Gebäude sind verantwortlich für 40 % des gesamten Energieverbrauchs in den USA.

Ein Hauptgrund für deren Energieverschwendung ist der Mangel an öffentlich zugänglichen Daten als Diskussionsgrundlage und Basis für Entscheidungen von Einwohnern, Politikern oder Immobilienverwaltern.

Neben anderen U.S. Ballungszentren arbeitet daher auch Washington D.C. an einer Open Data Platform für Gebäude-Energiedaten. Die bisherige Version ist funktional und ästhetisch unbefriedigend, und so durfte ich eine Neugestaltung der kompletten Website inklusive vieler neuer Datenvisualisierungen wagen.

Ein typischer Use Case: Schüler und Lehrer suchen nach ihrer Schule und vergleichen diese dann mit anderen Schulen.

Die Suche ist mit einfachen Filtern ausgestattet, und die Ergebnisse werden entweder als Gebäude-Steckbriefe oder auf einer Karte dargestellt. Der Steckbrief zeigt neben Bild und Adresse gleich die wichtigste Kennzahl, den Energy Star mit einer Ampelfarbe.

Der Kern der Plattform ist die Gebäude-Detail-Seite, die mit einer Reihe von Benchmark-Karten für die wichtigsten Kennzahlen beginnt: Energy Star, Energy Use Index, Kosten, Energiemix, Wasserverbrauch und einige mehr. Die Ampelfarben helfen bei der Bewertung der Kennzahlenwerte.

Der Vergleich mit anderen Schulen, anderen Gebäuden aus dem Viertel oder allen Gebäuden des Districts hilft dabei, den Energieverbrauch des eigenen Gebäudes einzuordnen.

Die Performance-Karten zeigen den Zeitverlauf der wichtigsten Kennzahlen.

Jede Benchmark- und Performance-Karte lässt sich erweitern zu einem detaillierten Chart mit weiteren Informationen, wie Zielvorgaben und Predictions, Base- und Peaklines und, für mich ganz wichtig, einer Guided Tour als Lesehilfe.

Im Analysis-Bereich finden sich explorative Tools, die in die Tiefe gehen. Der typische Use Case hierfür ist der Facility Manager, der die Auswirkungen von Veränderungen an der Gebäudetechnik auf den Energieverbrauch überprüfen möchte. Im Electricity Explorer kann er Stromverbrauch und Stromerzeugung aus Solar- und Windenergie nahezu in Echtzeit beobachten.

Für Energiekosten gibt es zwei Einflussfaktoren: Verbrauch und Einkaufspreis, und beide können schwanken. Eine einfache Timeline der Energiekosten pro Monat zeigt zwar die Schwankungen, verbirgt aber zu welchem Anteil die Einflussfaktoren beteiligt waren. Ein Scatterplot kann hier Abhilfe schaffen, jedoch ist er von Laien schwer lesbar und der Zusammenhang zur Timeline ist nicht besonders intuitiv. Daher habe ich mir einen animierten Übergang von Timeline zu Scatterplot ausgedacht.