Datengetriebene Geschäftsmodelle Plattformen verändern die Energiewelt

Plattformen sind gefordert, die sich über alle Wertschöpfungsstufen eines Energieversorgers etablieren.

Bild: iStock, v_alex; Tender365
09.05.2019

Der immer kleinteiligere Energiemarkt ist der ideale Nährboden für Plattformen, die sich über alle Wertschöpfungsstufen eines Energieversorgers etablieren. Neben Aspekten wie geringe Grenzkosten und Einfachheit rückt Data Science etwa in der Cloud in den Fokus. Die Energiewirtschaft ist gefordert, schnell Antworten zu finden.

Energievertriebe sind in einem sehr fragmentierten und dennoch hoch wettbewerbsintensiven Markt unterwegs. Etablierte Vertriebe sehen sich mit einer Vielzahl dynamischer, teils branchenfremder Wettbewerber konfrontiert, die aber belastbare Kundenbeziehungen mitbringen. Technikgetriebene Vertriebe, die Hardware und Commodities gemeinsam anbieten, wirken in einer zweiten Dimension an der Marktumverteilung mit.

Diese Gruppe hat mit dem Einstieg von Shell bei Sonnen und VW mit Elli sowie Q Cells eine industrielle Dimension erreicht. Zusätzlich sehen wir Plattformen, die eine hohe Anzahl von Geschäften an sich binden werden und deren Wachstumsgeschwindigkeit hochdynamisch ist.

Neue Herausforderungen für den Energiemarkt

Alle zusammen machen den etablierten Vertrieben die Marktanteile streitig. Wie können in einem solchen Umfeld Marktpartner interagieren? Welche Lerneffekte durch Feedbackschleifen sind möglich, um die jeweilige Marktposition weiter zu verbessern? Wie konnte es im Energiemarkt zu dieser Entwicklung kommen?

Commoditisierung, Atomisierung, Amazonisierung

Der Energiemarkt zählt in jeglicher Hinsicht zu den hochgradig fragmentierten Märkten, ist nur bedingt effizient und demzufolge für Marktaggregation empfänglich. Der ursprünglich durch Informationsasymmetrie gekennzeichnete Gasmarkt hat sich unter anderem nach der Einführung von GABi- und GeLi-Gas stark verändert. Durch klarere Marktregeln bildete sich ein liquider Markt heraus und es setzte die Commoditisierung ein. Allseits verfügbare, transparente Preisinformationen sowie die Energieüberschüsse als Folge der Krise 2008 führten zu fallenden Preisen und Margen.

Schnell wurden die Transaktionsvolumen kleiner. Die weitere Folge war eine Atomisierung der Geschäfte mit allen Prozessanforderungen. Die liquideren Märkte förderten, wie zuvor beschrieben, quasi als Sekundärprozess den Markteintritt neuer EVU und Vertriebe, die sich nun ohne Markteintrittsrisiko an diesen Märkten eindecken konnten. Der Markt gewann weiter an Dynamik und Marktvolumina wurden und werden in spürbarem Umfang umverteilt.

Infolge steigender Preise und zur Schonung der Kreditlinien entwickelte sich der Trend noch ausgeprägter in Richtung On-demand-Kauf. Die Geschäfte wurden weiter kleinteiliger und erforderten einfachere, schnellere und bequemere Prozesse. Dieses Umfeld ist prädestiniert für die „Amazonisierung“, und damit Geschäfte über Plattformen, deren Grenzkosten nahezu Null sind. Steigende Liquidität führt zu höherer Preistransparenz, dennoch können Fragen bleiben: Traue ich den Märkten und ihren Preissignalen? Woher kommen Preissignale für strukturierte Produkte? Wie können Informationen analysiert werden, idealerweise durch Einsatz von Algorithmen?

Plattformen liefern Antworten

Plattformen wie E.less, E-Point, EnPortal, Powersprinter, Tender 365 oder Enmacc liefern Antworten auf diese Fragen. Ihre hohen Marktdurchdringungsgeschwindigkeiten werden zu einer dynamischen Verteilung von Börsen- zu OTC-Geschäften führen und immer mehr Transaktionen werden auf Plattformen verlagert, in deren Folge weitere Transformationsprozesse ausgelöst werden.

Die Fragmentierung des Energiemarktes erhöht sich durch die zunehmende Dezentralität und volatile Erzeugung weiter, wird dadurch aber für Plattformen noch interessanter. Dezentralisierung beeinflusst den Kraftwerks- und Netzbetrieb und alle Maßnahmen zur Netzstabilisierung. Sie dynamisiert demzufolge das Bilanzkreis- und Portfoliomanagement und damit den Kauf und Verkauf von Energie. Die zuvor beschriebene Kleinteiligkeit wird durch diese Effekte weiter befördert und lenkt den Blick auf Daten, denn durch die steigenden Transaktionszahlen werden großen Mengen Daten gewonnen und analysiert und müssen zwischen den Akteuren ausgetauscht werden.

Plattformen bilden eine Metaebene oberhalb der realen Wirtschaft. Sie entkoppeln das Eigentum an Gegenständen von der Wertschöpfung. Die Nutzer kommunizieren über Schnittstellen mit Plattformen und je nach Transparenz dieser Schnittstellen sind die Plattform und die daran angeschlossenen Systeme, beispielsweise Ökosysteme, offen oder verschlossen, demzufolge auch Nutzer und ihre Daten eingeschlossen und abhängig sein können.

