Informations- und Kommunikationstechnologien sowie smarte Interaktion vernetzter Systeme stellen eine Schlüsselrolle für die Energiewende dar. Der Gebäudesektor ist insbesondere im Bereich der Wärmeerzeugung Stand heute ein maßgeblicher Treiber für hohe Kohlendioxidemissionen, welche es systematisch zu reduzieren gilt. Durch Kommunikation und breite Erfassung von Verbrauchsinformationen im Gebäude wird es ermöglicht, auch Bestandsanlagen kosteneffizient zu optimieren, indem die althergebrachte witterungsgeführte Steuerung durch bedarfsorientierte Ansätze ersetzt wird, welche zusätzliche Informationen über den realen Bedarf im Gebäude in die Betrachtung mit einbeziehen. Im Ergebnis wird eine deutliche Reduzierung der Vorlauftemperaturen in den Heizanlagen ermöglicht, sodass der zukünftig breitflächige Einsatz von Wärmepumpen im Interesse einer All Electric Society unterstützt wird. In zahlreichen Pilotprojekten konnten verschiedene Szenarien aufgebaut und die Verfahren erfolgreich erprobt werden. Zu diesem Zweck wurden smarte Heizkostenverteiler als Temperatursensoren, vernetzte Stellantriebe zur Steuerung der Heizkörper sowie ein Wohnungscontroller je Wohnung eingesetzt. Problematisch zeigt sich bereits heute, dass die Komplexität mit jeder hinzugefügten Komponente im Gesamtsystem gleichermaßen wie die Kosten steigen und eine zügige Umsetzung durch erforderliche Installationsarbeiten sowie Betreuungs- und Wartungsaufwand im Betrieb bei stetigen Personalnotstand in allen Gewerken und Fachbereichen problematisch ist. Insbesondere die smarten Stellantriebe sind jedoch essenziell, um den realen Heizbedarf abschätzen zu können. Dieser Beitrag untersucht, inwieweit es möglich ist, aus bereits gewonnenen Messreihen Rückschlüsse über die Heizbedarfe einzelner Wohnungen zu ziehen, wenn außer den ohnehin vorhandenen Heizkostenverteilern keine weiteren Ausstattungsmerkmale hinzugezogen werden und ob es möglich ist, die damit einhergehenden Informationsverluste durch Machine Learning-Ansätze zu kompensieren.