In den meisten Gemeinden basiert das Wissen über den Besuch von Gymnasien auf deklarativen Daten: Anwesenheitslisten, Rückmeldungen von Vertretern, Informationen von Sportverbänden. Diese Daten ermöglichen es, das Angebot zu strukturieren und Zeitnischen zuzuweisen, aber naturgemäß sind es nur Teilzeiträume.
Diese deklarativen Systeme erfassen effektiv geplante Reservierungen, von Verbänden oder Empfangsmitarbeitern gemeldete Anwesenheiten und theoretisch belegte Zeitnischen. Andererseits dokumentieren sie keine Unterschiede zwischen Reservierung und tatsächlicher Anwesenheit, Nutzungen mit freiem oder unbeaufsichtigtem Zugang, Zeiten, in denen trotz einer Reservierung tatsächlich nicht ausreichend genutzt wird, oder Abläufe außerhalb der offiziellen Öffnungszeiten.
Diese Lücke zwischen Planung und realer Nutzung schränkt die Fähigkeit ein, Geräte genau zu steuern. Es wird immer schwieriger festzustellen, ob die Slots tatsächlich belegt sind, Zeiten zu identifizieren, in denen sie nicht genutzt wurden, oder unbeaufsichtigte Nutzungen zu erkennen. Ein Teil der Besucherzahlen, insbesondere bei freiem Zugang oder in Abwesenheit eines Mitarbeiters, entgeht daher den herkömmlichen Überwachungssystemen. Manager müssen teure Geräte verwalten und haben nur teilweise Einblick in ihre tatsächliche Belegung.
In diesem Zusammenhang führte Paris&Co mit Unterstützung der Stadt Paris im Rahmen des Paris Challenges-Programms ein Experiment durch, um den Besuch seiner Sportanlagen zu objektivieren.
Das Experiment fand vom 14. November 2025 bis 28. Februar 2026 in zehn städtischen Gymnasien in Paris statt. An den Eingängen der einzelnen Standorte wurden stereoskopische Wärmesensoren von Kiomda installiert, sodass insgesamt mehr als 200.000 Passagen erfasst werden konnten, was einer durchschnittlichen Besucherzahl von rund 500 Passagen pro Tag und Standort entspricht. Die anonymisierten und in Schritten von 15 Minuten konsolidierten Daten ermöglichen eine detaillierte Analyse der Besucherdynamik: Stundenverteilung, Besucherspitzen, tatsächliche Auslastung der Spielautomaten, Unterschiede zwischen Wochentagen und Wochenenden.
Abgesehen von der Menge der gesammelten Daten zielte das Experiment darauf ab, zwei Informationsquellen zu berücksichtigen: Einerseits Daten aus der kontinuierlichen automatischen Zählung; andererseits bestehende interne Daten, die auf der Grundlage von Agentenerklärungen und Reservierungsplänen erstellt wurden.
Dieser Vergleich ermöglichte es, ein neues Licht auf die tatsächlichen Einsatzmöglichkeiten der Geräte zu werfen:
Unfrequentierte reservierte Steckplätze. In der Praxis scheinen einige Plätze, die theoretisch Verbänden oder Gruppen vorbehalten sind, selten oder sogar leer zu sein.
Signifikante Open-Access-Nutzungen. Andere Nischen, die frei zugänglich sind oder außerhalb der überwachten Strände liegen, weisen erhebliche Aktivitäten auf, die in herkömmlichen Überwachungssystemen nicht dokumentiert wurden. Diese Nutzungen waren den Akteuren zwar empirisch bekannt, wurden aber nicht systematisch gemessen.
Unerwartete Spitzenbesucherzahlen. Die Flussanalyse ermöglicht es, Zeiten mit hohem Verkehrsaufkommen außerhalb der Zeiten zu identifizieren, die normalerweise als stark frequentiert gelten — insbesondere am Ende des Tages oder am Wochenende an bestimmten Standorten.
