Durch die stetig voranschreitende Ausbreitung von Smart Metern und intelligenten Sensoren im Rahmen des Internet of Things und Smart Home Technologien werden immer mehr Daten generiert. Diese Daten haben das Potential, wichtige Erkenntnisse zu liefern und großen Mehrwert für Endnutzer und verschiedenste Stakeholder aus Wirtschaft, Wissenschaft und Politik zu generieren. Entscheidend dafür ist jedoch, dass die enormen Datenmengen so integriert und verarbeitet werden, dass sie konkrete Antworten auf konkrete Fragen liefern können. Insbesondere energetische Analysen anhand von Smart Meter Daten können viele Faktoren berücksichtigen und eine hohe Komplexität aufweisen. Fraglich ist daher, wie genau die Integration, Modellierung und Analyse der Daten erfolgen soll. Eine mögliche Antwort könnten Online Analytical Processing Cubes aus dem Bereich des Business Intelligence sein. Ursprünglich für die Geschäftsanalytik entwickelt, extrahieren diese analytischen Informationssysteme Daten aus operativen Datenbanksystemen und externen Datenquellen und integrieren diese für Analysezwecke in ein separates Data Warehouse. Dabei werden die Daten multidimensional modelliert, indem sie in zu analysierende Fakten und beschreibende Dimensionen aufgeteilt werden. Die Speicherung der Daten erfolgt dabei in auf Multidimensionalität ausgelegten Datenbankarchitekturen. Im Rahmen dieser Arbeit wurde untersucht, inwiefern Online Analytical Processing Cubes ebenfalls für die Integration und Analyse von Sensordaten, insbesondere Energieverbrauchsdaten, geeignet sind. Zunächst wurden dafür die Grundlagen der Smart Meter Technologie und Online Analytical Processing recherchiert. Anschließend wurde ein Konzept erarbeitet, mit dem die durch Smart Meter gemessenen Energieverbrauchsdaten anhand von mehrdimensionalen Datenbankmodellen und Datenwürfeln gespeichert und mehrdimensional abgefragt werden können. Besonderer Fokus lag in diesem Zusammenhang auf Wetter- und Gebäudetypologiedaten als beschreibende Elemente für energetische Analysen. Anschließend wurde dieses Konzept mit realen Smart Meter Daten umgesetzt. Dafür wurden drei Hypothesen aufgestellt, die durch mehrdimensionale Datenmodellierung untersucht und geprüft wurden. Zur Umsetzung wurden SQLite, R und Python verwendet.