Was sind Brownfields?

Als Brownfields bezeichnet man ehemals genutzte, heute untergenutzte oder brachliegende Gewerbe- und Industrieflächen. Sie sind als urbane Landreserven innerhalb bestehender Siedlungsstrukturen verortet. Sie entstehen überwiegend im Zuge wirtschaftlicher und funktionaler Transformationsprozesse, etwa durch Produktionsverlagerungen, Stilllegungen oder Nutzungsänderungen. Aus planerischer und analytischer Perspektive stellen Brownfields Flächen mit hoher struktureller Relevanz dar, da sie häufig über bestehende Erschließung, technische Infrastruktur und günstige Lagen verfügen. Gleichzeitig sind sie durch Unsicherheiten hinsichtlich Nutzungsgeschichte, Umweltbelastungen, Eigentumsverhältnissen und rechtlicher Rahmenbedingungen gekennzeichnet. Die Reaktivierung von Brownfields ist daher weniger eine rein bauliche Aufgabe als eine datengetriebene Bewertungs- und Entscheidungsaufgabe, die eine systematische Erfassung, Integration und Analyse heterogener Informationen voraussetzt.

Der Datenzwilling

Der Datenzwilling für Brownfields ist die systematische digitale Abbildung ehemals genutzter, heute untergenutzter oder brachliegender Gewerbe- und Industrieflächen. Er bildet Brownfields nicht nur als Flächenkulisse ab, sondern als raum-zeitliches Wirklichkeitsmodell: mit Standorten, Nutzungen, Akteuren, Infrastrukturen, Risiken und Entwicklungspfaden. Im Sinne des TWIN-Ansatzes entsteht damit ein datenbasierter Zwilling, der Planung, Bewertung und Aktivierung von Flächen nicht nur visualisiert, sondern analytisch fundiert und strategisch steuerbar macht.

Die zentrale Voraussetzung für einen solchen Datenzwilling ist der Zugriff auf möglichst vollständige, adressgenaue und interoperable Daten. Genau hier liegt ein entscheidender Vorteil: Als dai verfügen wir bereits heute über nahezu alle relevanten Datenquellen, um Brownfields flächendeckend und systematisch abzubilden. Das bedeutet: Wir kennen die aktuellen Gewerbestandorte und Unternehmensstrukturen adressgenau, einschließlich ihrer räumlichen Einbettung in Gewerbegebiete, Gebäude und Parzellen. Darüber hinaus können wir über historische Datenbestände auch inaktive Firmen, Stilllegungen und Standortverlagerungen rekonstruieren. Diese historische Tiefenschärfe ist zentral, um Brownfields nicht nur als Status quo, sondern als Ergebnis wirtschaftlicher und struktureller Transformation zu verstehen.

Ein TWIN-Datenzwilling für Brownfields integriert zudem detaillierte Informationen zur Flächennutzung – sowohl aktuell als auch historisch. Produktion, Lager, Logistik, Handel, Handwerk oder gemischte Nutzungsformen werden nicht nur kategorisiert, sondern in ihrer räumlichen Struktur und zeitlichen Dynamik erfasst. Damit entsteht eine belastbare Grundlage für Typisierungen, Priorisierungen und die Ableitung realistischer Nachnutzungsszenarien.

Eine weitere entscheidende Ebene betrifft die Infrastrukturen vor Ort. Der Brownfield-Zwilling bildet Verkehrserschließung, ÖPNV-Anbindung, technische Netze sowie digitale Infrastruktur ab. Dazu gehören insbesondere Daten zu Energieträgern und Energieinfrastrukturen: Stromnetzkapazitäten, Gasanschlüsse, Fern- oder Nahwärmepotenziale, erneuerbare Möglichkeiten (z. B. Photovoltaik oder Geothermie) sowie die Frage, ob eine Fläche energieintensive oder klimaneutrale Nachnutzungen überhaupt tragen kann. Ebenso zentral ist die Breitband- und Glasfaseranbindung, die zunehmend über die Zukunftsfähigkeit von Gewerbeflächen entscheidet – von moderner Industrie bis hin zu datengetriebenen Dienstleistungsclustern.

Umfassende Datenbasis über Standortfaktoren

Das Datennetzwerk dai-x liefert auf Basis des TWIN-Datenmodells nahezu beliebige Datenschichten je nach Fragestellung. Alle Adressen, auch historische, alle über 5 Millionen Gewerbestandorte nach Branchen, auch historische, mit allen rund 66 Mio. Flurstücken und deren Nutzungen sowie infrastrukturelle Erschließungen. dai identifiziert so datenbasiert zielsicher jedes potenzielle Brownfield und kann alle relevanten Standortfaktoren zu einem Standortprofil verdichten. Wir arbeiten fortlaufend an der Erweiterung der Datenvielfalt bis hin zur Schaffung eines Datenraums für Brachflächen.

