Überblick
Der Endkunde von VoiceAgenten betreibt bundesweit große Standorte mit Lager- und Self-Storage-Flächen, die er an Privat- und Geschäftskunden vermietet. Das Unternehmen wächst stark und eröffnet regelmäßig neue Standorte – und genau hier lag die Herausforderung: Bevor ein neuer Standort in Frage kommt, muss er gründlich analysiert werden. Wie sieht der Wettbewerb im Umkreis aus, zu welchen Preisen? Wie viele Menschen leben im Einzugsgebiet, wie hoch ist ihre Kaufkraft, wie ist die Altersstruktur?
Diese Recherche erledigte das Team bislang manuell – mit teuren Spezial-Tools, die mehrere tausend Euro pro Jahr kosteten, und mit tagelanger Handarbeit pro Standort. Ein langsamer, teurer und schwer skalierbarer Prozess, der die Expansion ausbremste.
Gemeinsam mit VoiceAgenten habe ich daraus eine maßgeschneiderte Anwendung gemacht: Der Nutzer gibt eine Adresse und einen Suchradius ein – die App liefert innerhalb von Sekunden bis Minuten einen vollständigen Standortreport mit Wettbewerbern, Preisen, Fahrzeiten, Demografie und einer KI-gestützten Markteinschätzung. Was früher Tage dauerte, ist heute ein Knopfdruck.
Meine Rolle
Ich wurde von VoiceAgenten, die den Auftrag mit dem Endkunden hielten, als Freelancer Fullstack-Entwickler hinzugezogen und habe die Anwendung von der Konzeption bis zum produktiven Betrieb umgesetzt – vom Backend über das Frontend bis hin zu KI-Integration, Datenpipelines, Infrastruktur und Deployment.
Begonnen hat alles mit einem Workshop, in dem wir gemeinsam mit dem Kunden die Anforderungen und eine Produktvision erarbeitet haben. Von dort aus haben wir das Produkt iterativ und eng am Nutzer aufgebaut: zuerst die Wettbewerbsanalyse als Kern, dann Schritt für Schritt Fahrzeiten, demografische Daten und schließlich eine autonome Deep-Research-Komponente. So konnte der Kunde in jeder Ausbaustufe echten Mehrwert nutzen und die Richtung aktiv mitgestalten.
Umfang
Das Herzstück ist eine KI-gestützte Pipeline, die die Websites von Wettbewerbern automatisch ausliest und mit einem Sprachmodell strukturierte Standort- und Preisdaten extrahiert – robust gegenüber sehr unterschiedlichen Seitenstrukturen. Damit die gefundenen Preise überhaupt vergleichbar werden, rechnet die Anwendung sie auf eine einheitliche Größe um (Euro pro Quadratmeter und Monat, netto) und berücksichtigt dabei Wochen- und Vier-Wochen-Preise ebenso wie die Mehrwertsteuer.
Auf dieser Datenbasis entsteht der eigentliche Standortreport. Die App geocodiert jede Adresse, berechnet echte PKW-Fahrzeiten zwischen Zielstandort und Wettbewerbern und reichert das Einzugsgebiet mit demografischen Kennzahlen an – von der Bevölkerung über die Haushalte bis zu Kaufkraft und Altersstruktur. Ergänzt wird das Ganze durch einen KI-Agenten, der eigenständig nach zusätzlichen Wettbewerbern, Preistrends und Markt-Insights recherchiert und seine Ergebnisse mit Quellen belegt. Alles fließt in eine interaktive Report-Ansicht mit Karten und Tabellen zusammen und lässt sich als umfassendes Excel für die interne Weiterverarbeitung exportieren. Im Hintergrund hält ein geplanter Dienst die Wettbewerbsdaten automatisiert aktuell, das gesamte System läuft containerisiert.
Technische Highlights
KI-gestütztes Scraping mit Strategy-Pattern. Wettbewerber-Websites sind extrem heterogen – jede hat ihre eigene Struktur. Statt für jede Seite einen starren Parser zu schreiben, habe ich ein flexibles Strategy-Pattern (Scraping-Strategie, Link-Filter und Scraper je Anbieter) mit einem LLM als universellem Extraktor kombiniert (via LiteLLM, modellunabhängig). Der HTML-Text wird bereinigt und in strukturierte JSON-Daten überführt, inklusive automatischer Korrektur typischer LLM-Fehler und Wiederhol-Logik für fehlgeschlagene Extraktionen.
Präzise Geo-Analyse. Nahe Wettbewerber werden per Haversine-Formel direkt in der Datenbank ermittelt; für die realistische Erreichbarkeit werden über die HERE Matrix-Routing-API echte Fahrzeiten berechnet und im Report ausgewiesen (etwa „25 Min“).
Demografie auf Knopfdruck. Über die ArcGIS-GeoEnrichment-API reichert die App jeden Standort parallel für sechs Einzugsgebiete an (Fahrzeit 10/20/30 Minuten und Radius 5/25/50 Kilometer) – mit Einwohnern, Haushalten, Kaufkraft (gesamt, pro Kopf und als Index gegenüber dem Bundesdurchschnitt) und einer nach Altersgruppen aufgeschlüsselten Bevölkerungsstruktur.
Autonomer Deep-Research-Agent. Eine im Hintergrund laufende Komponente auf Basis von Google Gemini Deep Research recherchiert eigenständig das Marktumfeld: bislang unbekannte Wettbewerber, geschätzte Preise, Preistrends und ein Management-Summary, jeweils mit Quellenangaben. Die Läufe erfolgen asynchron mit Status-Tracking, sodass Reports sofort verfügbar sind und sich die Tiefenanalyse nachträglich ergänzt.
Solide Fullstack-Basis. Das Backend baut auf FastAPI, SQLAlchemy 2.0 und PostgreSQL (inklusive Alembic-Migrationen), das Frontend auf React 19, Vite, Tailwind CSS 4 und interaktiven Leaflet-Karten. Ein separater APScheduler-Dienst hält die Wettbewerbsdaten automatisiert aktuell, ohne die API-Performance zu beeinträchtigen, und die Ergebnisse lassen sich als mehrseitiges Excel (Wettbewerber, Marktanalyse, Demografie und Karten) exportieren. Das Deployment erfolgt vollständig über Docker.
Ergebnis & Wirkung
Eine Standortanalyse, die früher tagelange Handarbeit bedeutete, entsteht heute in Sekunden bis wenigen Minuten. Gleichzeitig konnten teure externe Datentool-Abos im Wert mehrerer tausend Euro pro Jahr abgelöst werden, weil die Recherche jetzt in einer eigenen, maßgeschneiderten Lösung läuft. Vor allem aber bündelt der Report mehr Informationen als der bisherige manuelle Prozess – Wettbewerb, Preise, Erreichbarkeit, Demografie und KI-Marktanalyse in einem – und macht Standortentscheidungen fundierter, vergleichbarer und in Serie durchführbar. Der Kunde ist begeistert, nicht nur wegen der Geschwindigkeit, sondern weil sich die gesamte Entscheidungsgrundlage spürbar verbessert hat.