Daten und KI, erst die Grundlage, dann das Modell

Bei der Frage, welche Entscheidung besser werden soll. Daraus ergibt sich der Anwendungsfall, und der Anwendungsfall bestimmt, welche Daten in welcher Qualität gebraucht werden. Manchmal zeigt diese Prüfung: Die Grundlage trägt schon, der KI-Fall kann starten. Häufiger zeigt sie, dass zuerst die Daten dieses Anwendungsfalls bereinigt und zusammengeführt werden müssen. Beides ist ein gutes Ergebnis — teuer wird der umgekehrte Weg: erst das Modell zu kaufen und dann die passenden Daten zu suchen.

Nein — jedenfalls als Papierprojekt vor dem ersten Nutzen entbehrlich. Wir halten den umgekehrten Weg für tragfähiger: eine pragmatische Datenstrategie, die an konkreten Anwendungsfällen entsteht und sich an ihnen beweist. Jeder Fall klärt ein Stück Grundlage — führendes System, Pflegeregeln, verbindliche Zahlen — und dieses Stück bleibt. Nach wenigen Fällen existiert eine Strategie, die fest im Betrieb verankert ist und über den Anhang einer Präsentation hinausreicht.

Schlechter, als die meisten denken — entscheidend ist allein der Zustand der Daten, die der gewählte Anwendungsfall braucht, weit mehr als der Gesamtzustand. Ein einzelner sauberer Datenbereich genügt für den Anfang; der Rest darf unordentlich bleiben, bis ein Fall ihn verlangt. Unsere Bewertung zeigt genau das: was heute trägt, was Bereinigung braucht und was tatsächlich fehlt. Eine fragmentierte Datengrundlage ist eine Aufgabenliste und ein Startpunkt.

Weil ein Modell aus den Daten lernt, die es bekommt — samt Lücken, Dubletten und Widersprüchen. Im Alltag gleichen Menschen solche Mängel unbewusst aus; eine Automatisierung übernimmt sie unverändert und multipliziert sie. Dazu kommt der Reihenfolgefehler: Erst erfolgt die Anschaffung der Software, dann fällt auf, dass die zugrunde liegenden Daten zu lückenhaft sind. Wer die Datenqualität vor dem Pilot entlang des Anwendungsfalls prüft, räumt den häufigsten Scheitergrund ab, bevor Budget fließt.

Meist aus zwei Gründen: Es gibt mehrere konkurrierende Wahrheiten, weil verschiedene Systeme verschieden zählen — also vertraut niemand ganz. Und es fehlt die Verabredung, was bei welchem Wert geschieht, also bleibt der Bericht folgenlos. Beides ist lösbar: eine verbindliche Zahlenbasis mit geklärter Herkunft und je Kennzahl eine Zuständigkeit samt Konsequenz. Erst danach lohnt der Ausbau Richtung Prognose — auf einem Fundament, dem alle trauen.

Indem der Betrieb die Messlatte vorgibt, über die Demo hinaus. Schon bei der Fallauswahl klären wir, in welchem Ablauf das Ergebnis später wirken soll, wer es verantwortet und wie Kontrolle und Eingriff funktionieren. Der Pilot läuft auf echten Daten und wird gegen die Realität geprüft; die Integration in Systeme und Abläufe ist Teil des Plans. So wird aus der Auswertung im Testordner ein Werkzeug, nach dem sich montags die Besprechung richtet.

Nein. Prognosen und automatisierte Auswertungen nehmen das Zusammensuchen und Vorrechnen ab — die Einordnung, die Annahmen und die Entscheidung bleiben bei den Menschen, die das Geschäft kennen. Wir legen zu Beginn schriftlich fest, welche Ergebnisse automatisch wirken dürfen und wo der Mensch freigibt. Ob KI ersetzt oder unterstützt, ist damit von Anfang an eine geklärte Spielregel.

Bereits vor der ersten Auswertung: Wir klären, welche Daten Personenbezug haben, welche Zweckbindung gilt, wer zugreifen darf und wie gelöscht wird — inklusive Auftragsverarbeitung, falls externe Umgebungen beteiligt sind. Wo der Fall es zulässt, arbeiten wir personenfrei oder mit aggregierten Daten. Datenschutz und Rechtssicherheit entscheiden mit über die Architektur; Betriebsrat und Datenschutzbeauftragte beziehen wir früh ein, besonders wenn Mitarbeiterdaten berührt sind.

