Auto Leasing mag für viele nach langweiligem Geschäft klingen. Aber ist es das auch? Schauen wir uns einmal die GuV von Athlon Deutschland im Handelsregister an. Es fängt mit den Leasingerträgen und Aufwendungen an. Die Anzahl der Fahrzeuge habe ich aus den Angaben zum Geschäftsverlauf; die grauen Zellen wurden von mir hinzugefügt. Wir sehen eine stabile, langweilige Entwicklung. Klar, das Leasing-Geschäft ist nunmal geprägt von stabilen Entwicklungen; ein Leasing-Vertrag überdauert meist mehrere Jahre und macht das ganze planbar. 2025 2026 1. Leasingerträge 1,099,274,739 1,101,228,061 2. Leasingaufwendungen -629,567,964 -632,335,712 Leasingergebnis 469,706,775 468,892,349 Fahrzeuge 62,969 64,101 Leasingerträge pro Fahrzeug 17,457 17,180 Leasingergebnis pro Fahrzeug 7,459 7,315 Und mit den anderen Positionen kommt folgende (hier gekürzte) GuV heraus: 2025 2026 1. Leasingerträge 1,099,274,739 1,101,228,061 2. Leasingaufwendungen -629,567,964 -632,335,712 3. Zinserträge aus Kredit- und G...
Fußballspiele vorherzusagen kann vielleicht als Volkssport beschrieben werden: Angebote zum Tippen gibt es zuhauf und manche sehen die Chance auf das große Geld. Grund genug selbst eine Vorhersage zu treffen und vielleicht sogar Geld beim Tippen zu gewinnen. 1. Daten einlesen Als erstes laden wir die benötigten Libraries und die notwendigen Daten: library (httr) library (jsonlite) library (dplyr) library (tidyr) library (stats) ## 1. Daten aufbereiten jahre <- c( 2022 , 2023 , 2024 , 2025 ) all_seasons_data <- data.frame() for (k in 1 :length (jahre)) { url <- paste0( "https://api.openligadb.de/getmatchdata/bl1/" , jahre[k]) res <- GET(url) json_text <- content(res, "text" , encoding = "UTF-8" ) #Text extrahieren, in dataframe umwandeln temp_df <- fromJSON(json_text, flatten = TRUE ) all_seasons_data <- bind_rows(all_seasons_data, temp_df) Sys.sleep ( 0.2 ) #verlangsamen, damit sich der loop nicht selbst stört } df_...