Data Readiness als entscheidender Faktor

# Data Readiness als entscheidender Faktor

Zwei mittelgroße US-Versorger pilotieren im selben Jahr das AI-Tool desselben Anbieters für Meter-Analytics, auf derselben Software, eingestellt vom selben Integrationsteam. Einer senkt die nicht-technischen Verluste innerhalb von sechs Monaten zweistellig. Der andere beerdigt das Pilotprojekt nach einem Jahr klammheimlich und schiebt es auf „den Algorithmus". Der Algorithmus war identisch. Unterschiedlich waren die Daten, die hineinflossen.

Dieses Muster wiederholt sich in der ganzen Branche: Das Modell scheitert selten für sich allein. Die Data PipelineData PipelineETL (Extract, Transform, Load) is a data integration process that pulls data from sources, reshapes it into a consistent format, and writes it into a target system.Vollständige Definition ansehen → darunter scheitert.

Warum Data Readiness wichtiger ist als die Modellwahl

AI-Modelle für Lastprognose, Ausfallvorhersage oder Diebstahlerkennung sind nur so gut wie drei vorgelagerte Bedingungen:

1. Granularität: wie häufig und präzise Daten erfasst werden (15-Minuten-Intervallwerte gegenüber monatlichen Abrechnungswerten).

2. Qualität: Vollständigkeit, Zeitstempelgenauigkeit und Konsistenz der Feeds aus SCADA (Supervisory Control and Data Acquisition, das Echtzeitsystem, mit dem Netzbetreiber Betriebsmittel überwachen und steuern) und AMI (Advanced Metering Infrastructure, die Smart Meter und das Kommunikationsnetz, die die manuelle Ablesung ersetzen).

3. Integration: ob Meter-, SCADA-, GIS- (Geographic Information System, das Netzbetriebsmittel räumlich abbildet) und CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →-Daten (Customer Relationship ManagementCustomer Relationship ManagementCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →) tatsächlich über eine gemeinsame Asset-ID verknüpft werden kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Ein Prognosemodell eines Anbieters, trainiert auf sauberen 15-Minuten-AMI-Daten mit unter 2 % fehlenden Werten, wird dasselbe Modell mit monatlichen Werten und 15 % Lücken schlagen, ganz gleich ob es sich um einen Gradient-Boosted Tree oder ein neuronales Netz handelt. ML-Teams bei Versorgern sehen das oft daran, dass die Feature Importance stark abfällt, sobald die Datenvollständigkeit sinkt, genau das ist im oben beschriebenen schwachen Pilotprojekt passiert.

Das Grid Modernization Lab Consortium des US-Energieministeriums hat das wiederholt dokumentiert: Gescheiterte Pilotprojekte führen im Post-mortem „AI-Limitierungen" an, die forensische Prüfung findet als eigentliche Ursache aber meist Datenlatenz, fehlende Meter-Pings oder ungelöste Abweichungen bei Asset-IDs.

Der Vergleich der beiden Versorger im Detail

Versorger A (erfolgreiches Pilotprojekt):

• AMI-Rollout Jahre zuvor abgeschlossen, 15-Minuten-Intervalldaten, über 98 % Meter-Ping-Zuverlässigkeit
• SCADA- und AMI-Daten über ein gemeinsames Asset-Register verknüpft
• Historische Ausfallprotokolle vor Projektstart bereinigt und standardisiert

Versorger B (gescheitertes Pilotprojekt):

• Gemischter Zählerbestand: teils AMI, teils ältere AMR-Zähler (Automated Meter Reading, Einwegkommunikation, geringere Frequenz), die noch ausgetauscht wurden
• SCADA-Daten in einem separaten System isoliert, ohne gemeinsamen Asset-Schlüssel
• Ausfallprotokolle manuell von Außendienstteams erfasst, mit uneinheitlicher Formatierung

Das Modell von Versorger B war nicht falsch. Es war ausgehungert. Die Lehre lässt sich verallgemeinern: Bevor Sie irgendeinen AI-Anbieter bewerten, prüfen Sie zuerst Ihren eigenen Datenbestand.

