Anwendungsfall: Energie und Versorgung

Vertrieb erneuerbarer Energiesysteme automatisieren

Teile des Vertriebs von Solaranlagen und anderen erneuerbaren Energiesystemen lassen sich automatisieren, indem Daten zu Gebäuden, Dacheignung, Sonneneinstrahlung und bestehenden Anlagen zusammengeführt werden. Solarkataster bewerten Dächer und schätzen ihren Ertrag. Eine KI-gestützte Auswertung von Satellitenbildern kann bereits vorhandene Anlagen erkennen. Vertriebsteams können potenzielle Kund:innen so priorisieren, bevor jemand einen Termin vor Ort wahrnimmt.

Referenz
UC-09
Technologien
  • Erdbeobachtung
  • Künstliche Intelligenz
Branche
Herausforderung
Vertrieb und Marktentwicklung
Aktualisiert
Herausgeber
LETO SPACE

01Ausgangslage

Die Aufgabe

Wer Solaranlagen und andere erneuerbare Energiesysteme an Gebäudeeigentümer:innen verkauft, hat vor dem ersten Angebot einiges zu tun: passende Gebäude finden, das Dach prüfen, den Ertrag schätzen und klären, ob bereits eine Anlage existiert. Laufen diese Prüfungen von Hand, kostet jeder Kontakt, der sich am Ende als unpassend erweist, diesen Aufwand von Neuem.

Automatisierung verlagert diese Prüfungen an den Anfang des Prozesses. Die Daten zu allen Gebäuden einer Vertriebsregion werden zusammengeführt, jedes Gebäude erhält eine Bewertung, und das Team arbeitet statt einer Karte eine priorisierte Liste ab.

02Daten

Welche Daten helfen

03Technik

So funktioniert die Automatisierung

  1. Ziel festlegen: Vertriebsregion, Kundensegment und Produkt, zum Beispiel Gewerbedächer für Photovoltaik mit Speicher.
  2. Datenebenen sammeln: Dacheignung, Einstrahlung und bestehende Anlagen für jedes Gebäude der Region.
  3. Bewerten und priorisieren: Die Ebenen werden zu einem Score je Gebäude verrechnet, nach festen Regeln oder mit einem Modell, das mit Daten früherer Verkäufe trainiert wurde.
  4. Übergeben: Die priorisierte Liste geht mit den wichtigsten Fakten je Gebäude ins CRM, damit das Team jeden Kontakt datenbasiert vorbereitet.
  5. Lernen: Die Ergebnisse jedes Kontakts fließen in die Bewertung zurück.
Ein höherer Score steht für einen aussichtsreicheren Kontakt. Dächer mit bestehender Anlage sind als Fall für Speicher oder Erweiterung markiert. Illustrative Liste, keine echten Daten.

04Grenzen

Grenzen

  • Grenze 01

    Das Dach selbst muss vor Ort geprüft werden

    Daten verkürzen die Liste, zeigen aber weder den Zustand noch die Tragfähigkeit eines Dachs. Eine technische Prüfung vor Ort bleibt Teil jedes Angebots.

  • Grenze 02

    Daten veralten

    Dachmodelle und Bilder zeigen den Stand zum Zeitpunkt der Befliegung oder Aufnahme. Gebäude und Anlagen, die seither hinzugekommen sind, fehlen.

  • Grenze 03

    Personenbezogene Daten

    Wer Dachdaten mit den Eigentümer:innen privater Wohnhäuser verknüpft, erzeugt personenbezogene Daten Quelle: European Union, EUR-Lex, 27. April 2016European Union, EUR-LexRegulation (EU) 2016/679 (General Data Protection Regulation), Article 4(1)27. April 2016Quelle öffnen (öffnet eur-lex.europa.eu). Der Prozess braucht eine Rechtsgrundlage und eine klare Regel, wofür die Daten verwendet werden.

05Unsere Arbeit

Unser Kundenprojekt in dieser Branche

Eines unserer vier anonymisierten Kundenprojekte behandelt dieses Thema. Es fand bei einem Energieunternehmen statt und nutzte Erdbeobachtung und KI.