Diese Unterschiede werfen konkrete betriebliche Fragen auf:
Objektive Daten werden so zu einem Entscheidungsinstrument, um das Angebot so nah wie möglich an die realen Praktiken anzupassen.
Einer der wichtigsten Beiträge des Experimentierens liegt in der Fähigkeit, Situationen zu beobachten, die zuvor schwer zu objektivieren waren. Insbesondere ungerahmte Schlitze stellen einen blinden Fleck für herkömmliche Überwachungsgeräte dar.
An mehreren Standorten zeigten die Sensoren eine erhebliche Besucherzahl außerhalb der reservierten Plätze oder während der freien Stunden. Diese Nutzungen, die oft in der Logik der Öffnung der Geräte toleriert oder gefördert wurden, wurden nicht systematisch quantifiziert.
Konkretes Beispiel: Eine Turnhalle verzeichnet 80 bis 100 Besuche pro Tag und hat am Wochenende freien Eintritt, während die deklarativen Daten nur reservierte Plätze erfassten. Diese Informationen ermöglichen es, die tatsächliche Nutzung der Geräte besser zu verstehen und die Dienstleistungen entsprechend anzupassen (Sicherheit, Wartung, Öffnungszeiten).
In einem bestimmten Fall warf die Erkennung nächtlicher Passagen Fragen auf. Nach der Analyse handelte es sich entweder um einen tatsächlichen Einsatz, der nicht dokumentiert wurde (Wartungseingriff, Wachmann), oder es handelte sich um einen speziellen Fall, der eine Feldüberprüfung erforderte.
Diese Fähigkeit, unerwartete Situationen aufzudecken, verdeutlicht den Wert kontinuierlicher und objektiver Messungen: Sie ermöglicht es Ihnen, Fragen zu stellen, die Sie in deklarativen Systemen nicht formulieren können.
Die Nutzung von Daten hat auch gezeigt, wie schwierig es ist, heterogene Quellen zu konsolidieren. Die Schnittstelle zwischen Sensordaten und deklarativen Daten erfordert Abgleichs- und Interpretationsarbeiten.
Verschiedene Datenformate. Für Buchungspläne, Kundenfeedback und Sensorabläufe werden nicht dieselben Maßeinheiten oder dieselben zeitlichen Granularitäten verwendet. Die Harmonisierung dieser Quellen erfordert einen Strukturierungsaufwand.
Kontextuelle Interpretation erforderlich. Eine Diskrepanz zwischen deklarativen Daten und realen Daten bedeutet nicht automatisch eine Fehlfunktion. Es kann legitime Praktiken widerspiegeln (verspätete Ankunft einer Gruppe, vorzeitige Abreise, gemeinsame Nutzung einer Nische). Die Analyse muss den Feldkontext berücksichtigen.
Analytische Fähigkeiten, die entwickelt werden müssen. Die Produktion zuverlässiger Daten allein reicht nicht aus; sie müssen mit geeigneten Analysemöglichkeiten einhergehen, um in vollem Umfang genutzt werden zu können. Gemeinden benötigen Visualisierungstools und Dashboards, die automatisch Querverweise auf Quellen erstellen und signifikante Unterschiede hervorheben.
Dieser Punkt ist eine wichtige Lektion aus Experimenten. Die Messung der Besucherzahlen ist eine Grundvoraussetzung, aber die zentrale Herausforderung besteht darin, diese Daten in betriebliche Management-Hebel umzuwandeln.
Auf technischer Ebene schienen die erzielten Ergebnisse solide zu sein, mit Zuverlässigkeitsrate von mehr als 95% auf den meisten Websites.
