Client story

Mit Machine Learning zu mehr Effizienz bei der Gewobag

  • Energiewirtschaft

Die Gewobag ist ein Wohnungsunternehmen mit Sitz in Berlin und eines der größten Immobilienunternehmen Deutschlands. Seit über 100 Jahren verfolgt das Unternehmen das Ziel, bezahlbaren Wohnraum in der Hauptstadt zu schaffen. Mit Erfolg: Wie die Stadt Berlin selbst ist auch die Gewobag in den vergangenen Jahrzehnten dynamisch gewachsen. Heute gehören fast 80.000 Wohnungen zum Bestand des Unternehmens. Bis zum Jahr 2026 soll die Zahl der Wohnungen durch Neubau, Ankauf und Modernisierung von Bestandsgebäuden kontinuierlich auf 86.500 Einheiten erhöht werden.

Die Gewobag versteht sich nicht nur als Immobilienunternehmen. Als kommunales Unternehmen nimmt sie eine aktive Rolle in der Gesellschaft ein. Soziale, ökonomische und ökologische Nachhaltigkeit bilden daher die drei Säulen ihres Handelns. Als Gründungsmitglied der Initiative Wohnen 2050 hat sich das Unternehmen beispielsweise verpflichtet, bis zum Jahr 2050 einen klimaneutralen Gebäudebestand zu erzielen.

Um dieses ehrgeizige Ziel zu erreichen, setzt die Gewobag auf die Digitalisierung der Wohnungswirtschaft. Durch effizientere Prozesse und eine bessere Datenbasis können Ressourcen geschont, Emissionen reduziert und Abläufe effizienter gestaltet werden.

Smarte Gebäude und datenbasierte Entscheidungen – die Zukunft der Immobilienwirtschaft

Wie in vielen anderen Branchen nimmt die Digitalisierung auch in der Immobilienwirtschaft zu. Gebäude entwickeln sich zu Smart Buildings. Die Nutzung und Auswertung von Daten spielen dabei eine immer wichtigere Rolle. So lassen sich beispielsweise ineffiziente Betriebsmuster identifizieren, Optimierungspotenziale ableiten, Störungen und Probleme frühzeitig erkennen und darauf aufbauend Betriebsabläufe optimieren. Darüber hinaus bilden Gebäudedaten die Grundlage für nachhaltige Entscheidungen in der Immobilienwirtschaft und die Basis für die Erfüllung gesetzlicher Anforderungen (z. B. ESG-Reporting).

Die Nutzung von Energiedatenportalen, in denen qualitativ hochwertige, vollständige und plausible Daten gesammelt und ausgewertet werden, wird daher immer wichtiger. Der Einsatz von KI-Technologien und Machine Learning kann dabei helfen, manuelle Aufwände zu reduzieren und Prozesse nachhaltig effizienter zu gestalten. Die Gewobag Energie- und Dienstleistungsgesellschaft GmbH, der firmeneigene Energiedienstleister der Gewobag, hat diesen Ansatz in Zusammenarbeit mit der Wavestone Tochter qdive umgesetzt. Ziel war es, eine automatische Plausibilisierung von Wärmeverbrauchsdaten zu implementieren.

Mit datengetriebenen Betriebsabläufen werden wir auf dem Weg zu Smart Buildings eine neue Dimension der Effizienz und Nachhaltigkeit erreichen.

Karsten Mitzinger, Geschäftsführung der Gewobag Energie- und Dienstleistungsgesellschaft mbH

Automatische Plausibilisierung der Verbrauchdaten durch Machine Learning

Im Rahmen der Erstellung der jährlichen Verbrauchsabrechnung für mehrere hundert Liegenschaften erfolgte bisher eine manuelle Plausibilisierung der mittels Wärmemengenzähler erfassten individuellen Verbrauchsmengen. Dieser Prozess war mit einem erheblichen Arbeitsaufwand verbunden, da die für die Analyse benötigten Daten aus verschiedenen internen und externen Datenquellen extrahiert und in Excel aufbereitet und ausgewertet werden mussten. Unplausible Wärmeverbräuche erforderten dabei häufig eine Überprüfung vor Ort und in vielen Fällen den Austausch defekter Zähler. Dies führte zu weiteren Verzögerungen bei der Abrechnung.

