Für viele Fragen und Herausforderungen unserer Zeit werden wir lokale Lösungen in Städten und deren Infrastruktur finden müssen. Beim Ausbau von Infrastrukturen gibt uns gezieltes Sammeln, kuratierte Aufbereitung und algorithmische Auswertung von Daten mehr Sicherheit in der Entscheidungsfindung. Der wirtschaftliche Vorteil kann dabei enorm sein.
So können wir beispielsweise Aufschluss darüber gewinnen in welchen Gebieten der Energiebedarf künftig steigen wird, welche Art der Erzeugung und Speicherung für die standortspezifischen Gegebenheiten am sinnvollsten sind und wie wir diese optimal untereinander vernetzen, flächendeckend verteilen und an die bestehende Infrastruktur anbinden können. Da gleichzeitig in der bestehende Erzeugungslandschaft ein Update hin zu CO2-neutralen Technologien erfolgt, sind komplexe Modelle und Entscheidungen erforderlich.
Lösungen für die Herausforderungen im Bereich der Mobilität werden unter anderem in multimodalen Mobilitätskonzepten und der Elektromobilität gesucht. Aus Daten und den Motivstrukturen unterschiedlicher Nutzergruppen lernen wir, wo es sinnvoll ist, Mobilitätskonzepte für die letzte Meile auszurollen, wo wir bündeln müssen und an welchen Standorten der Bedarf an Energieladestationen künftig steigen wird.
Wir können bessere Entscheidungen für die Infrastruktur und neue Unternehmensstandorte treffen, das Verkehrsaufkommen steuern und Städte lebenswerter gestalten.
Die Volatilität und zunehmende Komplexität resultierend aus der Vernetzung führen dazu, dass sich Rahmenbedingungen grundlegend und zum Teil sprunghaft ändern. In der Mathematik wird diese Zustandsänderung innerhalb eines Systems als Bifurkation bezeichnet. Einst beschlossene Zielsetzungen werden durch sich ändernde Parameter plötzlich zu „Moving Targets“. Wie können wir die Richtung von Moving Targets besser gestalten oder sogar vorhersehen?
Datenmodelle bilden die Beziehungen der Daten zueinander ab und beschreiben einen „objektiven“ Ausschnitt der Wirklichkeit – aggregiert, abstrakt und vereinfacht. Aus heterogenen Faktoren können wir in erster Linie Korrelationen ablesen. Sie lassen möglicherweise kausale Abhängigkeiten vermuten, die jedoch schwer zu validieren sind. Trotz der Unsicherheiten gibt es natürlich bessere und schlechtere Gestaltungsentscheidungen. Prototypen helfen uns dabei Daten und Zusammenhänge frühzeitig sichtbar zu machen.
Wenn wir statistische Auswertungen quantitativer Daten übereinanderlegen, erhalten wir einen Mittelwert der einen in der Vergangenheit liegenden Durchschnitt abbildet. Die Bandbreite, Ausreißer und Untergruppen gehen dabei verloren. Anhand des aggregierten Ansatzes erhalten wir keinen Aufschluss darüber, was die Motivation einzelner Menschen ist, die zu Entscheidungen führen, welche Einflussfaktoren dabei eine Rolle spielen und wie wir diese zukünftig verändern können.
Hier helfen Gestaltungsmethoden die Motivstrukturen und Bedürfnisse einzelner Menschen und Nutzergruppen zu analysieren und offenzulegen. Wir bezeichnen das als disaggregierten Ansatz. Er hilft uns bessere Hypothesen darüber zu bilden, wie sich Entscheidungen unter verschiedenen Umständen ändern können. Er gibt uns Aufschluss in welche Richtung sich Moving Targets bewegen und wie wir den Kurs mitgestalten können.
Beide Ansätze ergänzen sich und helfen uns bessere Annahmen zu treffen, diese zu simulieren und Szenarien abzuleiten. Sie bringen Nutzerbedürfnisse, den Mehrwert neuer Technologien mit dem Fachwissen und den Zielen der Städte und Unternehmen zusammen. Sie geben uns Aufschluss darüber, wie Menschen und Systeme auf sich veränderte Eingangsbedingungen oder spontan auftretende Einflussfaktoren reagieren können. Wir verlassen den statistischen und betreten den gestalterischen Raum um den Markt zu verstehen, zu beeinflussen und bessere Investitionsentscheidungen zu treffen.
So konnten wir beispielsweise gemeinsam mit der EnBW ein Modell zur Auslastungsprognose zukünftiger Schnellladesäulen erstellen. Das prototypische Planungstool Auslastung+ unterstützt die EnBW bei der strategischen Standortauswahl für die EV-Ladeinfrastruktur. Die Empfehlungen berechnen sich aus realen Verkehrsflussdaten, Nutzerbedürfnissen und reichhaltigen Standortfaktoren, die in ein Domänen-Modell gefasst wurden.
Sie wollen datenbasierte Entscheidungen treffen?