Zwischen November 2025 und Februar 2026 führte Kiomda in Paris ein Experiment durch, um den Besuch seiner Sportanlagen zu objektivieren. Zehn städtische Turnhallen wurden mit von Kiomda entwickelten automatischen Zählsensoren ausgestattet. Mehr als 200.000 Überfahrten wurden registriert, d. h. fast 500 tägliche Überfahrten pro Standort. Dieses Experiment, das im Rahmen der Paris Challenges von Paris&Co mit Unterstützung der Stadt Paris durchgeführt wurde, zielte darauf ab, die tatsächlichen Anwesenheitsdaten mit traditionellen deklarativen Daten zu vergleichen und Nutzungen aufzudecken, die in herkömmlichen Überwachungssystemen bisher nicht sichtbar waren.
In den meisten Gemeinden beruht das Wissen über den Besuch von Sporthallen auf deklarativen Daten: Anwesenheitslisten, Rückmeldungen von Vertretern, Informationen von Sportverbänden. Diese Daten ermöglichen es, das Angebot zu strukturieren und Zeitfenster zuzuweisen, aber naturgemäß decken sie nur Teilzeiträume ab.
Diese deklarativen Systeme erfassen zwar geplante Reservierungen, von Verbänden oder Empfangsmitarbeitern gemeldete Anwesenheiten und theoretisch belegte Zeitfenster. Sie dokumentieren jedoch keine Unterschiede zwischen Reservierung und tatsächlicher Anwesenheit, keine Nutzungen mit freiem oder unbeaufsichtigtem Zugang, keine Zeiten, in denen trotz einer Reservierung tatsächlich zu wenig genutzt wird, und keine Abläufe außerhalb der offiziellen Öffnungszeiten.
Diese Lücke zwischen Planung und realer Nutzung schränkt die Fähigkeit ein, die Anlagen genau zu steuern. Es wird immer schwieriger festzustellen, ob die Zeitfenster 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. Die Betreiber müssen teure Anlagen verwalten und haben nur teilweise Einblick in ihre tatsächliche Auslastung.
In diesem Zusammenhang führte Paris&Co mit Unterstützung der Stadt Paris im Rahmen des Programms Paris Challenges ein Experiment durch, um den Besuch seiner Sportanlagen zu objektivieren.
Das Experiment fand vom 14. November 2025 bis zum 28. Februar 2026 in zehn städtischen Sporthallen 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 Frequenz von rund 500 Passagen pro Tag und Standort entspricht. Die anonymisierten und in 15-Minuten-Schritten konsolidierten Daten ermöglichen eine detaillierte Analyse der Besucherdynamik: Stundenverteilung, Besucherspitzen, tatsächliche Auslastung der Anlagen, Unterschiede zwischen Wochentagen und Wochenenden.
Abgesehen von der Menge der gesammelten Daten zielte das Experiment darauf ab, zwei Informationsquellen gegenüberzustellen: einerseits Daten aus der kontinuierlichen automatischen Zählung, andererseits bestehende interne Daten, die auf der Grundlage von Mitarbeiterangaben und Reservierungsplänen erstellt wurden.
Dieser Vergleich warf ein neues Licht auf die tatsächliche Nutzung der Anlagen:
Nicht genutzte reservierte Zeitfenster. In der Praxis erscheinen einige Zeitfenster, die theoretisch Verbänden oder Gruppen vorbehalten sind, selten oder sogar gar nicht genutzt.
Erhebliche Nutzungen bei freiem Zugang. Andere Zeitfenster, die frei zugänglich sind oder außerhalb der überwachten Zeiträume 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 Besucherspitzen. Die Stromanalyse ermöglicht es, Zeiten mit hohem Aufkommen außerhalb der üblicherweise als stark frequentiert geltenden Zeiten zu identifizieren — insbesondere am Tagesende 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 Experiments liegt in der Fähigkeit, Situationen zu beobachten, die zuvor schwer zu objektivieren waren. Insbesondere unbeaufsichtigte Zeitfenster stellen einen blinden Fleck für herkömmliche Überwachungsmittel dar.
An mehreren Standorten zeigten die Sensoren eine erhebliche Besucherzahl außerhalb der reservierten Zeitfenster oder während der freien Stunden. Diese Nutzungen, die im Sinne der Zugänglichkeit der Anlagen oft toleriert oder gefördert wurden, wurden nicht systematisch quantifiziert.
Konkretes Beispiel: Eine Sporthalle verzeichnet 80 bis 100 Besuche pro Tag und ist am Wochenende frei zugänglich, während die deklarativen Daten nur reservierte Zeitfenster erfassten. Diese Informationen ermöglichen es, die tatsächliche Nutzung der Anlagen 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 eine tatsächliche, nicht dokumentierte Nutzung (Wartungseingriff, Wachdienst) oder um einen Sonderfall, der eine Überprüfung vor Ort erforderte.
Diese Fähigkeit, unerwartete Situationen aufzudecken, verdeutlicht den Wert kontinuierlicher und objektiver Messungen: Sie ermöglicht es, Fragen zu stellen, die sich in deklarativen Systemen nicht formulieren lassen.
Die Nutzung der Daten hat auch gezeigt, wie schwierig es ist, heterogene Quellen zu konsolidieren. Die Verknüpfung von Sensordaten und deklarativen Daten erfordert Abgleichs- und Interpretationsarbeit.
Unterschiedliche Datenformate. Reservierungspläne, Rückmeldungen aus dem Feld und Sensordaten verwenden nicht dieselben Maßeinheiten oder dieselbe zeitliche Granularität. Die Harmonisierung dieser Quellen erfordert einen Strukturierungsaufwand.
Kontextuelle Interpretation erforderlich. Eine Diskrepanz zwischen deklarativen und realen Daten bedeutet nicht automatisch eine Fehlfunktion. Sie kann legitime Praktiken widerspiegeln (verspätete Ankunft einer Gruppe, vorzeitige Abreise, gemeinsame Nutzung eines Zeitfensters). Die Analyse muss den Kontext vor Ort berücksichtigen.
Aufzubauende analytische Fähigkeiten. Die Erzeugung zuverlässiger Daten allein reicht nicht aus; sie muss mit geeigneten Analysemöglichkeiten einhergehen, um voll ausgeschöpft zu werden. Die Gemeinden benötigen Visualisierungswerkzeuge und Dashboards, die die Quellen automatisch abgleichen und signifikante Unterschiede hervorheben.
Dieser Punkt ist eine wichtige Lehre aus dem Experiment. Die Messung der Besucherzahlen ist eine Grundvoraussetzung, doch die zentrale Herausforderung besteht darin, diese Daten in betriebliche Steuerungshebel umzuwandeln.
Auf technischer Ebene erwiesen sich die erzielten Ergebnisse als solide, mit einer Zuverlässigkeitsrate von mehr als 95 % an den meisten Standorten.
Die zehn Sporthallen wiesen unterschiedliche Konfigurationen auf: einzelne oder mehrere Eingänge, kanalisierte oder freie Ströme, Anlagen mit hoher Kapazität oder kleine Spezialräume, Anwesenheit von Personal oder automatisierter freier Zugang. Die komplexesten Konfigurationen, insbesondere solche mit mehreren Eingängen oder schlecht kanalisierten Strömen, 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)
.avif)