Bedeutung der Wohnlage seit der Mietspiegelreform 2022

Die Reform trat am 1. Juli 2022 in Kraft mit den klaren Zielen:

• mehr Rechtsklarheit,
• bundesweit einheitliche Standards,
• mehr statistische Qualität,
• höhere Transparenz und Nachvollziehbarkeit der Mietspiegel.

Dabei wird für die Erstellung der Wohnlage (§ 19 MsV) neben einer Dokumentationspflicht eine sachgerechte Untergliederung (z. B. „einfach, mittel, gut“) mit einer räumlichen Verortung (Karte oder Verzeichnis) durch klare Kriterien gefordert, wie etwa:

• Infrastruktur,
• Nahversorgung,
• Verkehrsanbindung,
• Grünraum,
• Bebauungsdichte.

Lage, Lage, Wohnlage

Eine gute Wohnlage wirkt sich positiv auf den durchschnittlichen Mietpreis aus, eine schlechte negativ. So die Annahme. Damit Auswirkung und Höhe statistisch nachvollziehbar ermittelt werden können, muss die Lage eine unabhängige Größe vom Mietpreis selbst sein, beispielsweise die Nähe zu einer Kirche, Lärmbelastung usw.

Die Lage kann sich so bereits in einem Wohnblock unterscheiden, wenn eine Blockseite zu einem Gewässer oder einer Hauptverkehrsstraße ausgerichtet ist. Je nach Lage treffen auch schon andere Kriterien beim direkten Nachbarn auf. Das Maß der Dinge ist demnach die adressgenaue Berechnung einer Wohnlage, die dann in Klassen kategorisiert wird. Alles auf Basis von Public (Geo) Data.

Kontakt

Wir erstellen auf Wunsch für jede Stadt eine neue Wohnlagenkarte – adressgenau und statistisch nachvollziehbar. Ideales Tool zur späteren Abfrage auch hier: Der Open Geocoder! Fragen Sie unverbindlich an sascha.jablonski@dai.institute

Bundesweit rund 34,2 Mio. Nicht-Wohngebäude

Spätestens seit dem breiten Einsatz von Karten-Apps auf dem Handy oder den Navigationsgeräten im Auto ist das Auffinden von Orten aller Art selbstverständlich geworden. Das Dateninstitut dai nutzt für weiterführende Analysen, beispielsweise dem Energiebedarf von Wohn-Nebengebäuden oder Nicht-Wohngebäuden, nun alle gesammelten amtlichen 3D-Gebäude inklusive ihrer Funktion und Nutzung. Dazu zählen u.a.

• 11 Mio. Gebäude für Wirtschaft und Gewerbe
• 6,7 Mio. Garagen
• 1,5 Mio. Schuppen
• fast 1 Mio. Gebäude zur Freizeitgestaltung
• rund 600.000 Land- und forstwirtschaftliches Betriebsgebäude
• rund 306.000 Gebäude zum Parken
• Kirchen, Schulen, allg. öffentlichen Einrichtungen, Ärztehäuser u.v.m. (über 250 Typen)

Alles Open Data und alles inkl.

• Gebäudegrundfläche absolute Zahl, in m²
• Gebäudevolumen absolute Zahl, in m³
• Gebäudehöhen absolute Zahl, in m
• Gebäudedachform nach Typen (z.B. Flach-, Walm-, Pult-, Mansarden-, Kegeldach usw.)
• Gebäudeausrichtung (N, NO, O, SO, S, SW, W, NW)
• Gebäudedachfläche absolute Zahl, in m²

In der Mischnutzung noch viel mehr Nicht-Wohngebäude

Laut Gebäudeenergiegesetz (GEG) liegt bereits ein Nicht-Wohngebäude vor, wenn das Gebäude nicht überwiegend zum Wohnen genutzt wird. Das heißt: Wird weniger als 50 % der Nutzfläche zu Wohnzwecken genutzt, gilt das Gebäude als Nicht-Wohngebäude. Auf Basis aller bekannten 4,8 Mio. aktiven Firmen und 42 Mio. Haushalte je Adresse kann auch das Verhältnis in Wohngebäuden bezogen zur Nutzfläche gebildet werden. Es handelt sich hierbei dann nicht mehr um reine Nicht-Wohngebäude, jedoch um Wohngebäude in Mischnutzung mit überwiegendem gewerblichem Anteil.

