Running
Prognosemodelle, die im Tagesgeschäft tragen
Kunde
Führender deutscher Energieversorger
Region
Deutschland
Branche
Energieversorgung
Leistungsfeld
Forecasting & Market Models
Prognosen für Erzeugung, Preise und Erlöse entscheiden darüber, wie gut ein Energieversorger seine Positionen steuert. Viele dieser Modelle entstehen in der Analyse und funktionieren dort gut – scheitern aber daran, zuverlässig in den täglichen Betrieb zu kommen. Genau an dieser Stelle wurden wir geholt.
Zwischen Prototyp und Produktivbetrieb liegt die eigentliche Arbeit
Ein Prognosemodell zu entwickeln und ein Prognosemodell jeden Tag verlässlich laufen zu lassen, sind zwei verschiedene Aufgaben. Im Alltag entscheidet nicht die Modellgüte im Notebook, sondern ob die Daten pünktlich da sind, ob Ausfälle bemerkt werden, ob eine Änderung nachvollziehbar bleibt und ob jemand außer dem ursprünglichen Entwickler das System weiterentwickeln kann.
Genau diese Lücke war der Auftrag: vorhandene Prognosemodelle so weiterzuentwickeln und zu integrieren, dass sie im Tagesgeschäft tragen.
Was wir gemacht haben
Wir haben die Datenversorgung der Modelle neu aufgesetzt und an die bestehende Architektur angebunden – mit Pipelines in Cloud- und On-Premise-Umgebungen und Schnittstellen zu internen wie externen Datenquellen. Dazu kam alles, was den laufenden Betrieb absichert: Monitoring und Alerting, automatisierte Tests und Deployments, eine nachvollziehbare Versionierung der Modelle.
Die Modelle selbst haben wir fachlich weiterentwickelt und dabei eng mit den Analysten des Kunden gearbeitet.
Was sich verändert hat
Die Prognosen laufen heute produktiv, nachvollziehbar und dokumentiert. Abweichungen fallen auf, bevor sie im Ergebnis sichtbar werden. Änderungen an Daten oder Modellen lassen sich ohne Rückfrage bei uns durchführen, weil Code, Modelle und Wissen im Unternehmen liegen.
Für uns ist das der entscheidende Unterschied zu einer Einzellösung: Eine Anwendung, die nur solange funktioniert, wie der Dienstleister dabei ist, ist keine Lösung.
Warum das übertragbar ist
Der Fall ist typisch für Energieversorger und IPPs, die bereits mit Daten arbeiten, deren Modelle aber nicht in die Fläche kommen. Die Aufgabe liegt selten im Algorithmus, sondern im Zusammenspiel von Datenbasis, Betrieb und Verantwortlichkeiten.
