Neue Anwendungen basierend auf Umweltdaten (FS 2026)
Umweltdaten spielen eine zentrale Rolle bei der Bewältigung aktueller gesellschaftlicher, ökologischer und wirtschaftlicher Herausforderungen. Sie bilden die Grundlage für fundierte Entscheidungen in Bereichen wie Klimaschutz, Energie, Mobilität, Stadtentwicklung, Landwirtschaft oder Gesundheit (European Environment Agency, 2025; OECD, 2019; United Nations Statistics Division (UNSD), n.d.).
Unter Umweltdaten versteht man strukturierte oder unstrukturierte Daten, die den Zustand und die Veränderungen der natürlichen und gebauten Umwelt beschreiben. Dazu zählen unter anderem Messwerte zu Luftqualität (z. B. Feinstaub, NO₂), Wetter- und Klimadaten (Temperatur, Niederschlag, Wind), Wasserqualität, Lärm, Bodenbeschaffenheit, Biodiversität oder Energieverbrauch. Diese Daten sind häufig räumlich (Geodaten, vgl. BAFU (n.d.)), zeitlich oder thematisch referenziert und stammen aus unterschiedlichen Quellen – von staatlichen Messstationen über Satelliten bis hin zu privaten und industriellen Sensoren.
Die Nutzung von Umweltdaten in digitalen Produkten bietet erhebliches Potenzial zur Effizienzsteigerung, Kostenreduktion und Förderung nachhaltigen Handelns durch den direkten Bezug zu realen Umwelt- und Nutzungskontexten (European Environment Agency, 2025).
1.2 Realtime-Daten vs. statistische Daten
Ein zentrales Unterscheidungsmerkmal bei Umweltdaten ist ihre zeitliche Dimension:
- Live- bzw. Realtime-Daten werden kontinuierlich oder in sehr kurzen Zeitintervallen erhoben und nahezu verzögerungsfrei bereitgestellt. Sie sind insbesondere für operative und reaktive Anwendungen geeignet, etwa Umweltwarnsysteme, Verkehrssteuerung, Energiemanagement oder Smart-City-Dienste.
- Statistische bzw. historische Daten umfassen aggregierte oder über längere Zeiträume gesammelte Informationen. Sie dienen vor allem analytischen, vergleichenden und strategischen Zwecken, beispielsweise zur Trenderkennung, Prognoseerstellung oder zur Bewertung der Wirksamkeit von Massnahmen.
Je nach Anwendung kann entweder eine dieser Datenarten im Vordergrund stehen. Besonders leistungsfähig sind jedoch Lösungen, die beide Ansätze kombinieren, indem aktuelle Realtime-Daten mit historischem Kontext angereichert werden, um sowohl kurzfristige Entscheidungen als auch langfristige Optimierungen zu ermöglichen.
1.3 Rolle des Internet of Things (IoT)
Das Internet of Things (IoT) gilt als zentraler technologischer Enabler für die Erfassung und Nutzung moderner Umweltdaten(Gupta & Quamara, 2020). IoT bezeichnet die digitale Anbindung von aus Anwendungssicht interessanten physischen Objekten – im Englischen «entity of interest» genannt – mittels Sensoren, Aktoren und anderen Geräten (Haller et al., 2009, 2013; International Organization for Standardization (ISO), 2024). Im Business-Kontext wird dabei oft nur auf die Geräte fokussiert, die über das Internet verbunden sind und selbstständig Daten erfassen, übertragen und verarbeiten können (Chui et al., 2021).
Im Umweltkontext ermöglichen IoT-Systeme eine hohe zeitliche Aktualität, eine feingranulare räumliche Abdeckung sowie automatisierte Datenerhebung, beispielsweise in Smart Buildings, Smart Cities, der Landwirtschaft oder beim dezentralen Umweltmonitoring (Chui et al., 2021; Gupta & Quamara, 2020). Für die Produktentwicklung im Modul BCS ist IoT vor allem als Datenquelle relevant. Studierende sollten dabei die grundlegenden Funktionsweisen, Datenqualitätsfragen sowie wirtschaftliche und organisatorische Rahmenbedingungen IoT-basierter Lösungen berücksichtigen.
1.4 Rolle von Open Data
Open Data bezeichnet Daten, die frei zugänglich, maschinenlesbar und ohne wesentliche rechtliche oder finanzielle Einschränkungen genutzt, weiterverarbeitet und verbreitet werden dürfen (Open Knowledge Foundation, n.d.) Im Umweltbereich stellen öffentliche Institutionen, Forschungseinrichtungen und internationale Organisationen eine Vielzahl solcher Datensätze bereit, etwa zu Wetter, Klima, Emissionen, Energie oder Verkehr.
Open Data reduziert Markteintrittsbarrieren für Innovation erheblich und ermöglicht die Entwicklung neuer Anwendungen ohne hohe Investitionen in eigene Datenerhebung (Jetzek et al., 2014; Lakomaa & Kallberg, 2013). Gleichzeitig ergeben sich Herausforderungen hinsichtlich Datenqualität, Aktualität, Standardisierung und Integration heterogener Datenquellen. Aus betriebswirtschaftlicher Sicht ist zudem relevant, wie Open Data mit proprietären Daten, Services oder Mehrwertfunktionen kombiniert werden kann, um nachhaltige Geschäftsmodelle zu unterstützen.