Weigert, AndreasAndreasWeigert0000-0002-8093-3710Hopf, KonstantinKonstantinHopf0000-0002-5452-0672Staake, ThorstenThorstenStaakeRast, AndréAndréRastMarckhoff, JanJanMarckhoff2022-05-162022-05-162020https://fis.uni-bamberg.de/handle/uniba/54043Im Zuge der Digitalisierung erhoffen sich Unternehmen Wettbewerbsvorteile durch die Entwicklung datenbasierter Dienstleistungen und die Steigerung der Vertriebseffizienz. Dies gilt auch für Energieversorgungsunternehmen (EVUs), die, wenn auch in einem stark regulierten Umfeld, eine Transformation vom Versorger zum Dienstleister anstreben und zugleich eine Schlüsselrolle beim Austausch fossiler Energieträger durch Elektrizität aus erneuerbaren Quellen einnehmen. Ausgehend von den in absehbarer Zeit flächendeckend zur Verfügung stehenden Verbrauch- und Transaktionsdaten planen EVUs, auf ihre Kunden massgeschneiderte Produkte und Dienstleistungen zu entwickeln. Um den Wert dieser Daten zu heben, ist jedoch der Einsatz moderner Analysemethoden – zum Beispiel Verfahren des maschinellen Lernens – erforderlich. In den letzten Jahrzehnten wurden zwar eine Reihe von generellen Datenanalyseverfahren entwickelt, aber es fehlt nach wie vor (insbesondere in Unternehmen) das Verständnis dafür, wie die Analytik auf konkrete Anwendungen der Energiedatenanalyse anzuwenden ist. Das Projekt «SmartLoad» trug dazu bei, diese Lücke zu schliessen und hat un-tersucht, inwiefern verfügbare Daten bei Energieanbietern genutzt werden können, um Haushalte zu erkennen, die a) bereit sind, nachhaltige Stromprodukte zu nutzen und die sich b) für die Investition in Selbstversorgungs- und Speicherlösungen interessieren. Darüber hinaus hat das Projekt untersucht, wie c) Smart-Meter-Daten das Stromverbrauchs-Feedback unterstützen können, um die Energieeffizienz im Privatsektor zu erhöhen. Vor diesem Hintergrund hat die Projektgruppe detaillierte Daten von insgesamt 1’373 privaten Haushalten erhoben, mit diesen Daten maschinellen Lernverfahren trainiert und Vorhersagemodelle für das Kaufinteresse für lokalen Ökostrom, die Investition in Photovoltaikanlagen und die Anschaffung von Wärmepumpen entwickelt. Das Modell für den Kauf von Ökostrom wurde in einem Experiment mit 4’712 Privatkunden evaluiert. Die Modelle zur Prädiktion der Investitionsbereitschaft in Photovoltaikanalgen und Wärmepumpen ermöglichten die Entwicklung eines Softwareprototypen, der den Vertrieb der Technologien unterstützt. Die Erkenntnisse des Projekts liefern Energieanbietern wichtige Hinweise, unter anderen für welche Aufgaben des Vertriebs von nachhaltigen Produkten maschinelle Lernverfahren eingesetzt werden können, welche externen Datenquellen die Kaufvorhersagen verbessern, wie geeignete Trainingsdaten für die Modellentwicklung gesammelt werden sollten und wie die entwickelten Vorhersagemodelle in eine Anwendung für den Vertriebsmitarbeiter überführt werden können.In the course of digitization, companies hope to gain competitive advantage through the development of data-based services and an increase in sales efficiency. This also applies to energy retailers which strive—in a highly regulated environment—for a transformation from utilities to service providers. At the same time, these firms play a key role in the energy transition while replacing fossil energy sources with renewable ones. Energy utilities are planning to develop products and services tailored to the needs of their customers, based on comprehensive data (e.g., from electricity consumption and digital business processes) that will be available nationwide in the near future. In order to increase the value of this data, the use of advanced analytical methods—for example machine learning—is necessary. Although a number of generic data analytic techniques have been developed in recent decades, there is still a lack of understanding (especially in firms), how to apply these methods to specific applications of energy data. The "SmartLoad" project helped to close this gap and as it investigated to what extent available data can be used by retailers in the energy industry to identify households that a) are willing to use sustainable electricity products and b) are interested in investing in self-sufficiency and storage solutions. In addition, the project investigated how c) smart meter data can support electricity consumption feedback to increase energy efficiency in the private sector. The project consortium has collected detailed data for 1,373 private households, trained machine learning methods with these data and developed prediction models for the purchase interest in a locally produced green electricity tariff, the investment in photovoltaic systems and the purchase of heat pumps. The model for the purchase of green electricity was evaluated in an experiment with 4,712 private customers. The models for predicting the willingness to invest in photovoltaic systems and heat pumps enabled the development of a software prototype that supports the sales of the respective technologies. Findings of the project provide energy suppliers with important lessons on, amongst other aspects, which tasks in the sales of sustainable products can be supported by machine learning methods, which external data sources improve purchase predictions, how training data should be collected effectively for model development, and how the developed prediction models can be integrated in an application for different stakeholders in the sales process.deuEnergietechnik004333.7workingpaperhttps://www.aramis.admin.ch/Default?DocumentID=65685&Load=true