In einer öffentlichen Einrichtung und bei einem Versorger sind Daten zugleich Pflicht und Vermögenswert. Sie müssen der Aufsicht an einem bestimmten Tag und in einem bestimmten Format melden, und dieselben Zahlen könnten zeigen, wo Geld versickert und wo Risiko entsteht. Der Haken ist, dass die Daten selten an einem Ort liegen, und von Hand vor dem Stichtag zusammengezogene Tabellen ergeben weder eine belastbare Meldung noch brauchbare Analytik.
Aus unserer Erfahrung liegt die Schwierigkeit nicht darin, „den Bericht zu erzeugen”, sondern darin, einen wiederholbaren, prüfbaren Prozess zu bauen, der jeden Monat dieselben Zahlen aus denselben Quellen neu berechnet. Wir zeigen, welche Daten- und BI-Kompetenzen wir in Ihr Team geben können, gestützt auf die Erfahrung der RITS Group in Big Data und im Bau von Datenplattformen (darunter unsere Daten- und AI-Teams innerhalb der RITS Group).
Warum sind Daten in einer öffentlichen Einrichtung so zersplittert?
Eine Einrichtung beginnt selten bei null. Über die Jahre sammelt sich eine Schicht von Fachsystemen an: Abrechnung, GIS, HR, Finanzen und Buchhaltung, Zählersysteme und Register, oft von verschiedenen Anbietern und aus verschiedenen Technologiegenerationen. Jedes hat sein eigenes Datenmodell, eigene Schlüsselverzeichnisse und eine eigene Vorstellung davon, was ein „Kunde” oder eine „Abnahmestelle” ist.
Dazu kommt, dass die Berichterstattung über Jahre auf Menschen ruhte statt auf einem Prozess: Ein Analyst exportiert Daten aus mehreren Systemen, führt sie in einer Tabelle zusammen, korrigiert sie von Hand und schickt sie ab. Dieses Modell trägt nicht mehr, sobald es mehr Berichte gibt, die Termine feststehen und jemand fragt, woher eine bestimmte Zahl stammt. Der erste Schritt ist deshalb kein neues Dashboard, sondern das Ordnen der Quellen.
Was ist ein Data Warehouse für den öffentlichen Sektor und was bringt es?
Ein Data Warehouse für den öffentlichen Sektor ist der Ort, an dem Daten aus vielen Systemen in einem konsistenten Modell und mit einer einzigen Definition der Wahrheit landen. Wir entwerfen es so, dass es die realen Fragen von Berichterstattung und Steuerung beantwortet, nicht so, dass es jede Tabelle aus den Quellen kopiert. Meist bauen wir es in einigen Schichten:
- eine Rohschicht, in die wir Quelldaten unverändert laden, um eine Spur des Originals zu behalten,
- eine Modellschicht, in der wir bereinigen, Schlüsselverzeichnisse vereinheitlichen und gemeinsame Dimensionen ableiten (Zeit, Gebiet, Kunde, Abnahmestelle),
- eine Berichtsschicht, mit Tabellen, die für konkrete Meldungen und Dashboards bereitstehen.
Diese Teilung erlaubt es, eine neue Quelle oder einen neuen Bericht zu ergänzen, ohne das Ganze umzubauen, und im Audit lässt sich der Weg einer Zahl von der Meldung bis zum Quelldatensatz leicht zeigen.
Wie bauen Sie Pipelines für die gesetzliche Berichterstattung?
Gesetzliche Berichterstattung spielt nach eigenen Regeln: Es zählt nicht nur das Ergebnis, sondern auch, dass es auf wiederholbare Weise entstanden ist. Statt manueller Exporte stellen wir deshalb Datenpipelines auf, die nach Zeitplan laufen und die Daten selbst laden, transformieren und validieren.
Wir automatisieren den vollständigen ETL-/ELT-Zyklus: Daten aus den Quellen ziehen, in das Modell transformieren, Qualitätsprüfungen ausführen und die Meldungen in dem Format erzeugen, das die Aufsicht verlangt. Wir stützen uns auf einen bewährten Stack (Workflow-Orchestrierung, SQL-Transformationen, in einem Repository versionierte Logik), ausgewählt passend zu dem, was die Einrichtung bereits hat.
Darüber hinaus bauen wir Prüfbarkeit ein, denn die Frage „woher stammt diese Zahl?” kommt früher oder später. Wir halten vollständige Data Lineage von einer Zeile in der Meldung bis zum Quelldatensatz, versionieren die Transformationslogik (sodass sich ein Bericht von vor einem Quartal reproduzieren lässt) und garantieren reproduzierbare Läufe. Ein Audit bedeutet dann, einen dokumentierten Prozess zu zeigen, und nicht, Berechnungen aus dem Gedächtnis zu rekonstruieren.
Welche Management-Dashboards lohnt es sich, Entscheidern zu geben?
Sobald die Daten geordnet sind, fügt sich die Steuerungsschicht schnell zusammen. Wir entwerfen Management-Dashboards, die die Fragen einer Leitung beantworten, statt sie unter Diagrammen zu begraben. Für einen Versorger sind das Kennzahlen zu Absatz und Verbrauch, Verlustniveaus, Forderungseingang und Netzzustand, für eine Einrichtung Budgetvollzug, Prozesslast und Fristentreue.