Kontakt für alle Gebäudedaten – extrem günstig dank Public Data

Fragen Sie uns, der komplette bundesweite Datensatz mit 57 Mio. Gebäuden ist dank Public Data extrem günstig abzugeben. Ansprechpartner Sascha.Jablonski@dai.institute

SAFeDY – Spatial Aggregation Framework for Data Privacy – bietet ein Set an Tools zur Anonymisierung personenbezogener Daten durch räumliche Aggregation

Räumliche Aggregation zur Anonymisierung von Positionen wie Adressen oder GPS-Daten gehören zur grundlegenden Herausforderung in der Verarbeitung personenbezogener Daten. Das neue und offene Framework SAFeDY bietet Institutionen den dafür notwendigen Werkzeugkasten. Zum Framework zählt u.a.

• Ein offenes, hierarchisches Mehrebenen-Raummodell, was Adressen und Standorte in beliebige Gebiete wie beispielsweise Wohnblöcke, Quartiere und Stadteile oder Kacheln (100x100m, 1x1km usw.) zusammenfassen lässt
• Eine offene Geokodierung, die sich flexibel in jede Infrastruktur implementieren lässt und Adressen innerhalb einer Institution verarbeiten lässt, um die Raumebenen anreichern zu können
• Die flexible, DSGVO-konforme Aggregation (und Darstellung) personenbezogener Daten in beliebige Gebiete

Open Geocoder – offene Geokodierung für Alle

Die Open Source & Data Initiativen machen es möglich. Das Dateninstitut dai plant noch im Laufe dieses Quartals und damit bis Ende des Jahres erstmals einen Open Geocoder auf den Markt zu bringen. Hauptelement der dazu notwendigen Referenzdaten sind die offenen Geodaten der einzelnen Bundesländer (u.a. die 3D-Gebäudedaten), die im Datenmodell TWIN am Institut zusammenfließen und harmonisiert werden. Die Softwareentwicklung und spätere Lizenz folgt dabei den Möglichkeiten von Open Source Richtlinien. Geokodierung ist somit erstmals für alle da (und weiterentwickelbar).

Kontakt

Sie haben Fragen zur räumlichen Aggregation oder zum Framework SAFeDY? Dann kontaktieren Sie uns unter presse@dai.institute

Schaut man jedoch genauer hin, erkennt man regional wie lokal deutliche Unterschiede. Für entsprechende Versorgungsanalysen bietet nun das data analytics institute (dai) einen Daten-Service, bei dem jedes Quartal alle noch aktiven Apothekenadressen standortgenau zur Verfügung gestellt werden.

Regionale wie lokale Unterschiede beim Apothekensterben

Wie der WDR erst kürzlich in seinem Beitrag Apothekensterben? So geht es Apotheken in NRW aktuell berichtet liegt Düsseldorf beim Apothekensterben in NRW an der traurigen Spitze mit 4 Schließungen dagegen Hagen und Rhein-Sieg-Kreis mit keiner einzigen (vgl. Tabelle, Quelle WDR).

Für Versorgungsanalysen, d.h. Wegezeiten und Einzugsgebieten ist räumlich eine deutlich detailliertere Betrachtung notwendig.

Beispiel Apothekenstreben im Stadtteil Mörsenbroich (Düsseldorf)

Im Januar 2025 musste die Mörsenbroicher Apotheke schließen (siehe Screenshot, Quelle Google Maps). Dies folgt einem Trend im Stadtviertel Leerstand an der Münsterstraße in Düsseldorf: „Man fühlt sich abgehängt“. Hier traf es zuvor schon die Forum Apotheke, nur weniger hundert Meter entfernt.

Datendienst Apothekenadressen mit Standorten

Für allgemeine wie fortgeschrittene Versorgungsanalysen bietet das data analytics institute (dai) ab sofort einen Datendienst, der auf Wunsch quartalsweise alle aktiven Apotheken meldet.

Kontakt

presse@dai.institute

Neubaugebiete sind Neubauten in einem Quartier

Am Beispiel der beiden Straßen Fideliostraße und Freudestraße in Bonn-Villich (PLZ 53225) lässt sich die Bautätigkeit im Quartier in 2020 auf Google Maps sehr gut nachvollziehen und zeigt auch den zeitlichen Versatz der aktuellen Karten. Noch nicht alle Gebäude (mittlerweile insgesamt 27 Neubauten) sind datenseitig erfasst. Dennoch lässt dich das Neubaugebiet sehr gut erkennen, ist es doch ziemlich weit fortgeschritten (Hinweis: Wir blicken 4-5 Jahre zurück).