Um den Prozess zu optimieren, soll die jährliche Plausibilisierung der Wärmemengen mittels Machine Learning automatisiert werden. Machine Learning ist ein Bereich der künstlichen Intelligenz, der es Computern ermöglicht, ohne explizite Programmierung aus Daten zu lernen, Muster zu erkennen und Vorhersagen zu treffen.

Durch die manuell durchgeführte Plausibilisierung der Wärmeverbräuche der letzten Jahre ist bekannt, welche Konstellationen plausibel sind und welche nicht. Mit diesen Daten wird ein Machine-Learning-Modell trainiert, das neue Daten automatisch in „plausibel“ und „unplausibel“ einteilen kann.

Schematischer Aufbau des automatisierten Plausibilisierungsprozesses
Schematischer Aufbau des automatisierten Plausibilisierungsprozesses

Erklärbarkeit im Fokus der automatischen Plausibilisierung

Bei der Automatisierung der Verbrauchsdatenplausibilisierung wird ein besonderer Fokus auf die Erklärbarkeit der Ergebnisse gelegt. Um die automatisch erstellten Plausibilitätseinschätzungen nachvollziehen zu können, wird zu jedem individuellen Ergebnis die Entscheidungsgrundlage anhand der eingehenden Merkmale, z. B. Wirkungsgrad oder spezifischer Verbrauch, angezeigt.

Das entwickelte Modell setzt diese Anforderungen konsequent um. Es markiert automatisch und nahezu in Echtzeit unplausible Einträge, die bisher in zeitaufwendiger Arbeit manuell identifiziert werden mussten. Dabei erreicht es eine sehr hohe Genauigkeit, sodass die Ergebnisse produktiv nutzbar und vertrauenswürdig sind. Gleichzeitig macht es die Gründe für die Plausibilitätseinstufung transparent.

Durch den Einsatz des Machine-Learning-Modells hat sich unser manueller Aufwand bei der Verbrauchsdatenplausibilisierung auf ein Minimum reduziert. Dies ermöglicht die Freisetzung von Ressourcen für andere Aufgaben

Hagen Jarke, Stabstelle Controlling bei der Gewobag Energie- und Dienstleistungsgesellschaft mbH

Digitalisierung der Wohnungswirtschaft: Potenziale intelligenter Technologien

Die vorgestellte Plausibilitätsprüfung durch maschinelles Lernen ermöglicht die Automatisierung zeit- und kostenintensiver Prozesse und senkt damit unmittelbar die Verwaltungskosten. Sie ist jedoch nur ein erster Schritt auf dem Weg zur Digitalisierung der Wohnungswirtschaft.

KI und maschinelles Lernen können in Zukunft entscheidend dazu beitragen, Immobilienbestände ökonomisch und ökologisch nachhaltig zu bewirtschaften: Durch die Analyse von Wetterprognosen und dem Nutzungsverhalten der Bewohner können beispielsweise Energieverbräuche optimiert und damit Kosten und CO2-Emissionen gesenkt werden. Auch im Bereich der Wartung und Instandhaltung gibt es Potenziale, die durch intelligente Lösungen erschlossen werden können. Eine kontinuierliche und automatisierte Überwachung der Gebäudetechnik sowie intelligente Prognosen ermöglichen es, Probleme frühzeitig zu erkennen und Instandhaltungsmaßnahmen effizient zu planen, bevor größere Schäden entstehen. Dadurch werden Ausfallzeiten minimiert und Reparaturkosten gesenkt.

Technologien wie KI und ML haben somit das Potenzial, die Immobilienwirtschaft in jeder Hinsicht nachhaltig zu verändern und einen echten Mehrwert für die Gesellschaft zu schaffen.

Verfasst von

  • Daniel Böhm

    Senior Manager – Deutschland, München

    Wavestone

    LinkedIn