Die Energiebranche erlebt beginnend mit der Marktliberalisierung und bis hin zur Neuausrichtung der Energieversorgung einen intensiven Wandel. Mit dem entstandenen Kostendruck und den sich immer wieder verändernden Rahmenbedingungen sind auch neue Anforderungen an IT-Systeme aufgekommen. Einige der wichtigsten Herausforderungen sind:
Datensicherheit: Die zunehmende Vernetzung und Digitalisierung der Energiewirtschaft führt zu einem enormen Anstieg der Datenmengen. Die Sicherheit dieser Daten muss gewährleistet sein, um Cyberangriffe und Datenmissbrauch zu vermeiden.
Interoperabilität: Die verschiedenen Systeme und Anwendungen in der Energiewirtschaft müssen miteinander kompatibel sein, um einen reibungslosen Datenaustausch zu gewährleisten. Die Einführung von gemeinsamen Standards und Protokollen ist daher von entscheidender Bedeutung.
Regulatorische Anforderungen: Die Einführung neuer Technologien und Geschäftsmodelle in der Energiewirtschaft wirft Fragen bezüglich der Regulierung auf. Es müssen klare Richtlinien und Gesetze erlassen werden, um den sicheren Betrieb und die Interoperabilität der Systeme zu gewährleisten.
Integration erneuerbarer Energien: Die Energiewende erfordert die Integration einer Vielzahl erneuerbarer Energiequellen, wie Solar- und Windenergie. Diese dezentralen Energiequellen müssen in das bestehende Energiesystem integriert werden, was komplexe Steuerungssysteme erfordert.
Smart Grids: Die Einführung von intelligenten Stromnetzen (Smart Grids) erfordert die Integration einer Vielzahl von Technologien, um den Betrieb und die Überwachung der Stromnetze zu optimieren. Dazu gehören unter anderem Sensoren, Big-Data-Analyse und Machine Learning.
Insgesamt erfordert die Digitalisierung der Energiewirtschaft eine umfassende Strategie und Zusammenarbeit aller Akteure, um die Herausforderungen zu bewältigen und die Chancen der neuen Technologien zu nutzen.
Wir kennen die Branche sehr gut, beraten erfahren bei der strategischen Ausrichtung zu Digitalisierung und Analytics und haben bereits viele Anwendungen fachlich konzeptioniert und diese erfolgreich umgesetzt.
Beispielsweise Marktdateninformationssysteme, Komplette BI Landschaften inklusive Core Data Warehouse zu allen Unternehmensbereichen, Marktpreisdatenvorhersage oder auch, Konzernberichtswesen, ESG-Berichtswesen oder die Unterstützung von Zertifizierungsprozessen oder Analytics-Strategie. Dies ist nur eine Auswahl unserer Beratung und der Anwendungen.
Sprechen Sie uns an!
Energiewirtschaft
Ihr Ansprechpartner/Kontakt:
+++ Use Case +++
Fallstudie — B. Braun SE
Business Analytics-basiertes Vorhersagemodell senkt Kapitalbindungskosten
Für eine bessere Kontrolle des Working Capital ist eine möglichst frühe Vorhersage des Lagerbestandswerts entscheidend. Gemeinsam mit der B. Braun SE haben wir eine Lagerbestandsprognose mit Analytics-Algorithmen entwickelt, die auf einen Horizont von 12 Monaten eine mittlere Abweichung von nur 2,57 % zum tatsächlichen Wert erreicht.
Das Projekt auf einen Blick
01
Herausforderung
In Vorräten gebundenes Kapital ist gerade für produzierende Unternehmen eine ständige Herausforderung – Bestände sind so gering wie sinnvoll möglich zu halten.
02
Ansatz
Zeitreihen-Profiling und automatisierte Modellauswahl je Aggregationsebene, ergänzt um eine multiple Regression auf Konzernebene – umgesetzt in Python.
03
Ergebnis
Auf Konzernebene eine mittlere Abweichung von 2,57 % über 5 Jahre – im besten Jahr nur 0,5 % – bei einem Vorhersagehorizont von 12 Monaten.
Der Kontext
Die Herausforderung
Das in Vorräten und Beständen gebundene Kapital ist insbesondere für produzierende Unternehmen eine ständige Herausforderung. Bestände sind sowohl im Supply Chain Management als auch in der Lagerhaltung nach der Produktion so gering wie sinnvoll möglich zu halten.
Die Produktionen des B. Braun Konzerns gliedern sich weitgehend in Serien- und Massenproduktion. Bei der Massenproduktion erfolgt eine Produktion auf Lager, dessen Bestand je nach Abnahme, produzierter Menge und weiteren Einflussfaktoren schwankt – für das Controlling ist daher eine möglichst frühe Wertvorhersage zentral.
Ziele des Projektes
- Den Wert der Lagerbestände frühzeitig und verlässlich vorhersagen.
- Auf dieser Basis Steuerungsmaßnahmen zur Kontrolle des Working Capital ermöglichen.