Eine praxistaugliche Data-Readiness-Checkliste

Bevor Sie ein Pilotprojekt freigeben, fragen Sie:

• Granularität: Wie groß ist das Ableseintervall? Monatliche Abrechnungsdaten tragen weder Echtzeit-Lastprognosen noch schnelle Ausfallerkennung, das leisten nur Intervalldaten auf AMI-Niveau.
• Vollständigkeit: Wie viel Prozent der Zähler melden zuverlässig? Unterhalb von etwa 90 bis 95 % Ping-Zuverlässigkeit werden Ihnen die meisten Anbieter sagen, dass die Ergebnisse stark abfallen, wobei die genaue Schwelle je nach Use Case variiert.
• Latenz: Sind die Daten nahezu in Echtzeit verfügbar, oder kommen sie Stunden oder Tage später als Batch-Upload? Ausfallvorhersage braucht Ersteres.
• Asset-Verknüpfung: Lässt sich ein Zählerwert in Ihrem GIS einem bestimmten Transformator, Abgang oder Umspannwerk zuordnen? Ohne das kann Root-Cause-Analytics Probleme nicht lokalisieren.
• Historische Tiefe: Haben Sie mindestens 12 bis 24 Monate saubere historische Daten, um ein Modell gegen saisonale Muster zu trainieren und zu validieren?

Eine einfache Beispielrechnung

Angenommen, ein Versorger will die möglichen Einsparungen durch ein AI-gestütztes Tool zur Verlusterkennung abschätzen, das wahrscheinliche Zählermanipulation oder nicht-technische Verluste markiert.

Annahmen (illustrativ, nicht anbieterspezifisch):

• Jährlicher Verteilnetzumsatz: 200 Mio. $
• Geschätzte nicht-technische Verluste: 3 % des Umsatzes = 6 Mio. $ (Verlustquoten schwanken stark je nach Versorger und Land; US-Versorger melden typischerweise niedrigere Quoten als manche Schwellenländer, dies ist ein vereinfachtes Beispiel)
• Der Anbieter behauptet, das Tool kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önne im ersten Jahr 30 % der erkannten Verluste zurückholen

Naive erwartete Rückgewinnung: 6 Mio. $ x 30 % = 1,8 Mio. $.

Diese 30 % setzen aber saubere, granulare AMI-Daten voraus, die in das Modell fließen. Wenn nur 60 % des Versorgungsgebiets AMI-Abdeckung hat (der Rest noch manuell abgelesene AMR-Zähler), schrumpft die realistische adressierbare Basis:

6 Mio. $ x 60 % (AMI-Abdeckung) x 30 % (Rückgewinnungsquote) = 1,08 Mio. $.

Das ist ein Abschlag von 40 % auf den Business Case, allein getrieben durch die Zählerinfrastruktur, nicht durch irgendetwas, das der AI-Anbieter steuert. Genau diese Rechnung lassen Versorger in ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Projektionen (Return on InvestmentReturn on InvestmentReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →) regelmäßig aus, und sie ist der mit Abstand häufigste Grund, warum Pilotprojekte hinter den Pitch Decks der Anbieter zurückbleiben.