Als Voraussetzung entbehrlich. Sehr viel lässt sich auf Ihren führenden Systemen erreichen: Datenqualität verbessern, eine verbindliche Zahlenbasis schaffen, gezielte Auswertungen aufsetzen. Ob sich darüber hinaus eine zentrale Datenhaltung lohnt, ergibt sich aus den Anwendungsfällen — wenn mehrere Fälle dieselben Datenverbindungen brauchen, rechnet sie sich; vorher bleibt sie eine Wette. Wir empfehlen Infrastruktur, sobald der Bedarf bewiesen ist, und lassen sie aus dem realen Bedarf erwachsen.

Kürzer, als der Begriff Datenstrategie vermuten lässt — weil wir zuerst gezielt am ersten Fall arbeiten und das Gesamtwerk daraus wachsen lassen. Die Datenlandkarte und die Fallauswahl sind zügig erledigt; die Grundlagenarbeit für den ersten Anwendungsfall ist begrenzt, weil sie allein dessen Daten umfasst. Erste belastbare Auswertungen entstehen oft schon während der Bereinigung. Einen Zeitplan erhalten Sie nach der Prüfphase — hergeleitet aus Ihrer Datenlage.

Der Aufwand hängt an drei Größen: Wie viele Datenbereiche der Anwendungsfall berührt, wie gepflegt sie sind und wie tief integriert werden soll. Wir arbeiten in abgegrenzten Phasen mit jeweils festem Ergebnis — Landkarte, Prüfung, Grundlage, Pilot, Betrieb — und Sie entscheiden an jedem Übergang neu. Nach dem kostenfreien Erstgespräch erhalten Sie ein Angebot mit festem Rahmen für die erste Phase.

Verlässlich tragen: eine verbindliche Zahlenbasis fürs Steuern des Geschäfts, Prognosen für Absatz, Bedarf und Auslastung, Muster im Kundenstamm für Vertrieb und Bindung sowie automatisierte Auffälligkeits-Erkennung in Prozess- und Qualitätsdaten. Gemeinsam ist ihnen: Die Daten entstehen ohnehin im Tagesgeschäft, und der Nutzen zeigt sich in besseren Entscheidungen. Zurückhaltend wären wir bei allem, was seltene Ereignisse mit dünner Datenlage vorhersagen soll — dort verspricht die Statistik mehr, als sie hält.

Nein, aber ein Warnsignal mit Verfallsdatum. Excel-Welten funktionieren, solange die Person bleibt, die sie pflegt — ihr Wissen steckt in Formeln, Benennungen und Gewohnheiten. Wir überführen die kritischen Tabellen schrittweise in geführte Strukturen mit Pflegeregeln, bei laufendem Tagesgeschäft. Häufig ist genau dieser Schritt der wertvollste des ganzen Vorhabens: Er sichert Wissen, bevor es das Haus verlässt, und schafft nebenbei die Grundlage für alles Weitere.

Mit denselben Mitteln wie beim Aufbau, nur dauerhaft: Herkunft jeder Zahl bleibt nachvollziehbar, Pflegeregeln haben benannte Zuständige, und automatische Prüfungen melden Auffälligkeiten — etwa wenn Felder plötzlich leer bleiben oder eine Prognose von der Realität abdriftet. Der Mensch behält die Kontrolle: Auffälligkeiten führen zu Prüfung und Korrektur und stoppen ein stilles Weiterlaufen. So bleibt die Grundlage dauerhaft stabil und auf dem erreichten Stand.

Eine Datengrundlage, die ein konkreter Fall bewiesen hat, eine verbindliche Zahlenbasis samt Herkunftsregeln, Pflegeprozesse mit Zuständigen — und eine schlanke Governance, die regelt, wer neue Fälle freigibt und wer Qualität prüft. Dazu Mitarbeitende, die die Logik verstanden haben und mehr können, als ein Werkzeug zu bedienen. Auf Wunsch begleiten wir weiter; gebaut ist aber für den Zustand, in dem Ihr Haus den nächsten Anwendungsfall selbst hebt.