- Vorhersagen über Produkte, Länder, rechtliche Einheiten und weitere Aggregationsebenen hinweg ermöglichen.
Werkzeuge & Architektur
Modular in Python – erweiterbar bis in die Cloud
Da es um die Beurteilung der Machbarkeit und das Sammeln von Erfahrungen ging, wurde für B. Braun mit Python gearbeitet. Der modulare Aufbau macht eine Erweiterung sehr effektiv – etwa um Methoden des maschinellen Lernens (KI).
Parallel wurden die betrauten Mitarbeitenden von B. Braun ausgebildet, sodass Verfahren, Technologien und das eigentliche Skript verständlich wurden. In den kommenden Stufen lässt sich der Code flexibel in Cloud-Umgebungen (SAP Analytics Cloud oder Microsoft Azure), auf intern gehosteten Servern oder über die PAL on premise im SAP-HANA-Kern nutzen; verschiedene Oberflächenwerkzeuge können auf die Prognosen zugreifen.
01
Vorgehen
Profiling & automatisierte Modellauswahl
Zunächst wählte B. Braun für einzelne Produktgruppen repräsentative Produkte aus, um auf breiter Datenbasis Verfahren zur Vorhersage von Menge und Preis anzuwenden – auf den Ebenen Land, rechtliche Einheit, Produkt und weiteren Aggregationsebenen.
Die Zeitreihen durchliefen ein automatisiertes Profiling, das Charakteristika wie Relevanz, Komplexität, zeitliche Muster und Stabilität extrahiert und passende Vorverarbeitungsschritte übernimmt. Pro Zeitreihe wählt der Ansatz automatisiert die beste Vorhersage je Aggregationsebene. Im POC ließ sich so eine passende Vorhersagbarkeit auf die Horizonte 3, 6, 9 und 12 Monate über sechs Granularitäten realisieren.
02
Vorgehen
Regression auf Bilanzniveau
Die über viele Produkte ausgerollten Vorhersagen erzielten zum Teil sehr präzise Ergebnisse. Lediglich bei Produkten mit Projektgeschäft schwankte die Güte, sodass der auf Bilanzniveau kumulierte Wert Abweichungen aufwies.
Daher wurde in einem zweiten Schritt eine Regressionsanalyse ergänzt, um diese Ebene direkt vorherzusagen. Treiber wie Stahl- oder Ölpreise gingen in den Test ein – im Ergebnis entstand eine multiple Regression, die auf Konzernebene die hohe Vorhersagegüte liefert.
Das Ergebnis
12 Monate vor dem Stichtag lässt sich der Lagerbestandswert aus Mengen- und Preisprognose auf Konzernebene mit einer mittleren Abweichung von 2,57 % über 5 Jahre vorhersagen – im besten Jahr nur 0,5 %.
Mit 95 % Wahrscheinlichkeit liegt der Vorhersagefehler laut Konfidenzintervall zwischen 0,5 % und 4,7 %. Ein weiterer Mehrwert: Durch die umfangreiche Datenanalyse wurden Zusammenhänge und Effekte für die Fachanwender sichtbar, die auf herkömmlichem Weg bislang unentdeckt blieben.
Eingesetzte Methoden & Technologien
Python · Zeitreihen-Profiling · Automatisierte Modellauswahl · Multiple Regression · SAP Analytics Cloud · Microsoft Azure · SAP HANA PAL · Machine Learning (KI)
Kapitalbindung senken – mit verlässlichen Prognosen
Sie möchten Lagerbestände, Absatz oder Preise frühzeitig vorhersagen und Ihr Working Capital aktiv steuern? Wir entwickeln modulare Prognosemodelle – vom Proof of Concept bis in den produktiven Betrieb, on premise oder in der Cloud.
+++ Use Case +++
Fallstudie — ONTRAS Gastransport GmbH
6 Jahre ONTRAS Kennzahlensystem
Flexibilität, partnerschaftliche Zusammenarbeit, fachliche Kompetenz und die Bereitschaft, gemeinsam neue Herausforderungen anzugehen – das sind die Leitmotive der Zusammenarbeit zwischen der ONTRAS Gastransport GmbH und der Marmeladenbaum GmbH. Gemeinsam haben wir ein Kennzahlencockpit konzipiert, aufgebaut und über Jahre weiterentwickelt.
Das Projekt auf einen Blick
01
Herausforderung
Ein Kennzahlencockpit, das wesentliche Unternehmensbereiche abbildet – zunächst als Orientierungshilfe für die Geschäftsführung und flexibel anpassbar an wandelnde Anforderungen.
02
Ansatz
Komplett neue Data-Warehouse-Strukturen, Metadaten, zahlreiche Berichte und interaktive Dashboards – mit Funktionen wie ESRI-Maps, Kennzahlen und Time Slidern für neue Perspektiven auf bekannte Daten.
03
Ergebnis
Aus der Orientierungshilfe wurde ein zentrales Werkzeug für viele Anwender über mehrere Fachbereiche hinweg – betrieben als Service nach dem Konzept B(I)2TIL™.
Der Kontext
Ausgangslage
ONTRAS Gastransport wurde 2006 gegründet und ist seit Umsetzung des 3. EU-Binnenmarktpakets im März 2012 als unabhängiger Fernleitungsnetzbetreiber zertifiziert – weiterhin als Teil des VNG-Konzerns. Mit 7.500 km betreibt ONTRAS Deutschlands zweitlängstes Fernleitungsnetz mit 450 Netzpunkten und angeschlossenen Speichern.
22 Biogasanlagen und zwei Power-to-Gas-Anlagen speisen regenerative Gase ein; mit jährlich bis zu 180 Mio. Nm³ transportiert ONTRAS rund 18 % des deutschlandweit eingespeisten Regenerativgases. Mit der Vision „going green.“ strebt das Unternehmen bis 2050 eine vollständig dekarbonisierte Gasversorgung an.
Projektinhalt
- Konzeption, Aufbau und Weiterentwicklung eines Kennzahlencockpits für wesentliche Unternehmensbereiche.
- Zunächst Orientierungshilfe für strategische Überlegungen und Entscheidungen der Geschäftsführung.
- Inzwischen für alle Mitarbeitenden verfügbar – flexibel an wandelnde Anforderungen angepasst.
Der Start
Das initiale Cockpit in wenigen Wochen
Die erste Konzeption, der Designentwurf und die Entwicklung des initialen Kennzahlencockpits erfolgten innerhalb weniger Wochen. Dabei entstanden komplett neue Data-Warehouse-Strukturen, die Metadaten wurden aufgebaut und eine Vielzahl von Berichten und interaktiven Dashboards gestaltet.
Mit neuen Funktionen wie ESRI-Maps, Kennzahlen oder Time Slidern bereiteten wir bekannte Daten so auf, dass den Anwendern völlig neue Perspektiven möglich wurden.
01
Weiterentwicklung
Vom Cockpit zur fachbereichsübergreifenden Lösung
Der Erfolg des Cockpits zeigte sich schnell – und der Bedarf nach einer konsistenten, gemeinsamen Lösung über mehrere Fachbereiche hinweg wuchs. Es folgten immer wieder neue Phasen der Konzeption und Entwicklung von Frontend-Design und Datenmodell.
Neue Funktionen wie Dateneingaben für Kommentierungs- und Freigabeprozesse automatisierten zuvor manuelle Abläufe oder lösten veraltete Werkzeuge ab. Die direkte, hochautomatisierte Anbindung von Datenquellen nahm beständig zu – bei gleichzeitig qualitätsgesicherten manuellen Eingaben. So entstand nach und nach ein zentrales Werkzeug für viele Anwender.
02
Ausblick & Betrieb
Mobile App & Betrieb nach B(I)2TIL™
Die nächsten Erweiterungen sind bereits geplant: Eine mobile Anwendung für Geschäftsleitung und Dispatching bildet einen weiteren Pfeiler der zukunftsorientierten Entscheidungsfindung. Im Mittelpunkt stehen die tagesaktuelle Bereitstellung der Daten und eine moderne, intuitive App, die neben verschiedensten Datenquellen auch Informationseingabe, -freigabe und Kommentierung durch Fachverantwortliche vollständig unterstützt.
Das auf ITIL aufgebaute Betriebskonzept B(I)2TIL™ ermöglicht ONTRAS, jederzeit einen umfassenden Service zu nutzen, ohne zwingend eigene personelle Ressourcen aufzubauen. Lediglich Kennzahlen aus manuellen, wenig digitalisierten Prozessen liefert ONTRAS selbst; bereits digital vorliegende Daten werden über eine direkte Anbindung der Quellen aufgenommen, was Übertragungsfehler minimiert.
Das Ergebnis · 6 Jahre Partnerschaft
Aus einer Orientierungshilfe für die Geschäftsführung ist ein zentrales Kennzahlensystem für viele Anwender über mehrere Fachbereiche hinweg geworden.
Das System passt sich flexibel an wandelnde Anforderungen an, automatisiert Prozesse und bindet Datenquellen direkt an. Betrieben als Service nach B(I)2TIL™ bleibt ONTRAS jederzeit handlungsfähig, ohne eigene Ressourcen aufbauen zu müssen – eine partnerschaftliche Zusammenarbeit, die über sechs Jahre kontinuierlich gewachsen ist.
Eingesetzte Methoden & Technologien
MicroStrategy · Pentaho (ETL) · Data Warehouse · ESRI-Maps · Time Slider · Interaktive Dashboards · Kommentierungs- & Freigabeprozesse · Mobile App · B(I)2TIL™
Ein Kennzahlensystem, das mit Ihnen wächst
Sie möchten ein Kennzahlencockpit aufbauen, das sich flexibel an neue Anforderungen anpasst und als verlässlicher Service betrieben wird? Wir begleiten Sie von der Konzeption über Data Warehouse und Dashboards bis zum Betrieb nach B(I)2TIL™.