In Zeiten, in denen Speicherplatz kein limitierender Faktor einer IT-Strategie mehr ist, ist es verlockend, sich einen Daten-See anzulegen. Man erfasst alle erdenklichen Daten, um später einmal darauf zugreifen zu können. Dahinter steht die Vermutung, Daten, deren Nützlichkeit heute noch nicht vollständig abschätzbar ist, könnten später einmal alleine oder in Verbindung mit anderen Informationen wertvoll werden.

„Es gibt eine steigende Anzahl von Unternehmen, die einen sogenannten Data Lake haben, in den Daten eingespeist werden“, berichtet Niels Pothmann. Denn die heutigen technologischen Möglichkeiten machen die Datenspeicherung erheblich einfacher und kostengünstiger. Um die Daten für die eigene Wertschöpfung zu nutzen, seien trotzdem Investitionen nötig, da für die Anbindung der Systeme, mit denen die Daten erfasst werden, Aufwand entstehe, so der Senior Manager Advanced Analytics bei der Bertelsmann-Tochtergesellschaft Arvato Systems in Gütersloh. Die Alternative dazu ist eine bedarfsgerechte Datenerhebung, die von einem konkreten Anwendungsfall oder einem Geschäftsmodell ausgeht.

Beide Vorgehensweisen seien vertretbar und valide, betont Pothmann. Es sei eine Frage der Philosophie. Seiner Erfahrung nach gebe es aber durchaus eine Tendenz, mit einem „Leuchtturm“ zu beginnen. Denn viele Unternehmen sträubten sich dagegen, in einen ungewissen Nutzen zu investieren und die digitale Erfassung von Daten auf die Spitze zu treiben. Von konkreten Anwendungsfällen ausgehend lasse sich besser überprüfen, welchen Umfang die Datensammlung idealerweise haben sollte.

„Wir sprechen mit unseren Kunden immer über konkrete use cases“, sagt der Datenspezialist. Welche Anwendungsfälle würden dem Unternehmen einen gewissen Mehrwert bringen? Das ist eine der zentralen Fragen, die Pothmann und seine Kollegen an den Anfang eines Advanced-Analytics-Prozesses stellen.
Advanced Analytics steht für die Anwendung von Machine-Learning- und Data-Science-Methoden, mit denen Informationen aus der Vergangenheit und Gegenwart genutzt werden, um Prognosen zu erstellen. Man mag auf den ersten Blick meinen, dass diese Anglizismen gar nicht nötig wären, um etwas zu umschreiben, das mit der Liberalisierung der Energiewirtschaft und der Professionalisierung des Energiehandels gang und gäbe wurde. Preisprognosen gab es gefühlt schon immer. Früher waren es eben Analysen, Prognosen und Vorhersagen.

„Etwas Entscheidendes hat sich in der Methodik weiterentwickelt“, sagt Pothmann. „Früher waren die Methoden überwiegend linear und orientierten sich an den Zeitreihen selbst, die aus Werten der Vergangenheit und der Gegenwart zusammengestellt wurden.“ Das heißt, man ging der Frage nach, warum bestimmte Situationen zustande kamen, etwa mit einer klassischen Regressionsanalyse. Gegebenenfalls wurden Zahlen in die Zukunft extrapoliert.

Heute, im Zeitalter von Big Data, könne man viele verschiedene Parameter – Pothmann nennt sie „Umgebungsparameter“ – miteinander verknüpfen, um ein genaues Bild zu erhalten, beispielsweise von einem Kraftwerk. Denn dessen optimale Fahrweise ist von Rohstoffpreisen, der Entwicklung im Strommarkt, der Entwicklung in anderen Energiemärkten, von Wetterdaten, von der Last im Netz und vielen weiteren Einflussfaktoren abhängig, die auch noch untereinander korrelieren.

Mit Methoden des Advanced Analytics lassen sich solche Parameter und ihre Korrelationen erkennen, untersuchen und herleiten. Darauf aufbauend können wesentlich genauere Prognosen erstellt werden, als dies in der Vergangenheit der Fall war. Sie führen dann zu Handlungsempfehlungen, etwa wie Turbinen oder Wärmespeicher gesteuert werden sollten, um ein Gesamtoptimum aus dem Zusammenspiel der einzelnen Assets zu erzielen.
 
Da immer präzisere Sensortechnologien verfügbar werden und sich nicht nur neue, sondern auch mit Sensorik nachgerüstete ältere Anlagen weitgehend digitalisieren lassen, gelingt die Optimierung einer Fahrweise heute wesentlich effizienter. Darüber hinaus öffnen Advanced-Analytics-Methoden die Tür zu weiteren Anwendungen, die immer günstiger werden und einfacher umzusetzen sind.

„Auf dieser Grundlage lässt sich ein Predictive-Maintenance-System aufbauen“, sagt Pothmann. Damit könnten Entscheidungshilfen generiert werden, wann idealerweise ein Anlagenteil gewartet oder ausgetauscht werden sollte. Nach Überzeugung des Data Scientists wird Big Data hier künftig noch viel Optimierungspotenzial bieten. Denn mit dem frühzeitigen Erkennen oder Vermeiden von Leistungseinbußen, von Schäden an den Anlagen und von Stillstandszeiten gehe die Minimierung eines wesentlichen Kostenblocks im Kraftwerksbetrieb einher.

Advanced Analytics spielt bei allen Erzeugungsarten eine Rolle und wird zunehmend wichtiger. Am Ende geht es zwar immer um einen wirtschaftlichen Betrieb, aber auch einzelne Parameter können in den Fokus gerückt werden, wie Pothmann am Beispiel der Windkraft verdeutlicht: „Man kann die Stellung der Rotorblätter zur Zielgröße machen, damit eine Turbine jederzeit den optimalen Ertrag liefert.“ Der ideale Weg wäre dann, aus historischen und aktuellen Wetterdaten, Netzdaten und Daten der technischen Verfügbarkeit über verschiedene Machine-Learning-Methoden entsprechende Signale zu generieren, automatisch weiterzugeben und die Anlage zu steuern.

„Das streben wir an“, betont Pothmann. Ein vollständig automatisiertes System, das auch Entscheidungsprozesse automatisiert, sei das Ziel. Diese Königsdisziplin der intelligenten Steuerung sei jedoch noch nicht an allen Stellen in der Praxis umsetzbar - mit Betonung auf „noch“. Die technologische Entwicklung sei noch nicht in allen Bereichen soweit.

Doch egal, ob ein vollautomatisierter Entscheidungsprozess implementiert oder der Mensch am Ende noch eingebunden ist, für Datenspezialisten wie Pothmann geht es vor allem darum, auf Basis einer stetig wachsenden Datenmenge mithilfe künstlicher Intelligenz eine immer bessere Entscheidungsgrundlage zu schaffen und das Potenzial der Daten für Geschäftsprozesse nutzbar zu machen.