Für einen Startup-Podcast, der die meteoCORE UG gerne in einer der nächsten Folgen vorstellen möchte, wurden wir nach unseren Ideen und Vorhaben gefragt.
Hier unsere Antwort:
Leistungsfähige und skalierbare IT-Infrastruktur
Im Kern geht es darum, mit meteoCORE eine leistungsfähige und skalierbare technische Infrastruktur zu schaffen, die es ermöglicht, Wetterdaten lokal viel genauer zu erfassen, als dies bisher der Fall ist. Dabei werden neben den in der Meteorologie üblichen Datenquellen (Wetterstationen, Radar, Blitze, Satelliten und Wettermodelle) auch alternative Quellen genutzt, um Lücken zu füllen, in denen es keine verlässlichen Stationen oder überhaupt keine Informationen gibt.
Daten sammeln aus Quellen, die indirekt Daten über das Wetter liefern
Beispiele für derartige Datenquellen gibt es zuhauf: Jedes moderne Auto verfügt über eine automatische Regenerkennung sowie eine Steuerung der Scheibenwischer und kann diese Daten theoretisch auch weitergeben. Wenn man weiß, wo sich ein Fahrzeug befindet und auf welcher Stufe der Scheibenwischer gerade läuft, lässt das Rückschlüsse auf die Intensität des Niederschlags vor Ort zu. Mit Zehntausenden von Fahrzeugen ergibt sich daraus bereits ein gutes Gesamtbild. Auch wenn die Traktionskontrolle anspringt, kann dies Hinweise auf die Fahrbahnbeschaffenheit geben: Liegt dort Schnee, gibt es Glatteis oder schlicht Aquaplaning? Balkon-Solarkraftwerke sind vernetzt und funken ihre Daten ins Netz – auch diese kann man nutzen, um flächig ein präzises Bild darüber zu erhalten, wo sich beispielsweise hartnäckige Nebelfelder halten oder wo bereits die Sonne scheint.
Mittels Machine Learning lässt sich zudem auf Webcam-Bildern einiges erkennen: Der Bedeckungsgrad, die Art der Wolken oder gegebenenfalls auch die Wolkenuntergrenzen lassen sich so abschätzen. Auch Schneehöhen-Webcams, bei denen eine Kamera auf einen Zollstock im Garten gerichtet ist, stellen eine günstige und sehr zuverlässige Lösung dar, um regelmäßige Daten zu erhalten. Das alles ist nur ein Bruchteil der indirekten Wetterinformationen, die meteoCORE nutzen will.
Aufbau eines professionellen Wetterstationsnetzwerks als Referenz
Für ein genaues Gesamtbild und zur Validierung der abgeleiteten Wetterinformationen ist es zudem nötig, verlässliche Referenzstationen zu haben. Hier wird meteoCORE unter dem Label meteoOBS ein eigenes Wetterstationsnetzwerk aufbauen. Erste Stationen in Kooperation mit verschiedenen Kommunen aus der Region werden in Kürze folgen; auch Partnerschaften mit anderen großen privaten Wetterstationsnetzwerken sind in Planung, und erste Gespräche laufen bereits.
Ziel der Anstrengungen ist es, den präzisesten Wetterdatenpool zu schaffen, um zu jedem Zeitpunkt und für jeden Ort genau sagen zu können, wie das Wetter aktuell ist, wie es in der Vergangenheit war und wie es in der Zukunft sein wird.
Machine Learning um Unternehmen zu helfen, ihre wetterabhängigen Prozesse zu optimieren
Diese Daten sollen einerseits an interessierte Firmen verkauft werden, um dort beispielsweise eigene Modelle zu speisen. Andererseits wird meteoCORE im nächsten Schritt mit meteoDETECT ein Produkt anbieten, das Unternehmen dabei hilft, Wetterabhängigkeiten in ihrem Geschäftsmodell zu identifizieren und durch gezielte Prognosen ihre Prozesse zu verbessern oder den Umsatz zu steigern. Die anschaulichsten Beispiele für Wetterabhängigkeiten sind die Fleischtheke im Supermarkt oder die Eisdiele: An einem heißen Sommerwochenende sind die Kühltheke und bestimmtes Grillgut schneller leer als an einem verregneten. Wenn man dies rechtzeitig weiß, kann man mehr Ware und Grillkohle bereithalten und somit den Absatz sichern. Auch eine Eisdiele verkauft deutlich mehr Eis und benötigt dafür mehr Personal, wenn es heiß und sonnig ist.
Aber auch in anderen Branchen gibt es Abhängigkeiten, wie etwa im Baugewerbe: Bestimmte Materialien können nur in spezifischen Temperaturbereichen verarbeitet werden. Das hat Auswirkungen bis hin zu den Herstellern, die ihre Produkte bei einer längeren Frostperiode nicht absetzen können, was wiederum die Lagerung erschwert. Mit dem entsprechenden Wissen kann die Produktion frühzeitig angepasst werden.
Das Vorgehen ist dabei wie folgt: Unternehmensdaten (Umsätze, Absatzzahlen etc.) werden mit den Wetterdaten des gleichen Zeitraums und der Region korreliert, um Muster oder Abhängigkeiten aufzudecken. Ist dies der Fall, kann als permanente Leistung eine Prognose für die Zukunft erstellt werden, die das Unternehmen direkt in seine Prozesse und Abläufe integrieren kann.