Wie gute Dateninfrastruktur in der Praxis aussieht

Ein minimales, illustratives SchemaSchemaA schema is the formal blueprint that defines how data is structured, named, typed, and related within a database, file, or message.Vollständige Definition ansehen → für die Verknüpfung von Meter- und SCADA-Daten über einen gemeinsamen Asset-Schlüssel:

meter_id | timestamp           | kwh_interval | asset_id | ping_status
--------------------------------------------------------------
MTR-0091 | 2026-01-14T08:00:00 | 4.2          | FDR-014  | ok
MTR-0091 | 2026-01-14T08:15:00 | null         | FDR-014  | missed
SCADA_asset_id | feeder_load_mw | timestamp
-------------------------------------------
FDR-014        | 3.8            | 2026-01-14T08:00:00

Die Spalte asset_id ist das Scharnier. Ohne sie lassen sich Anomalien auf Zählerebene nie auf einen bestimmten Abgang oder Transformator zurückführen, um die Ursache zu diagnostizieren. Dieser Join ist häufig der größte einzelne Integrationskostenblock in einem Pilotprojekt, größererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → als die Lizenz für die AI-Software selbst.

Regulatorischer und normativer Kontext

In den USA werden Anforderungen an die Datengranularität indirekt über Rate Cases der bundesstaatlichen Public Utility Commissions (PUC) geprägt, die die Refinanzierung von AMI-Investitionen genehmigen, nicht über ein einheitliches bundesweites AI-Mandat. In Europa hat das Clean Energy Package der EU die Mitgliedstaaten zu einem nahezu flächendeckenden Smart-Meter-Rollout gedrängt, wobei Länder wie Italien und Schweden bereits vor Jahren hohe AMI-Durchdringung erreicht haben (genaue Prozentwerte variieren nach Land und Jahr, als Schätzungen zu behandeln), während andere hinterherhinken. Diese ungleiche Ausgangslage bedeutet, dass derselbe AI-Anbieter in US- und EU-Märkten auf völlig unterschiedliche Datenausgangspunkte trifft, was Pilotumfang und erwartete Zeitpläne direkt bestimmen sollte.

Anbieter an Ihrer tatsächlichen Datenreife messen

Wenn ein Anbieter Ergebnisse seines „Referenzkunden" vorführt, fragen Sie konkret:

• Wie hoch war die AMI-Abdeckung dieses Kunden in Prozent?
• Welche Ping-Zuverlässigkeit und welches Ableseintervall hatten die Trainingsdaten?
• Führt der Anbieter ein Data-Readiness-Audit Ihrer Systeme durch, bevor ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → eine erwartete Performance nennt?

Ein Anbieter, der seine Performance-Aussagen nicht an Ihrer Datenreife relativieren will, ist ein Warnsignal. Seriöse Anbieter (Player wie Itron, Landis+Gyr und Oracle Utilities im Bereich Meter-Analytics) bauen zunehmend eine Phase zur Datenqualitätsbewertung direkt in den Pilotvertrag ein, gerade weil diese Lücke schon so viele frühere Projekte ruiniert hat.

Zentrale Erkenntnisse

• Data Readiness, nicht die Raffinesse des Algorithmus, entscheidet primär über den Erfolg von AI-Pilotprojekten bei Versorgern. Prüfen Sie Granularität, Vollständigkeit, Latenz und Asset-Verknüpfung, bevor Sie Anbieter bewerten.
• Lücken in der AMI-Abdeckung schmälern den realistischen ROI unmittelbar. Rechnen Sie den Abdeckungsgrad in Ihre Einsparkalkulation ein, nicht nur die Schlagzeilenquote des Anbieters.
• Der Join über die Asset-ID zwischen Meter-, SCADA- und GIS-Daten ist meist der schwierigste und teuerste Integrationsschritt, oft teurer als die AI-Softwarelizenz selbst.
• Der regulatorische Kontext unterscheidet sich stark zwischen den USA (AMI-Rollout staatenweise über PUCs getrieben) und der EU (nahezu flächendeckendes Smart Metering über das Clean Energy Package), Pilot-Erwartungen sollten daher an der lokalen Zählerreife kalibriert werden.
• Fordern Sie Transparenz vom Anbieter: Fragen Sie nach den Datenbedingungen hinter jedem Referenzkundenergebnis und begegnen Sie unqualifizierten Performance-Aussagen skeptisch.