger, 8. januar 2023

[22]: https://api.pullpush.io/reddit/search/comment/?ids=ihh5ahp PullPush-arkiv af anonym Reddit-kommentar om projektet bag de nye ejendomsvurderinger, 24. juli 2022

[23]: https://www.geomatic.dk/post/strategiaendring-i-geomatic-flytter-fokus-til-kerneforretningen Geomatic: Strategiændring i Geomatic flytter fokus til kerneforretningen; Martin Kaae Glarvig omtales som Geomatics stifter