# 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. ## 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. ## Welche Daten helfen - **Dacheignung**: Regionale Solarkataster teilen Dächer in Eignungsklassen ein und schätzen ihren Ertrag [1]. Wie diese Analysen funktionieren, erklärt der Anwendungsfall [Dachflächen für Photovoltaik finden](https://leto.space/de/anwendungsfaelle/solarpotenzial-daecher/). - **Sonneneinstrahlung**: wie viel Sonnenlicht im Lauf des Jahres auf jeden Standort fällt, aus satellitengestützten Datenbanken wie PVGIS [2]. - **Bestehende Anlagen**: Deep Learning in Satellitenbildern kann Module lokalisieren und ihre Größe schätzen [3]. Ein Dach, auf dem bereits eine Anlage steht, ist ein anderer Vertriebsfall, etwa für einen Speicher oder eine Erweiterung. - **Ihre eigenen Daten**: Kundendaten, Vertragsenden und Netzinformationen, die kein Satellit liefert. ## 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. **Abbildung:** 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. ## Grenzen **Grenzen** - **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. - **Daten veralten:** Dachmodelle und Bilder zeigen den Stand zum Zeitpunkt der Befliegung oder Aufnahme. Gebäude und Anlagen, die seither hinzugekommen sind, fehlen. - **Personenbezogene Daten:** Wer Dachdaten mit den Eigentümer:innen privater Wohnhäuser verknüpft, erzeugt personenbezogene Daten \[4]. Der Prozess braucht eine Rechtsgrundlage und eine klare Regel, wofür die Daten verwendet werden. ## Unser Kundenprojekt in dieser Branche Eines unserer vier anonymisierten Kundenprojekte behandelt dieses Thema. Es fand bei einem Energieunternehmen statt und nutzte Erdbeobachtung und KI. ### Kundenprojekt im Bereich Energie und Versorgung - **Thema:** Automatisierung des Vertriebs erneuerbarer Energiesysteme. ## So unterstützen wir Sie Eine priorisierte Liste nützt erst, wenn sie im CRM und im Vertriebsalltag ankommt. Im Leistungsbereich [Strategie und Anwendungsfälle](https://leto.space/de/beratung/strategie/) prüfen wir den Business Case für Ihre Vertriebsregion; in der [Umsetzung](https://leto.space/de/beratung/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](https://leto.space/de/spacegraph/), unserer Discovery-Plattform, eine Branchenkategorie für Energie und Versorgung. ## Verwandte Anwendungsfälle - [Dachflächen für Photovoltaik finden](https://leto.space/de/anwendungsfaelle/solarpotenzial-daecher/): Wie die Dacheignung berechnet wird und was die Daten nicht zeigen können. - [Standorte für Solarparks und Windparks auswählen](https://leto.space/de/anwendungsfaelle/standortwahl/): Dieselbe Logik für größere Flächen: Datenebenen, Kriterien und eine priorisierte Auswahlliste. - [Satellitendaten für Energie und Versorgung](https://leto.space/de/branchen/energie-und-versorgung/): Alle Anwendungsfälle für Energieunternehmen. ## Häufige Fragen ### Welche Datenquellen können einen automatisierten Vertriebsprozess für Solaranlagen speisen? Dacheignung und Ertrag aus einem Solarkataster, etwa dem der Steiermark [1], die Sonneneinstrahlung für jeden Standort [2] und eine Karte der bereits vorhandenen Anlagen [3]. Ihre eigenen Kunden- und Netzdaten vervollständigen das Bild. ### Gilt 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 [4]. Klären Sie die Rechtsgrundlage vor der ersten Kampagne mit der oder dem Datenschutzbeauftragten Ihres Unternehmens. ### Wie 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](https://leto.space/de/beratung/) zeigt den Weg vom Problem zum Pilotprojekt. ## Quellen 1. [Solarpotenzial Steiermark, Land Steiermark, abgerufen am 2026-10-06](https://www.technik.steiermark.at/cms/ziel/99241573/DE/) 2. [PVGIS: Data sources and calculation methods, European Commission, Joint Research Centre (JRC), abgerufen am 2026-10-08](https://joint-research-centre.ec.europa.eu/photovoltaic-geographical-information-system-pvgis/general-information/data-sources-calculation-methods_en) 3. [DeepSolar: A Machine Learning Framework to Efficiently Construct a Solar Deployment Database in the United States (Yu et al., Joule 2, 2605 to 2617), Joule, 2018-12-19](https://doi.org/10.1016/j.joule.2018.11.021) 4. [Regulation (EU) 2016/679 (General Data Protection Regulation), Article 4(1), European Union, EUR-Lex, 2016-04-27](https://eur-lex.europa.eu/eli/reg/2016/679/oj/eng) Seite: