Die Umsetzung von industrieller Energieflexibilität stellt eine komplexe Herausforderung innerhalb komplexer Produktionssysteme dar. Um die Energieflexibilität erfolgreich zu nutzen, ist es entscheidend, die Produktqualität zu gewährleisten, Produktionszeitpläne zu verwalten und systemische Abhängigkeiten zu verstehen. Durch Anpassung von Produktionsprozessen an volatile Energiepreise ermöglicht industrielle Energieflexibilität, ohne die Produktivität zu beeinträchtigen, Kosten zu senken und den CO2-Fußabdruck zu minimieren, indem erneuerbare Energien effizient genutzt werden. Darüber hinaus eröffnet Energieflexibilität potenzielle Einnahmequellen durch Handel mit Flexibilitäten in zukünftigen dynamischen Energiesystemen und -märkten. Einer der wichtigsten Aspekte dieser Anpassungsfähigkeit ist die Verwendung eines standardisierten Datenmodells zur Ermittlung und Modellierung von Flexibilitäten. Die Komplexität industrieller Prozesse und der Bedarf an umfangreichem Fachwissen machen es jedoch schwierig, alle relevanten Produktionsanlagen zu modellieren. In dieser Arbeit wird eine Methodik vorgestellt, die den Modellierungsprozess zur Beschreibung der Energieflexibilität vereinfacht. Ziel der Arbeit ist es daher, eine automatisierte Parametrisierungsmethode für ein Energieflexibilitätsmodell zu entwickeln, wobei die Hypothese aufgestellt wird, dass datengesteuerte, automatisch parametrisierte Modelle und Techniken des maschinellen Lernens verwendet werden können. Unter Verwendung der Design Research Methodology wird in dieser Arbeit ein umfassendes Verständnis des aktuellen Stands von Wissenschaft und Technologie in Bezug auf industrielle Energiesysteme, digitale Produktion und Energieflexibilitätsmodellierung vermittelt. Die Forschung identifiziert einen Forschungsbedarf in diesem Bereich, formuliert Forschungsfragen und Hypothesen und entwickelt die Methode der datengetriebenen Energieflexibilitätsmodellierung (DD-EFMod). Diese Methode wird anhand eines Anwendungsfalls validiert, der die Machbarkeit des Einsatzes von Datenanalyse und Algorithmen des maschinellen Lernens für die Parametrierung der Energieflexibilität bestätigt, wobei Batch-Clustering-Methoden vielversprechende Ergebnisse zeigen. Darüber hinaus zeigt die Arbeit die Energie- und Kosteneinsparungen durch Energieflexibilitätsmaßnahmen auf der Grundlage der detaillierten Modellierung der Energieflexibilität. Der prototypische Anwendungsfall in der ETA-Forschungsfabrik zeigt, dass die Energieflexibilitätsmaßnahme Änderung der Bearbeitungsreihenfolge Kosteneinsparungen von 9.2% ermöglicht. Durch eine Kombination der Energieflexibilitätsmaßnahmen Änderung der Bearbeitungsreihenfolge und Verschiebung des Auftragsbeginns wurden im Rahmen der Validierung des Anwendungsfalls zusätzliche Kosteneinsparungen von bis zu 69.4% erzielt.