von Dr. Aljoscha Minnich

Wie datengetriebene Analysen echte Wirkung entfalten

Verkehrsunternehmen stehen heute vor komplexen Veränderungen: Neue Antriebe, neue Tarifmodelle, steigende Energiepreise, steigender Kostendruck, zunehmender Qualitätsanspruch. Jede Entscheidung wirkt sich auf zahlreiche Bereiche gleichzeitig aus – von der Einsatzplanung über die Infrastruktur bis zur Personalsteuerung.

Doch welche Maßnahmen oder Prozessoptimierungen funktionieren wirklich?

Genau hier setzt evidenzbasierte Entscheidungsfindung an.

Warum reine Kennzahlen nicht mehr ausreichen

Viele Betriebe erfassen bereits große Mengen an Daten. Wenn beispielsweise eine Busflotte auf Elektrobetrieb umgestellt wird, verändert sich nicht nur der Energieverbrauch. Auch Dienstpläne, Ladezyklen, Werkstattkapazitäten etc. müssen neu gedacht werden. Die entscheidende Frage, die sich hierbei stellt, ist, welche Effekte durch die Maßnahme entstehen und welche auch ohne die Veränderung eingetreten wären?

Hier helfen kausale Analysen dabei, Klarheit zu schaffen.

Kausale Datenanalysen als Schlüssel zu fundierten Entscheidungen

Kausale Datenanalysen gehen über die reine Beschreibung von Zusammenhängen hinaus: Sie identifizieren echte Ursache-Wirkungs-Beziehungen. Damit können Verkehrsunternehmen evidenzbasiert entscheiden, welche Prozesse, Investitionen oder Strategien tatsächlich Wirkung zeigen.

Im Bereich der Prozessoptimierung ermöglicht die kausale Analyse, Effizienzpotenziale gezielt zu identifizieren, beispielsweise durch die Untersuchung von Faktoren, die Verspätungen, Auslastungsschwankungen oder Energieverbrauch maßgeblich beeinflussen. Auf dieser Grundlage können datengetriebene Maßnahmen entwickelt werden, die nicht nur Symptome behandeln, sondern nachweislich Wirkung entfalten.

So lassen sich

• strategische Empfehlungen objektiv begründen,
• Pilotprojekte oder neue Technologien verlässlich evaluieren und
• nachhaltige Optimierungen im gesamten Verkehrsnetz umsetzen.

Kausale Analysen erlauben darüber hinaus eine fundierte Schätzung der entstehenden Zusatzkosten, etwa infolge von Baustellen oder Fahrplanänderungen, die Leistungsanpassungen notwendig machen und damit Kosten beim Aufgabenträger verursachen.

Datenstruktur aufbauen – die Basis für wirksame Analysen

Viele Verkehrsunternehmen verfügen bereits über umfangreiche Datenbestände in einzelnen Abteilungen. Häufig werden diese jedoch nicht systematisch zusammengeführt oder aufbereitet. Dabei liegt hier großes Potenzial:
Automatisierte Datenerfassungen – etwa aus Fahrzeug- oder Betriebsleitsystemen – liefern kontinuierliche und vergleichbare Informationen. Durch die Integration dieser Quellen lassen sich einheitliche Datenstrukturen und aussagekräftige Dashboards aufbauen, die Kennzahlen aus allen Unternehmensbereichen übersichtlich visualisieren und eine konsistente Entscheidungsgrundlage schaffen. Darüber hinaus können Vergleiche zwischen den Plan- und Ist-Daten bzgl. deren Umsetzbarkeit herangezogen werden.

Daten interpretieren – von der Beobachtung zur Kausalität

In der empirischen Wirtschaftsforschung haben sich verschiedene quasi-experimentelle Methoden etabliert, um Kausalzusammenhänge zu identifizieren. Zwei davon sind besonders praxisnah für Verkehrsunternehmen:

1. Difference-in-Differences (DiD)

Hierbei werden zwei vergleichbare Gruppen betrachtet – eine mit einer Maßnahme (Treatment-Gruppe) und eine ohne Maßnahme (Kontrollgruppe).

Beispiel: Ein Betriebshof führt Elektrobusse ein, ein anderer ähnlicher Betriebshof bleibt zunächst beim Dieselbetrieb. Durch den Vergleich der Entwicklungen beider Standorte vor und nach der Umstellung lässt sich der kausale Effekt der Maßnahme quantifizieren – etwa auf Energieverbrauch, Zuverlässigkeit oder Wartungskosten.

Der zweite Betriebshof ist zwar größer und weist dadurch einen insgesamt höheren Stromverbrauch auf, jedoch verlief die Entwicklung beider Standorte zuvor in einem ähnlichen Trend. In Kalenderwoche 13 werden am zweiten Betriebshof die neuen Elektrobusse in den Betrieb genommen. Neben den zahlreichen Vorteilen des Einsatzes von Elektrobussen ist zu berücksichtigen, dass der Strombedarf auf dem zweiten Betriebshof deutlich ansteigen wird. Um den Einfluss dieser Umstellung zu messen, wird simuliert, wie sich der Stromverbrauch entwickelt hätte, wenn keine Elektrobusse eingeführt worden wären. Der kausale Effekt ergibt sich dann aus der Differenz zwischen der tatsächlichen Entwicklung (dunkelblaue Linie) und der simulierten Vergleichsentwicklung anhand des Betriebshofes 1 (hellblaue Linie).

Diese Methode eignet sich sowohl für geplante Pilotprojekte, Testrechnungen als auch für nachträgliche Bewertungen bereits umgesetzter Maßnahmen.

