Preise werden volatiler, extreme Preisszenarien häufiger, Käufe und Verkäufe laufen immer schneller ab. Deshalb können Unternehmen im Energiehandel künftig nur dann erfolgreich sein, wenn sie ihre Prozesse automatisieren. Ein Großteil setzt bereits teil- oder vollautomatisierte Algorithmen ein. Big Data und Data Analytics-Technologien erschließen zusätzlich großes Potential. Energiehandelsorganisationen entwickeln dafür notwendige Methoden und führen neue Prozesse ein: Standardprozesse müssen vollautomatisiert und die Organisation zu einer Energy Trading Factory weiterentwickelt werden.
Die Managementberatung Horváth & Partners hat hierfür ein Energy-Trading-Digitalisierungs-Framework entwickelt, das den Rahmen für eine übergeordnete Digitalisierungsstrategie darstellt. Es fasst die Ansatzpunkte und Entwicklungsbereiche einer Transformation zur Energy Trading Factory zusammen:
- Datenquellen: Auch in Zukunft gibt es die traditionellen Systeme für das Energiedaten-Management, Energy Trading und Risk Management sowie die Börsenschnittstellen. Um Kosten zu sparen und von Skalierungseffekten zu profitieren, werden diese Systeme aber in der Cloud betrieben. Neue Prozesse richten sich am Standard der eingesetzten Software aus, sodass teures Customizing entfällt.
- Daten: Die Daten verschiedener Quellsysteme werden in einer Datenschicht zusammengeführt. Dabei erlauben moderne Datenbanktechnologien den schnellen Zugriff auf große Datenmengen. Traditionelle Data-Warehouse-Lösungen werden durch Data Lakes in der Cloud ergänzt oder ersetzt. Sie garantieren einen einfachen Aufbau der Infrastruktur und schnellere Skalierung. Bei Schnittstellen, deren Implementierung zu aufwendig wäre, kommt Robotic Process Automation zum Einsatz.
- AI Modelle: Artificial Intelligence bietet neue Möglichkeiten, um große Mengen unstrukturierter und komplexer Daten auszuwerten. Sie erkennt Muster und unterstützt so die Entscheidungsfindung bzw. automatisiert sie komplett. Data-Science- und Machine-Learning-Plattformen ermöglichen auch Nutzern mit geringen Programmierkenntnissen Zugang zu dieser Technologie. Data Scientists, eine in vielen Firmen neu geschaffene Rolle, setzen die komplizierteren Machine-Learning-Methoden zur Analyse ein.
- Anwendungen: Auf der Applikationsebene gibt es Trading- sowie Reporting- und Analyse-Tools. Die Schnittstelle zum kurzfristigen Handel ist in der Regel schon heute mit einfachen Algorithmen automatisiert. Basierend auf großen Datenmengen und Data-Analytics-Modellen werden künftig nicht nur die reine Tradeausführung, sondern auch das Erzeugen oder Anpassen von Trading-Modellen automatisiert. Im Bereich Reporting und Analytics stehen standardisierte Reports sowie umfassende Business-Intelligence-Funktionalitäten in Echtzeit zur Verfügung. Sie ermöglichen Drill-Down-Datenauswertungen und Analysen verschiedener Szenarien, zum Beispiel im Bereich Finanzplanung.
- IT & Infrastruktur: Mit zunehmender Automatisierung und Digitalisierung wird eine funktionierende IT-Infrastruktur immer wichtiger. Ausfallwahrscheinlichkeiten müssen bestimmt und notwendige Redundanzen definiert werden. Zudem rückt das Thema Access Management in den Fokus.
- Prozesse & Organisation: Digitalisierung und Automatisierung stellen auch neue Anforderungen an Prozesse sowie an das Funktionalmodel der Organisation. Die Automatisierung bisher manuell ausgeführter Aufgaben ermöglicht mehr freie Kapazitäten für wertschöpfendere Tätigkeiten. Bereiche und Verantwortlichkeiten verändern sich, fallen weg oder entstehen neu. Auch die Governance-Prozesse sind neu zu justieren.
Zusammenfassend lässt sich festhalten, dass das Zusammenspiel von umfangreicher Datennutzung und künstlicher Intelligenz mit agilen Prozessen und Strukturen die Grundvoraussetzung für den künftigen Erfolg im Energiehandel ist. Hier gilt es, existierende Prototypen in den stabilen operativen Betrieb zu überführen und zu skalieren.