Wir halten uns an die Regel, dass ein Bildschirm eine Entscheidung unterstützt: Statt Dutzender Kacheln geben wir einige Kennzahlen mit Kontext (Wert, Trend, Bezug zum Plan, Drill-down). Wir speisen sie aus derselben Modellschicht wie die Meldungen, sodass Leitung und Aufsicht auf konsistente Zahlen schauen und nicht auf zwei verschiedene Wahrheiten.
Wie veröffentlichen Sie Open Data über eine API?
Immer mehr Einrichtungen sind verpflichtet, Daten nach außen bereitzustellen. Open Data heißt aber nicht, eine CSV-Datei auf eine Website zu legen, sondern einen gepflegten, dokumentierten und sicheren Publikationskanal zu betreiben.
Wir bauen die Publikationsschicht so, dass Daten aus demselben Warehouse wie die Meldungen in das Open-Data-Portal oder eine API fließen. Wir kümmern uns um ein stabiles Schema, Metadaten und Versionierung, um Anonymisierung dort, wo der Datenschutz es verlangt, und um die automatische Veröffentlichung. Dadurch bleiben die offenen Daten aktuell und konsistent mit der offiziellen Berichterstattung.
Wie analysieren Sie Verbrauch und Verluste bei Versorgern?
Bei einem Versorger verbirgt sich der größte Wert in der Analytik von Verbrauch und Verlusten. Wenn Zähler-, Abrechnungs- und Netzdaten in einem Modell landen, können Sie vergleichen, was erzeugt und was abgerechnet wurde, und die Lücke sehen, also technische und kommerzielle Verluste.
Darauf aufbauend bauen wir Analysen von Verbrauchsprofilen, Anomalieerkennung (ungewöhnliche Abnahme, die auf eine Störung oder Diebstahl hinweist) und Bedarfsprognosen. Wo es sinnvoll ist, ergänzen wir eine Schicht prognostischer Modelle - die AI- und Machine-Learning-Kompetenzen leben wirklich innerhalb der RITS Group - trainiert auf den Daten eines konkreten Netzes und nicht von der Stange geliefert.
Wie sichern Sie Datenqualität und Sicherheit?
Ein Bericht ist so viel wert wie die Daten darunter. Wir verdrahten automatisierte Prüfungen in die Pipelines: Regeln zu Vollständigkeit, Konsistenz und Gültigkeit, die fehlerhafte Daten stoppen, bevor sie in eine Meldung gelangen.
Sicherheit ist im öffentlichen Sektor nicht verhandelbar. Wir binden Zugriffe an Rollen, verschlüsseln sensible Daten, trennen Umgebungen und protokollieren Operationen auf personenbezogenen Daten für die DSGVO-Konformität. Wir entwerfen außerdem Aufbewahrung und Anonymisierung, damit analytische und offene Daten nicht zur Hintertür zu sensiblen Datensätzen werden.
Welche Kompetenzen liefern wir für ein Datenprojekt?
Auch ohne eine Referenz von einer konkreten Behörde können wir Menschen in Ihr Team geben, die solche Systeme bauen. Wir besetzen Rollen passend zur Phase des Projekts:
- einen Daten- und Warehouse-Architekten, der Modell und Schichten entwirft,
- einen Data Engineer, der die Pipelines baut und betreibt,
- einen BI-Spezialisten, der Berichte und Dashboards verantwortet,
- einen Analysten oder ML-Ingenieur, wenn Prognose und Anomalieerkennung ins Spiel kommen.
Wir arbeiten im Modell Team-Verstärkung (Body Leasing) oder als dediziertes Team, je nachdem, ob wir Lücken füllen oder den ganzen Bereich übernehmen. Als Nearshore-Partner aus Polen steigen wir schnell in Ihren Arbeitsrhythmus ein.
Wie machen wir das bei RITS?
Wir bauen auf echten Daten- und BI-Kompetenzen innerhalb der RITS Group auf, nicht auf Geschichten über fremde Einführungen. Wir entwerfen ein Warehouse und ein Datenmodell für Berichterstattung und Analytik, automatisieren die gesetzliche Berichterstattung mit vollständiger Prüfbarkeit, entwickeln Dashboards, Open Data und Verbrauchsanalytik auf einer Schicht und ergänzen AI- und ML-Kompetenzen dort, wo sie sich wirklich rechnen. Am häufigsten tun wir das als Individualsoftware, gebaut von unserem Team, und dort, wo Personen schnell aufgestockt werden müssen, als Team-Verstärkung.
Womit beginnen Sie bei Berichterstattung und Analytik?
Beginnen Sie mit dem einen Bericht, der am meisten schmerzt: Klären Sie, aus welchen Quellen er stammt, welche Definitionen er hat und wo er heute noch von Hand entsteht. Das definiert den Umfang der ersten Warehouse-Version, der ersten Pipelines und der benötigten Rollen. Weitere Berichte setzen auf einem Fundament auf, das bereits funktioniert. Die Unterschiede zwischen den Kooperationsmodellen haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Bauen Sie gesetzliche Berichterstattung oder Analytik in einer Einrichtung oder bei einem Versorger? Sprechen wir darüber - wir stellen Team und Architektur passend zu Ihren Daten zusammen.