Verwaltungen stehen zunehmend unter Druck: Mehr Aufgaben, weniger Personal, enge Budgets und hohe Erwartungen an digitale Lösungen. Als Antwort darauf hat die Stadt Heidelberg mit dem Team „Innovation und Wissenschaftskooperationen“ eine zentrale Einheit geschaffen, die Innovationspotenziale frühzeitig identifiziert, Akteure aus Verwaltung, Wissenschaft und Wirtschaft zusammenbringt und Ideen gezielt in konkrete Projekte überführt. Ziel des Teams ist es, den praktischen Einsatz von Daten und KI zu ermöglichen, Freiräume für offenes Experimentieren zu schaffen und eine Kultur zu fördern, die auf Kooperation, Prototyping und gemeinsames Lernen setzt.

Innovation wird dabei nicht abstrakt gedacht, sondern konkret umgesetzt. Programme wie „Test in Heidelberg“ bieten reale Testumgebungen, in denen Daten gesammelt, Ideen getestet und KI-gestützte Lösungen in enger Zusammenarbeit mit Start-ups, Unternehmen und Forschungseinrichtungen entwickelt werden. Parallel entstehen innerhalb der Verwaltung Pilotprojekte, etwa zur Nutzung von Sprachmodellen, zur Automatisierung von Routineprozessen oder zur datengestützten Priorisierung von Aufgaben.

Ein zentrales Element bildet dabei eine gelebte interne Lernkultur. Regelmäßige Skill-Sharings, ein intelligenter Matching-Bot und der jährlich wachsende Innovationstag machen Wissen und Kompetenzen sichtbar und fördern den Austausch. Zuletzt nahmen über 500 Mitarbeitende teil und zeigten damit eindrucksvoll, welches Innovationspotenzial bereits in der Verwaltung vorhanden ist.

Ein weiteres Alleinstellungsmerkmal ist die enge Vernetzung mit der Wissenschaft. Gemeinsam mit Hochschulen entstehen praxisnahe Fallstudien auf Basis städtischer Daten, offene Daten werden in Lehrformate integriert. Die Verwaltung wird so aktiv zum Forschungsgegenstand und zum Forschungspartner und gewinnt wertvolle Erkenntnisse für ihre eigene Weiterentwicklung.

Der Vortrag zeigt, wie eine daten- und KI-gestützte Transformation erfolgreich umgesetzt werden kann: mit klarer Zielorientierung, Offenheit für Experimente und einer Kultur, die konsequent auf Lernen und Zusammenarbeit setzt. Ein zentraler Hebel auf diesem Weg ist das kontinuierliche Erschließen und Verstehen von Daten. Ihre systematische Nutzung wird weiter ausgebaut, um datenbasierte Entscheidungen in der Verwaltung gezielt zu verbessern.

Die Verschuldungssituation einer Kommune lässt sich nicht mit einer einzelnen Kennzahl erfassen – sie erschließt sich erst durch das Verstehen, Einordnen und Vergleichen verschiedener Daten. Genau hier setzt der SchuldenMonitor NRW an: Die interaktive Anwendung unterstützt Nutzende dabei, zentrale Informationen zur kommunalen Verschuldung einzusehen und einzuordnen. Sie soll das Verständnis der Daten fördern, indem sie finanzpolitische Zusammenhänge verständlich visualisiert, Orientierung bietet und den Zugang zu kommunalen Finanzdaten erleichtert.

Die Höhe, Struktur und Entwicklung kommunaler Schulden sind wichtige Indikatoren zur Beurteilung der kommunalen Haushaltslage und Handlungsfähigkeit. Sie ermöglichen sowohl eine detaillierte Analyse der Situation einer einzelnen Kommune als auch fundierte Vergleiche zwischen mehreren Kommunen. So kann es beispielsweise vorkommen, dass zwei Kommunen eine gleich hohe Pro-Kopf-Verschuldung von 1.500 Euro aufweisen, jedoch Kredite zu unterschiedlichen Zwecken aufgenommen haben. Während bei Kommune A 90 % der Schulden auf Liquiditätskredite zur kurzfristigen Überbrückung finanzieller Engpässe entfallen, bestehen bei Kommune B 90 % aus Investitionskrediten zur Finanzierung langfristiger Projekte wie den Infrastrukturausbau. Trotz gleicher Pro-Kopf-Verschuldung liegt es nahe, dass sich die finanziellen Spielräume und folglich auch die Handlungsfähigkeit der beiden Kommunen deutlich unterscheiden.

Der SchuldenMonitor NRW macht solche Unterschiede sichtbar. Karten bieten einen Überblick über die Höhe der Gesamtverschuldung sowie über die Höhe und den Anteil von Liquiditäts- und Investitionskrediten. Ergänzende Informationen helfen bei der Einordnung, etwa durch Vergleiche mit Einheiten der gleichen Verwaltungsform oder Größenklasse. Auch die zeitliche Entwicklung der Verschuldung wird stets zusammen mit entsprechenden Referenzwerten dargestellt. Neben der Analyse einzelner Kommunen oder Kreise sind darüber hinaus auch individuelle Vergleiche mehrerer Gebietseinheiten möglich.

Der SchuldenMonitor NRW macht zentrale Kennzahlen der kommunalen Verschuldung intuitiv erfassbar, schafft Transparenz und ermöglicht einen detaillierten Blick auf langfristige finanzielle Entwicklungen. Die bereitgestellten Visualisierungen und Einordnungen sollen politische Entscheidungsprozesse unterstützen und das öffentliche Verständnis über kommunale Finanzen fördern.

This study demonstrates how large high-frequency mobile phone data can be transformed into flow networks to analyze human mobility patterns. Using anonymized data provided by a large mobile network provider in Germany, we utilize digital traces generated through user interactions with mobile networks, such as calls, messages, and automatic connectivity updates, to infer movements between locations. The spatial resolution is thereby recorded at the level of cell tower locations, while mobility patterns are of interest at the level of administrative districts (e.g., postcode areas). We demonstrate a large-scale data analysis that is still privacy-preserving, examining population mobility without relying on GPS or user-consented tracking.

Our approach focuses on two main tasks: preprocessing the raw mobile phone records and conceptualizing them as network representations of spatial flows. Since the data reflect connections to cell towers rather than precise locations, the spatial resolution is defined by the geographic positions of the towers and resulting individual trajectories, which themselves are imprecise. We address challenges related to trajectory reconstruction and data sparsity by applying a scalable, spatio-temporal linear interpolation technique to estimate user movement between towers. These estimated flows are then aggregated to the postcode level to create interpretable mobility networks.

This work contributes a practical method for transforming infrastructure-based mobile phone data into meaningful representations of urban and regional mobility. By emphasizing data preprocessing and network construction—while avoiding user-level tracking—the study supports the development of scalable, privacy-conscious methods for analyzing large-scale human movement patterns. For example, we demonstrate movement patterns in Munich and apply a dynamic gravity model to explain them. We also tackle the question of obtaining information on the mode of transportation.