Wohngebäude nach 2016 je Baujahr

Für die letzten zehn Jahre (2016-2025) stellt das data analytics institute für Analysen und Auswertungen die Neubauten und deren Neubaugebiete als jährlichen Datensatz zur Verfügung. Es ergänzt damit ideal den Zensusdatensatz 2022 und bietet z.B. für die kommunale Wärmeplanung oder marketingrelevante Aspekte eine ideale Datenbasis. Für die rund 19,3 Mio. Wohngebäude ist das Gebäudealter bis 2016 standardmäßig gemäß Zensus in Dekaden verfügbar (auf Wunsch auch feingliedriger, da die Bautätigkeitsinformationen noch deutlich weiter zurückreichen).

Kontakt

presse@dai.institute

Zahlreiche Verbände der Geoinformationsbranche wie beispielsweise der Bund der Öffentlich bestellten Vermessungsingenieure e.V. (BDVI) oder die Deutsche Gesellschaft für Kartographie haben gemeinsam unter dem Deutschen Dachverband für Geoinformation, kurz DDGI ein Positionspapier für Geoinformationen zur 21. Legislaturperiode veröffentlicht. Es setzt konkrete Impulse für eine resiliente, digitale und nachhaltige Zukunft.

Die zentralen Forderungen:
Geoinformation als strategisches Gut verstehen & verankern.
Den Digitalen Zwilling unserer Welt auf Basis von Geodaten gesetzlich integrieren.
Raumbezogene Daten für Klimaschutz & Energieplanung verpflichtend nutzen.
Open Geodata durch Rechtsanspruch und Standardisierung ermöglichen.
Bildung, Forschung und Fachkräfte gezielt fördern.

Der Vorstand und CEO des data analytics institute, Michael Herter, ist Beirat im DDGI und unterstützt ausdrücklich die gezielte Erfassung unserer Welt als Digitaler Zwilling. Er stellt die Basis für den strategischen Einsatz von Geodaten gemäß der EU-Datennutzung (EU Data Act).

Geoinformationsbranche will aktiv unterstützen

Die Herausforderungen unserer Zeit – digitale Transformation, geopolitische Unsicherheiten, Klimawandel, Energiewende – erfordern belastbare und raumbezogene
Entscheidungsgrundlagen. Das Positionspapier formuliert konkrete Forderungen an die neue Bundesregierung, um die Potenziale von Geoinformation gezielt für die nächste Legislaturperiode zu erschließen.

Die Geoinformationsbranche steht bereit, dafür ihre hohe Expertise aktiv einzubringen. Sie möchte damit eine moderne Verwaltung, nachhaltige Entwicklung und digitale Souveränität gewährleisten. Die Branche bietet konkrete, technologiegestützte Lösungen zur Bewältigung zentraler Zukunftsfragen. Die Verbände fordern die Bundesregierung auf, ihre strategische Rolle anzuerkennen, gezielt zu fördern und in die gesetzgeberischen, infrastrukturellen und digitalpolitischen Maßnahmen der Legislaturperiode zu integrieren.

“Schlimm genug, dass sie überhaupt aktiv angeboten werden muss”, ergänzt Herter, denn immerhin ist die politische Bedeutung von Daten bereits auf EU-Ebene seit 2014 klar verankert und sollte “für eine florierende datengesteuerte Wirtschaft” auch umgesetzt werden. Nur passiert ist seitdem wenig.

Hier geht’s zum Positionspapier für Geoinformationen:
https://lnkd.in/e3GaEVmc

Kontakt

presse@dai.institute

Die Zusammenarbeit zwischen data analytics institute und Targomo macht es möglich: Millionenfach gesammelte GPS-Daten, jeden Tag zu jeder Uhrzeit. Die Daten, anonymisiert und aggregiert, stehen für unterschiedlichste Mobilitätsanalysen und Standortbewertungen zur Verfügung. Kaum zu glauben aber wahr: Da die Daten eine Ursprungzelle “Wohnen/zu Hause” besitzen, können sogenannte Origin-Destination-Auswertungen erfolgen. Vereinfacht heißt das, dass zu jedem beliebigen Standort eine Einzugsgebietsanalyse möglich ist – wo kommen also meine Kunden, Gäste oder Besucher genau her – und das auf Wunsch unterschieden nach Tages- und Nachtzeit.

