Der Budgetierungsprozess bei ewz ist geprägt von Medienbrüchen, manuellen Eingaben und hohem Abstimmungsaufwand, insbesondere bei der Planung bestehender Anlagen. Diese Schwächen führen zu Fehleranfälligkeit, Ineffizienzen und reduzierter Datenqualität. Die Abteilung GBQ suchte nach Wegen, um diese Herausforderungen durch technologische Innovationen, insbesondere durch den gezielten Einsatz von KI, zu adressieren.

Zunächst wurde der Ist-Prozess detailliert dokumentiert und analysiert. Durch Interviews mit Stakeholdern und eine kritische Bewertung bestehender Tools, wurden Schwachstellen identifiziert. Auf dieser Basis entwickelte die Arbeit ein optimiertes Zielbild, das KI-basierte Elemente wie Datenvalidierung, Prognosemodelle und Schnittstellenharmonisierung umfasst. Das Konzept wurde mithilfe des Value Proposition Canvas strukturiert und mit Erkenntnissen aus der Fachliteratur validiert.

Die Analyse zeigte, dass Medienbrüche, manuelle Tätigkeiten und unklare Verantwortlichkeiten die Budgetierungsqualität beeinträchtigen. Durch KI-gestützte Datenvalidierung, intelligente Prognosemodelle und modulare Systemintegration können Redundanzen reduziert und die Effizienz signifikant gesteigert werden. Die entwickelte Zielarchitektur enthält konkrete Handlungsempfehlungen für ewz, darunter der Aufbau eines zentralen Datenpools, eine API-basierte Systemharmonisierung und eine skalierbare IT-Infrastruktur. Organisatorisch sind Rollen wie «Data Steward», interdisziplinäre Teams und klare Governance-Strukturen essenziell. Für die Umsetzung empfiehlt sich ein MVP-basiertes (Minimum Viable Product) Vorgehen. Als Pilotprojekt bietet sich etwa die Budgetierung eines Contracting-Projekts an. Insgesamt schafft die Arbeit eine fundierte Grundlage, um datenbasierte Entscheidungsprozesse bei ewz nachhaltig zu stärken.