Die Difference-in-Differences-Methode (DiD) ist ein hilfreiches Werkzeug, um Maßnahmen im Verkehrssektor zu bewerten, etwa die Einführung neuer Tarifangebote, bringt jedoch einige Herausforderungen mit sich. Besonders schwierig ist es, eine passende Kontrollgruppe zu finden, die zeigt, wie sich die Nachfrage ohne die Maßnahme entwickelt hätte. Beim österreichischen KlimaTicket wurde dafür zum Beispiel eine künstliche Vergleichsgruppe über „synthetic DiD“ aus Daten anderer europäischer Bahnen konstruiert.[1] Oftmals können jedoch auch ohne synthetische Vergleichsgruppen kausale Zusammenhänge hergestellt werden, wie zum Beispiel bei der Analyse der Effekte von Gamification Kampagnen auf individuelles Mobilitätsverhalten in Bremen und Hamburg.[2] Zusätzlich müssen Unternehmen prüfen, ob die beteiligten Gruppen ausreichend parallele Trends vor der Einführung der Maßnahme aufweisen, damit die Methode verlässliche Ergebnisse liefert. Erst durch Regressionsanalysen lässt sich sicher feststellen, ob beobachtete Effekte wirklich signifikant sind oder nur zufällige Schwankungen darstellen. Externe Faktoren wie Marktveränderungen oder neue Mobilitätsangebote können die Ergebnisse ebenfalls verzerren. Daher gilt: DiD liefert wertvolle Einblicke, verlangt aber eine sorgfältige Datenbasis, fundierte Modellierung und eine kritische Prüfung aller Annahmen.

2. Regression Discontinuity Design (RDD)

Diese Methode nutzt räumliche, zeitliche oder personenspezifische Diskontinuitäten, um Ursache-Wirkung-Beziehungen zu erkennen.

Beispiele:

• Räumlich: Analyse von Verspätungen vor und hinter einer Baustelle, um deren Einfluss auf die Pünktlichkeit zu bestimmen.
• Zeitlich: Untersuchung der Auswirkungen einer Fahrplanerweiterung ab einem bestimmten Datum (in der Grafik: Kalenderwoche 13) auf Auslastung und Dienstplanung.
• Personenspezifisch: Untersuchung der Auswirkungen eines neuen Sozialtickets für eine bestimmte Einkommensgruppe auf die Nachfrage

Durch solche natürlichen Vergleichsstrukturen lassen sich Effekte präzise isolieren. Jedoch wird vorausgesetzt, dass keine anderen signifikanten Einflussfaktoren (z. B. gleichzeitige Einführung des Deutschlandtickets) stattfinden.

RDD ist ein anerkanntes Instrument zur Analyse von Maßnahmen, die an klaren Diskontinuitäten ansetzen, und wird daher auch im Verkehrssektor häufig genutzt. Gleichzeitig erfordert die Methode besondere Sorgfalt, weil die Einheiten (z.B. Fahrgäste) knapp oberhalb und unterhalb des Diskontinuitätswerts möglichst vergleichbar sein müssen, damit belastbare Aussagen getroffen werden können. Erst durch Regressionsanalysen lässt sich sicher feststellen, ob beobachtete Effekte tatsächlich auf die Maßnahme zurückzuführen sind oder nur zufällige Schwankungen widerspiegeln. Wie Offiaeli und Yaman (2023) anhand einer Änderung der Tarifstruktur für Busfahrten in London zeigen, reagiert RDD zudem sensibel auf die Wahl des Datenbereichs und die Qualität der zugrunde liegenden Informationen.[3]  Externe Faktoren wie saisonale Schwankungen oder Konkurrenzangebote können die Ergebnisse ebenfalls beeinflussen. Eine verlässliche Anwendung von RDD setzt daher eine saubere Datengrundlage, eine präzise Abgrenzung der Analysebereiche und sorgfältige Robustheitsprüfungen voraus.

Unser Beitrag – von der Datenerfassung bis zur Entscheidungsgrundlage

Gemeinsam mit unseren Kolleg*innen von molytix unterstützen wir Verkehrsunternehmen dabei, Ihre Daten strategisch einzusetzen. Wir bieten:

• Aufbau und Zusammenführung von Datenbanken
• Entwicklung automatisierter Datenaufbereitungen
• Gestaltung intuitiver Dashboards (z. B. mit Power BI)
• Auswahl und Definition relevanter Kennzahlen
• Beratung zu geeigneten Analysemethoden, Maßnahmen und Differenzierungsebenen

Wir verbinden Verkehrs- und Datenanalyse und schaffen so die Grundlage für evidenzbasierte, nachvollziehbare und strategisch fundierte Entscheidungen – und machen den Erfolg von Veränderungen messbar.

Sie planen ein Datenprojekt oder möchten Maßnahmen sichtbar machen? Wir beraten Sie gerne individuell und unterstützen Sie bei Analyse, Umsetzung und Erfolgsmessung. Kontaktieren Sie uns –wir machen Ihr Verkehrsunternehmen datengetrieben und zukunftssicher.

[1] Wallimann, H. (2024). Austria’s KlimaTicket: Assessing the short-term impact of a cheap nationwide travel pass on demand. Transport Policy, 159, 201-214.

[2] Minnich, A. (2023). Gamification in the transport sector: Quasi-experimental evidence from a bicycle navigation app. Transportation research part A: policy and practice, 167, 103552.

[3] Offiaeli, K., & Yaman, F. (2023). The effect of an unconventional fare decrease on the demand for bus journeys: A regression discontinuity approach. Journal of Public Transportation, 25, 100053.

29. Januar 2026