Die zehn Turnhallen wiesen unterschiedliche Konfigurationen auf: einzelne oder mehrere Eingänge, kanalisierte oder freie Ströme, Geräte mit hoher Kapazität oder kleine Spezialräume, Präsenz von Agenten oder automatisierter freier Zugang. Die komplexesten Konfigurationen, insbesondere solche mit mehreren Eingängen oder schlecht kanalisierten Abläufen, ermöglichten es, betriebliche Grenzen zu ermitteln und die Einsatzbedingungen zu verfeinern.
Das Raumklima stellt im Vergleich zu Installationen im Freien besondere Herausforderungen dar: geringere Temperaturschwankungen (geringerer thermischer Kontrast), künstliche Beleuchtung, reflektierende Oberflächen (Spiegel, Fenster), Nähe zu Wänden.
Die stereoskopischen Wärmesensoren von Kiomda haben bewiesen, dass sie unter diesen Bedingungen zuverlässig funktionieren, und zwar mit einer Genauigkeit, die mit der von Außenanlagen (Grünanlagen, Naturflächen) vergleichbar ist.
Das Experiment bestätigte die einfache Implementierung des Geräts.
Die Sensoren wurden an bestehenden Masten, Wänden oder Stützen befestigt, ohne dass dank ihres Batteriebetriebs ein elektrischer Anschluss erforderlich war. Die Installation wurde in 30 Minuten pro Standort durchgeführt, und einige Mitarbeiter konnten nach der ersten Unterstützung direkt in die Installation der Sensoren eingreifen.
Die Akzeptanz vor Ort erwies sich im Allgemeinen als gut. Die Teams erkannten schnell die Vorteile des Systems, insbesondere im Hinblick auf:
Für die Stadt Paris ebnet dieser Ansatz den Weg für ein besseres Verständnis der tatsächlichen Einsatzmöglichkeiten von Sportgeräten zusätzlich zu den vorhandenen Geräten. Es unterstreicht den Wert eines auf Messungen beruhenden Ansatzes, insbesondere zur Analyse schlecht betreuter Nischen und zur möglichst genauen Anpassung des Angebots an die Praktiken sowie zur Identifizierung unzureichend genutzter oder überlasteter Geräte.
Für Kiomda ist dieses Experiment eine wichtige Bestätigung der Fähigkeit der Technologie, in Innenräumen zu funktionieren, die durch unregelmäßige Strömungen und unterschiedliche Konfigurationen gekennzeichnet sind.
Über den Sportbereich hinaus eröffnet dieses Experiment Anwendungsperspektiven in anderen öffentlichen Einrichtungen, die der Öffentlichkeit zugänglich sind:
In all diesen Fällen ist die Fähigkeit, kontinuierlich, anonym und zuverlässig zu messen, ein strategischer Managementhebel.
Allgemeiner gesagt geht aus diesen Rückmeldungen hervor, dass sich die Verwaltungspraktiken für öffentliche Einrichtungen weiterentwickelt haben. Es geht nicht mehr nur darum, Nutzungen zu planen, sondern sie auf der Grundlage objektiver Daten zu beobachten und zu verstehen.
Vor dem Hintergrund zunehmender Haushaltszwänge, starker Erwartungen der Bürger in Bezug auf die Zugänglichkeit öffentlicher Dienstleistungen und der Notwendigkeit, die Allokation von Ressourcen zu optimieren, wird die Fähigkeit, Verkehrsströme zuverlässig und kontinuierlich zu messen, zu einem strukturierenden Hebel.
Öffentliche Einrichtungen sind nicht mehr nur geplante Infrastrukturen: Sie werden zu datengesteuerten Räumen, in denen jede Anpassungsentscheidung auf einer tatsächlichen Beobachtung der tatsächlichen Nutzungen beruhen kann.
.svg)
Messen Sie die Besucherzahlen einer Anlage (Stadion, Fitnessstudio, Mediathek, Schwimmbad) nach Zeitfenstern, um Spitzenwerte zu erkennen, den Betrieb zu dimensionieren und Ihre Entscheidungen zu begründen.