Netzwerke und geringe Grenzkosten

Plattformen besitzen durch Netzwerkeffekte und geringste Grenzkosten ein hohes Wachstumspotenzial. Der mit der Anzahl der Nutzer exponentiell ansteigende Nutzen begünstigt weitere Kauf- oder Verkaufstransaktionen. Ein kurzer Blick auf die Finanzbranche lehrt uns die Konsequenzen hoher Marktdurchdringungsgeschwindigkeit und wir müssen der Frage nachgehen, wann sie sich auch in der Energiewirtschaft ausbreiten und welche Grundsatzentscheidungen zu treffen sind: Kümmere ich mich mit anderen um die Daten, oder überlasse ich die Analyse Dritten? Will ich mich aktiv an diesen Entwicklungen beteiligen?

Eine neutrale Plattform wie Tender 365 versteht sich als offenes System und hat in Verbindung mit einem Tool Store und einer transparenten API-Dokumentation gute Voraussetzungen zum Envelopment von Plattformen und zur Kopplung von Datenanalysemodellen.

Die größten der derzeitigen Plattformen leben davon, dass sie nicht nur Daten zur Verbesserung ihres Geschäftsmodells verwenden. Es kann vielmehr davon gesprochen werden, dass sie Daten als Geschäftsmodell etabliert haben. Vereinfacht ausgedrückt bedeutet das, dass die Plattformen Daten sammeln, mit weiteren Daten anreichern, diese auswerten und dann weiter zu Datenprodukten verarbeiten. Dabei sind die Prozesse soweit integriert, dass es zwischendurch keine Medienbrüche gibt und viele Prozesse völlig automatisch ablaufen.

Die Vorteile hiervon liegen auf der Hand: wenn große Datenmengen rein computergestützt verarbeitet werden können, sinken die Prozessierzeiten drastisch und die Grenzkosten nähern sich gegen Null, da im besten Fall lediglich weitere Recheneinheiten dazugebucht werden müssen, deren Kosten ebenfalls nur noch marginal sind. Dies führt dazu, dass der Zusatzaufwand beim Verarbeiten von Daten deutlich reduziert wird und Preise diese Kostenkomponente nur noch in geringerem Umfang beinhalten.

Zwei Gruppen von Geschäftsmodellen

Die oben erwähnten neuen Produkte und Verbesserungen können grob in zwei Gruppen eingeteilt werden – zum einen zur Verbesserung der Gegebenheiten auf der Plattform und zum anderen zur Entwickelung von Produkten, die aus der Plattform heraus entstehen, deren Geltungsbereich die Plattform aber überschreitet, die also auch in weitere Lebensbereiche vordringen.

Unter den ersten Punkt fallen vor allem Handelsthemen wie Kosten, Geschwindigkeit, Genauigkeit und Sicherheit, aber auch Fairness und Transparenz. Was bedeutet das? Für Handelsplattformen bedeutet dies beispielsweise ein besseres Matching zwischen Anbietern und Nachfragern im Sinne von Geschwindigkeit, Genauigkeit und Kosten: zu den Anbietern von unterschiedlichen Produkten können in Sekundenbruchteilen per Algorithmus die passenden Nachfrager gefunden werden und umgekehrt. Außerdem ergeben sich transparente und faire Preissignale, da die Preisbildung vornehmlich durch Angebot, Nachfrage und den Betreibungskosten der Plattform gesteuert wird.

Ein weiterer Einsatz der Daten auf den Plattformen ist die Erkennung von Anomalien wie bei Betrugsfällen, Angriffen von außerhalb oder Fehlern in Abläufen sowie die Validierung von Inhalten zur Qualitätssicherung, etwa: Passt das Produktangebot zur Anfrage?

Datenanalysen rücken in den Fokus

Beispiele der zweiten Kategorie sind teilweise schon greifbarer, da diese unter anderem schon den Durchbruch in unseren Alltag geschafft haben. Daten, die auf Plattformen wie Google anfallen, werden unter anderem dazu verwendet, um Allgemeingüter wie Spracherkennung, Bilderkennung, welche jeweils auf neuronalen Netzen mit komplexen Architekturen basieren, oder Internetsuchen zu verbessern. Mittlerweile werden auch eigene physische Produkte damit ausgestattet, wie Uber und Google bei der Entwicklung eigener selbstfahrender Autos demonstrieren.

Andere stärker integrierte Plattformanbieter wie Amazon nutzen die Preis- und Bewegungsdaten ihrer Seite dazu, um eigene ökonomische Rahmendaten wie die Inflation zu schätzen. Einige Plattformen schlagen auch aus dem Know-how zur Datenanalyse direkt Kapital: es ist kein Zufall, dass Unternehmen wie Google, Amazon und Microsoft Cloud-Systeme, namentlich Google Cloud, Amazon Web Services und Microsoft Azure, aufbauen, in welchen von der Speicherung bis zur Endverarbeitung, Analyse und Prognose mithilfe Algorithmen des maschinellen Lernens alles möglich ist.

Gleichzeitig stechen aber auch Unternehmen wie Uber und Facebook hervor, die viele ihrer Forschungsergebnisse oder Programmbibliotheken für maschinelles Lernen, so wie Fasttext, Pyro oder Ludwig, veröffentlichen, sodass diese kostenfrei und frei zugängig genutzt werden können, was zu ihrer schnellen Verbreitung und damit Marktanteil beiträgt. In diesem Kontext wird sich die Energiewirtschaft schnell fragen müssen: Analysieren und lernen wir schnell genug? Haben wir eigene Kompetenzen und die technischen Mittel? Gibt es aufstrebende Marktteilnehmer, die durch den Einsatz neuerer Technologie bereits Marktanteile streitig machen? Was können wir von anderen Industriezweigen in dieser Hinsicht lernen? Antworten werden kommen.

Bildergalerie

  • Das dreidimensionale Wettbewerbsumfeld der Energieunternehmen

    Das dreidimensionale Wettbewerbsumfeld der Energieunternehmen

    Bild: Tender365

Firmen zu diesem Artikel
Verwandte Artikel