06Nächste Schritte

So unterstützen wir Sie

Eine priorisierte Liste nützt erst, wenn sie im CRM und im Vertriebsalltag ankommt. Im Leistungsbereich Strategie und Anwendungsfälle prüfen wir den Business Case für Ihre Vertriebsregion; in der Umsetzung führen wir das Pilotprojekt mit KPIs durch und überführen es in die tägliche Vertriebsarbeit.

Für die Suche nach Anbietern von Dachanalysen und Bilddaten hat der Marktplatz von Spacegraph, unserer Discovery-Plattform, eine Branchenkategorie für Energie und Versorgung.

07Anwendungsfälle

Verwandte Anwendungsfälle

Häufige Fragen

F1Welche Datenquellen können einen automatisierten Vertriebsprozess für Solaranlagen speisen?

Dacheignung und Ertrag aus einem Solarkataster, etwa dem der Steiermark Quelle: Land Steiermark, abgerufen am 6. Oktober 2026Land SteiermarkSolarpotenzial Steiermarkabgerufen am 6. Oktober 2026Quelle öffnen (öffnet technik.steiermark.at), die Sonneneinstrahlung für jeden Standort Quelle: European Commission, Joint Research Centre (JRC), abgerufen am 8. Oktober 2026European Commission, Joint Research Centre (JRC)PVGIS: Data sources and calculation methodsabgerufen am 8. Oktober 2026Quelle öffnen (öffnet joint-research-centre.ec.europa.eu) und eine Karte der bereits vorhandenen Anlagen Quelle: Joule, 19. Dezember 2018JouleDeepSolar: A Machine Learning Framework to Efficiently Construct a Solar Deployment Database in the United States (Yu et al., Joule 2, 2605 to 2617)19. Dezember 2018Quelle öffnen (öffnet doi.org). Ihre eigenen Kunden- und Netzdaten vervollständigen das Bild.

F2Gilt das Datenschutzrecht auch für Dachdaten?

Ja, sobald sich die Daten auf eine identifizierte oder identifizierbare natürliche Person beziehen, zum Beispiel wenn Dachdaten mit den Eigentümer:innen eines privaten Wohnhauses verknüpft werden Quelle: European Union, EUR-Lex, 27. April 2016European Union, EUR-LexRegulation (EU) 2016/679 (General Data Protection Regulation), Article 4(1)27. April 2016Quelle öffnen (öffnet eur-lex.europa.eu). Klären Sie die Rechtsgrundlage vor der ersten Kampagne mit der oder dem Datenschutzbeauftragten Ihres Unternehmens.

F3Wie fangen wir an?

Beginnen Sie mit einer Vertriebsregion und einem Produkt, und vergleichen Sie die priorisierte Liste über einige Monate mit den Ergebnissen Ihres bisherigen Vorgehens. So sehen Sie, ob die Daten die Trefferquote verbessern, bevor Sie sie in Ihr CRM integrieren. Unsere Beratungsübersicht zeigt den Weg vom Problem zum Pilotprojekt.

Quellen (4)

  1. Land Steiermark, abgerufen am 6. Oktober 2026Solarpotenzial Steiermark (öffnet technik.steiermark.at)
  2. European Commission, Joint Research Centre (JRC), abgerufen am 8. Oktober 2026PVGIS: Data sources and calculation methods (öffnet joint-research-centre.ec.europa.eu)
  3. Joule, 19. Dezember 2018DeepSolar: A Machine Learning Framework to Efficiently Construct a Solar Deployment Database in the United States (Yu et al., Joule 2, 2605 to 2617) (öffnet doi.org)
  4. European Union, EUR-Lex, 27. April 2016Regulation (EU) 2016/679 (General Data Protection Regulation), Article 4(1) (öffnet eur-lex.europa.eu)

Kontakt

Wie findet Ihr Vertriebsteam heute Kund:innen für erneuerbare Energiesysteme? Dort fangen wir an.

Lieber persönlich sprechen?

Erzählen Sie unseren Expert:innen von Ihrem Vorhaben. Gemeinsam klären wir, wo Sie stehen, ob Satellitendaten und KI weiterhelfen können und was ein sinnvoller nächster Schritt wäre.

Beide Gespräche sind kostenlos und finden online statt. Den Termin wählen Sie in unserem Buchungskalender.