Datenkompetenz als Engpass: Warum KI-Projekte oft nicht an Algorithmen, sondern an Stammdaten scheitern

Viele Unternehmen starten ihre ersten KI-Projekte mit hohen Erwartungen: Maschinen sollen Ausfälle vorhersagen, Qualitätsmängel automatisch erkennen oder Angebote schneller kalkuliert werden. Doch häufig zeigt sich bereits in der Vorbereitung, dass nicht die Auswahl des Algorithmus das größte Problem ist. Der eigentliche Engpass liegt in den vorhandenen Daten. Informationen fehlen, sind veraltet oder werden in verschiedenen Systemen unterschiedlich bezeichnet. Materialnummern sind doppelt vergeben, Einheiten nicht einheitlich hinterlegt und Maschinenzustände nur in Freitextfeldern dokumentiert. Eine KI kann solche Probleme nicht einfach ausgleichen. Sie verarbeitet die Daten, die ihr zur Verfügung stehen – einschließlich ihrer Fehler und Widersprüche.

 

Schlechte Daten erzeugen schlechte Ergebnisse

Ob eine KI zuverlässig arbeitet, hängt wesentlich von der Qualität ihrer Datenbasis ab. Die Plattform Lernende Systeme nennt unter anderem Vollständigkeit, Konsistenz, Widerspruchsfreiheit und Aktualität als wichtige Dimensionen der Datenqualität. Ihr Whitepaper „Von Daten zu KI“ zeigt, dass intelligentes Datenmanagement eine zentrale Grundlage für Data Science und lernende Systeme ist.

Fehlen beispielsweise eindeutige Angaben zu Materialien, Aufträgen oder Maschinen, kann die KI keine verlässlichen Zusammenhänge erkennen. Das gilt auch für Daten aus der Produktion: Werden Stillstandszeiten unterschiedlich erfasst oder Fehlerursachen nicht einheitlich dokumentiert, lernt ein Modell möglicherweise Zusammenhänge, die in Wirklichkeit gar nicht bestehen. Die Folge sind ungenaue Prognosen, falsche Zuordnungen und Ergebnisse, denen die Beschäftigten nicht vertrauen.

 

Stammdaten sind mehr als Verwaltungsarbeit

Stammdaten beschreiben zentrale betriebliche Objekte wie Produkte, Materialien, Kunden, Lieferanten, Maschinen oder Beschäftigte. Sie werden meist über viele Jahre hinweg in ERP-Systemen, Tabellen, Datenbanken und Fachanwendungen gepflegt. Häufig entstehen dabei Dubletten, unterschiedliche Schreibweisen oder voneinander abweichende Klassifikationen. Solche Unstimmigkeiten bleiben teilweise lange unbemerkt. Erfahrene Mitarbeitende wissen, dass zwei unterschiedlich bezeichnete Einträge dasselbe Material meinen oder dass eine bestimmte Maschinenmeldung anders zu interpretieren ist. Eine KI verfügt nicht automatisch über dieses Erfahrungswissen.

 

Erst den Anwendungsfall, dann die Daten prüfen

KMU müssen nicht zuerst sämtliche Datenbestände vollständig bereinigen. Das wäre zu aufwendig und würde den Einstieg unnötig verzögern. Sinnvoller ist es, mit einem klar abgegrenzten Anwendungsfall zu beginnen. Soll eine KI etwa Ausschuss reduzieren, müssen Unternehmen zunächst festlegen, welche Entscheidung das System unterstützen soll. Anschließend wird geprüft, welche Daten dafür benötigt werden, wo sie entstehen und ob sie in ausreichender Qualität vorliegen.

Dabei helfen konkrete Fragen:

• Sind die benötigten Daten vollständig und aktuell?
• Werden Begriffe und Einheiten einheitlich verwendet?
• Lassen sich Daten eindeutig einem Auftrag, Produkt oder Prozess zuordnen?
• Ist nachvollziehbar, wann und durch wen Daten verändert wurden?
• Sind genügend Beispiele für normale und fehlerhafte Abläufe vorhanden?
  

Diese Bestandsaufnahme zeigt, ob ein KI-Projekt unmittelbar beginnen kann oder zunächst Datenlücken geschlossen werden müssen.

>>> Lesen Sie auch: Webinarreihe: Unternehmensdaten für KI – strukturieren, vernetzen und intelligent nutzen

 

Klare Verantwortung für Daten schaffen

Datenqualität ist keine ausschließliche Aufgabe der IT. Die IT kann Systeme bereitstellen und technische Regeln umsetzen. Ob eine Materialbezeichnung fachlich richtig, eine Fehlerursache eindeutig oder ein Maschinenstatus plausibel ist, können jedoch meist nur die jeweiligen Fachbereiche beurteilen. Unternehmen sollten deshalb festlegen, wer für welche Daten verantwortlich ist. Für wichtige Stammdatengruppen braucht es klare Eigentümer, Pflegeprozesse und Qualitätskriterien. Ebenso sollte geregelt sein, wer neue Datensätze anlegen, bestehende Angaben verändern oder Dubletten zusammenführen darf. Geschäftsführung und Produktionsleitung müssen dabei einen verbindlichen Rahmen schaffen. Werden Daten lediglich nebenbei gepflegt, bleibt ihre Qualität zwangsläufig zweitrangig.

 

Datenkompetenz im Team aufbauen

Datenkompetenz bedeutet nicht, dass alle Beschäftigten programmieren oder statistische Modelle entwickeln müssen. Sie sollten aber verstehen, warum strukturierte Eingaben wichtig sind, wie Fehler entstehen und welche Folgen unvollständige Angaben für nachgelagerte Prozesse haben. Hilfreich sind kurze Schulungen anhand konkreter betrieblicher Beispiele. Ein falsch ausgewählter Fehlercode beeinflusst nicht nur die Statistik, sondern möglicherweise auch Wartungsentscheidungen oder das Training eines KI-Modells. Ein uneinheitlich gepflegtes Materialmerkmal erschwert Einkauf, Kalkulation und automatisierte Produktempfehlungen.

 

Datenarbeit als Teil des KI-Projekts einplanen

Datenbereinigung ist keine lästige Vorstufe, die vor dem eigentlichen Innovationsprojekt möglichst schnell erledigt werden sollte. Sie ist ein zentraler Bestandteil des Projekts. Deshalb müssen dafür Zeit, Zuständigkeiten und Budget eingeplant werden. Lassen Sie sich von KI in der Datenaufbereitung und -strukturierung unterstützen und prüfen Sie, ob Dubletten richtig erkannt wurden und ob Datenlücken sinnvoll gefüllt wurden. Wer KI erfolgreich einsetzen möchte, macht Datenkompetenz zur Führungs- und Teamaufgabe.

 

Webinarreihe „Unternehmensdaten für KI – strukturieren, vernetzen und intelligent nutzen“

Mit der Webinarreihe „Unternehmensdaten für KI – strukturieren, vernetzen und intelligent nutzen“ unterstützen wir Sie dabei, sich als Unternehmen gezielt mit Ihrer Dateninfrastruktur zu befassen. Mehr zum Programm der Termine und zur Anmeldemöglichkeit lesen Sie hier.

Sind Ihre Daten bereit für den Einsatz von KI? Wir unterstützen Sie dabei, Datenqualität, Stammdaten und Zuständigkeiten systematisch in den Blick zu nehmen. Sprechen Sie uns gern an: kontakt@mdz-sk.de.