Bestimmung und Bewertung von Hot Spots

Die aggregierten GPS-Daten in Verbindung mit sogenannten Points-of-Interest zeigen eindrucksvoll, wo sich welche Hot Spots befinden. Aber nicht nur das: Es wird sichtbar wie gut oder schlecht diese frequentiert werden und woher die Besucher kommen. Ein Hot Spot kann prinzipiell beliebig sein. Darunter fallen u.a. Stadien, Konzerthallen, Schwimmbäder, Haltestationen, Fußgängerzonen, Sehenswürdigkeiten u.v.m.

Durch die flächendeckende Datenverfügbarkeit werden Hot Spots derselben Kategorie, beispielsweise Konzerthallen untereinander vergleichbar und damit bewertbar.

Kontakt

Sie interessieren sich für GPS-Daten bzw. Standortbewertungen oder Mobilitätsanalysen. Dann kontaktieren Sie uns einfach und unverbindlich unter info@dai.institute – wir beraten Sie gerne!

Die exklusive Zusammenarbeit zwischen enwarp und dem data analytics institute macht es möglich: Aus Laserscan-Daten wird erstmals der sogenannte Level-of-Detail (LOD) 2.5 ermittelt. Die für nahezu jedes Gebäude in Deutschland verfügbaren Daten liefern deutlich präzisere Informationen als die derzeitigen LOD2-Daten der Bundesländer. LOD2.5 ermöglicht eine bessere Berechnung zahlreicher, wichtiger Gebäudekennziffern für Wohnen & Energie wie beispielsweise deutlich genauere Gebäudevolumen, Wohnfläche, Etagenzahl, Energieverbrauch und Solarpotenzial.

Digitaler Zwilling: Bisher nur LOD2 verfügbar

Am Beispiel der Rheinallee 35b in Bonn (Quelle: Digitaler Zwilling NRW) ist gut erkennbar, dass die derzeitigen Gebäudedaten vereinfachte 3D-Modelle darstellen. Anbauten und Aufbauten sind nicht erfasst und fehlen damit in weiterführenden Auswertungen.

NEU: LOD2.5 setzt neue Maßstäbe in der Präzision

In der Zusammenarbeit mit enwarp und dai entsteht eine neue Gebäudedatenbank in Verbindung mit postalischen Adressen und amtlichen Strukturen von höchster Präzision (TWIN.Building). Im Ergebnis liegen bessere Gebäudemerkmale vor, die auf Basis der LOD2.5-Daten berechnet werden. Dazu gehören neben den bereits o.g. Gebäudemerkmalen für Wohnen & Energie auch zahlreiche sozio-demographische sowie ökonomische Merkmale dank Micro-Simulation und Machine Learning.

TWIN: Das neue Datenmodell der dai

Basis für die LOD2.5-Daten von enwarp ist das neu entwickelte Datenmodell der dai. Es ermöglicht Daten unterschiedlicher Quellen über Menschen & Objekte (z.B. Mobilitäten, Baumabschattung etc.) einheitlich zu kombinieren. Dank stetig wachsender Datenquellen, egal ob Public oder wie hier Private Data, entsteht so TWIN.

TWIN stellt – soweit möglich – das digitale Abbild der Realität, den digitalen Zwilling unsrer Welt dar und wird fortlaufend erweitert wie auch aktualisiert.

Kontakt

Sie haben Fragen zu den Daten oder ihren Nutzen? Wir beraten Sie gerne. Kurz und einfach eine eMail an info@dai.instiute.

Der Job umfasst inhaltlich vielfältige Aufgaben, wie z.B.:

• Scoringverfahren und Scorecards berechnen
• Kundensegmentierungen und Kundenwertmodelle
• Standortanalysen inkl. Kartografische Darstellungen und Distanzanalysen
• Reportings und Präsentationen für Kunden

Neben Consumer-Analysen können auch B2B-Auswertungen gefragt sein. Beide Datentypen werden mit eigenen mikrogeographischen Daten kombiniert. Grundsätzlich erforderlich sind sehr gute Kenntnisse von multivariaten Analyseverfahren.

Systeme im Einsatz sind u.a. SAS. Reportings werden in Tableau umgesetzt. Der Job als Data Scientist kann Full Remote ausgeführt werden und ist gut bezahlt.

Bei Interesse bitte Bewerbungen schriftlich an info@dai.institute