

Komplexität meistern: Warum Energieversorger ihrer Datenwelt jetzt auf den Grund gehen sollten!
Inmitten eines radikalen Marktwandels müssen Energieversorger ihre Datenwelt neu ausrichten – für mehr Präzision und Tempo beim Pricing. Doch soll und kann ein EVU diese Aufgabe allein schultern? Wir glauben nicht. Mit Gorilla etablieren wir eine smarte Alternative, die dir dabei hilft, die Komplexität dieser Aufgabe zu meistern. Wie genau kann man sich das vorstellen?
Die ebenso einfache wie schmerzhafte Wahrheit über den Energiemarkt der Zukunft lautet: Es wird kompliziert – vielleicht sogar noch komplizierter, als man sich das vor einigen Jahren ausgemalt hat! Wie wir darauf kommen? Nun, einige Nachrichten der letzten Zeit deuten in diese Richtung: So haben beispielsweise Tech-Giganten wie Microsoft und Google kommuniziert, dass sie in eigene Kraftwerke investieren wollen. Hier wird Energie zu einem strategischen Gut, um das sich energieintensive Unternehmen selbst kümmern – was natürlich (auf anderer Ebene) zum rasanten „Prosumer“-Trend im deutschen Markt passt. Hier explodieren die Zahlen geradezu: Alleine im Jahr 2024 wurden Photovoltaikanlagen mit einer installierten Leistung von knapp 15.900 Megawattpeak in Deutschland errichtet, so das statistische Bundesamt.
Und natürlich hat dieses dramatische Tempo Folgen für die Datenwelt der deutschen EVUs: Nur mit der Hilfe von „Big Data“ und „Advanced Analytics“ lassen sich die großen Residuallasten – also der wechselhafte Anteil der Energieträger Wind und Sonne – passgenau managen. Schließlich gehört ein eher statischer Verkauf von vorhersehbaren Energiemengen der Vergangenheit an. Was bedeutet das nun aber für die konkrete Datenstrategie der EVUs? Drei Themenbereiche spielen dabei eine zentrale Rolle:
- Die Vision: „Single Point of Truth“
Natürlich ist der datenbasierte „Single Point of Truth“ keine exklusive Herausforderung von EVUs. Letztlich ist das für viele Unternehmen eine Kernaufgabe– auch und gerade, weil die Digitalisierung der letzten Jahrzehnte mit vielen Teillösungen und „Datentöpfen“ einherging. Allerdings ist das Problem im Energiesektor so drängend wie nirgendwo sonst, denn einerseits verlangt zum Beispiel der rasante Aufstieg von bidirektionalen Energielösungen nach sehr präzisen Vorhersagen zum Stromaufkommen – „Agilität“ ist hierbei das Schlüsselwort. Andererseits waren EVUs bislang eher auf ein anderes Hauptziel ausgerichtet: maximale Stabilität bei der Versorgung. Wer nun aber Agilität und Stabilität in einem neuen Energiemarkt zusammenbringen will, kommt um den „Single Point of Truth“ nicht mehr herum. Hier fließen alle Informationen zusammen und bilden die Grundlage für Produktentwicklung, Preisgestaltung und Prognosen, was wiederum die Basis für mehr Tempo ist. Schließlich verändern sich auch die Preise des Wettbewerbs ständig!
Und das bedeutet für viele EVUs, dass sie …
- die gewachsenen Silos aufbrechen,
- eine Datenstrategie mit starken Datenkompetenzen aufbauen,
- und dabei ihre bisherige Organisationsstruktur mit diversen Altsystemen anpassen müssen.
- Der Lösungsweg: Komplexität outsourcen
„Leichter gesagt als getan“? Allerdings. Immerhin haben gerade größere Versorger komplexe Strukturen, wobei die Pricing-Prozesse für Großkunden, kleinere Unternehmen sowie Endkunden jeweils getrennt voneinander ablaufen und gesteuert werden. Das hat den „Daten-Flickteppich“ in der Vergangenheit sogar noch vergrößert. Nichtsdestotrotz haben viele „verstanden“ und investieren in den Versuch, eigene Plattformen und Rechenmodelle für Pricing und Prognosen zu entwickeln. Und genau das ist ein riskantes Unterfangen, weil die Neugestaltung von Datenarchitektur, Datenpipelines oder Segmentierung ein sehr weites Feld ist. Am Ende wirkt das Ganze fast so, als wäre der Energieversorger gleichzeitig ein Softwareunternehmen – was viel Geld kostet und vom Kerngeschäft ablenkt!
Gorilla ermöglicht einen anderen Weg: Wir stellen unseren Kunden eine cloudbasierte Pricing- & Prognoseplattform zur Verfügung, die alle Datenquellen integriert – als eine Art von Blaupause für individuelle Aufgaben. User sind hier jederzeit in der Lage, mithilfe der Anwendungs-Suite „ihre“ optimale Lösung zu konfigurieren. Gorilla richtet sich ausnahmslos an EVUs. Und das merkt man der gesamten Oberfläche, den Tools und der Funktionalität an.
- Die Basis: Know-how nutzen
Am Ende noch ein paar Worte zum vorhandenen Know-how im Unternehmen. Es gibt in jedem EVU selbstverständlich viele Menschen, die genau wissen, wie „Energie funktioniert“ und was das für die Prognosen und das Pricing bedeutet. Dieses Know-how ist und bleibt unverzichtbar! Unser Ziel ist es deshalb, diesen Experten ein wirkungsvolles Werkzeug in die Hand zu geben. Denn eines ist auch klar: Wer ein riesiges Portfolio mit Millionen von Stromzählern per Rechenmodell produktiv beherrschen will, benötigt…
- eine leistungsfähige Datenverarbeitungsplattform, die perfekt mit CRM, ETRM, Analysetools und den Vertriebskanälen verbunden ist
- sowie ein trainiertes Machine-Learning-Modell.
Letztlich ist es schlicht zu viel verlangt, wenn die Data-Science-Experten der EVUs die Modelle selbst trainieren, testen und implementieren sollen: Schon für das Training benötigt man viele Wochen. Anschließend dauert die Implementierung vielleicht sechs Monate – und dann ist einfach zu viel Zeit verstrichen! Dazu kommt: Unternehmen konzentrieren sich mitunter sehr stark auf die Genauigkeit ihrer Modelle, weshalb bestimmte Bereiche des Portfolios ausgeklammert werden – etwa aus Zeitgründen. Anschließend lassen sich Produkte aus diesem Portfolio-Bereich nicht prognostizieren, womit wir wieder beim unerwünschten „Flickenteppich“ wären.
Fazit: Schnellstart mit System
Die Idee von Gorilla kann man so auf den Punkt bringen: einfach(er) starten, dabei eine hochflexible Plattform direkt „produktiv setzen“ und von einer stabilen Pricing-Engine mit effizienten Prozessen profitieren. Alles lässt sich individuell konfigurieren und jederzeit anpassen. Data-Science-Experten arbeiten nicht mehr an Machine-Learning-Modellen oder Plattform-Strukturen, sondern unterstützen bei der Entwicklung von Innovationen. Am Ende profitieren alle Beteiligten von hochpräzisen und effizienten Pricing- und Prognoseprozessen.