Daten, die tragen
Die meisten KI-Vorhaben scheitern nicht am Modell, sondern an den Daten darunter. Diese Seite benennt, welche Eigenschaften ein Datenbestand haben muss, damit ein Vorhaben trägt, woran Sie Lücken erkennen, bevor Budget gebunden ist, und welche Aufräumarbeit sich vor dem Projekt lohnt statt danach.
Warum scheitern KI-Vorhaben an den eigenen Daten?
Weil kein System zuordnen kann, was im eigenen Bestand widersprüchlich ist. Ein Modell, das eine Eingangsrechnung fehlerfrei ausliest, scheitert trotzdem, wenn derselbe Lieferant unter drei Nummern geführt wird. Der Fehler liegt dann nicht im Modell, und er lässt sich auch nicht durch ein besseres beheben.
Das ist die unangenehmste Erkenntnis in diesem Feld, weil sie den Aufwand dorthin verschiebt, wo er unsichtbar bleibt. Ein Konfigurator sieht man, eine bereinigte Artikelstammdatei nicht. Trotzdem entscheidet die zweite über den Erfolg der ersten.
Diese Seite beschreibt, was vor einem Vorhaben über die eigenen Daten zu klären ist: welche Fehler die Automatisierung verhindern, wie viele Daten tatsächlich nötig sind, und ob Sie die vorhandenen überhaupt verwenden dürfen.
Welche fünf Fehler verhindern jede Zuordnung?
Sie sehen harmlos aus und kosten jedes Mal dasselbe: die Automatisierung.
In fast jedem Bestand, den wir ansehen, finden sich dieselben fünf. Keiner davon ist ein Versäumnis Einzelner, alle entstehen über Jahre durch Arbeitsdruck und wechselnde Zuständigkeiten.
| Fehler | Wie er entsteht | Was er verhindert |
|---|---|---|
| Derselbe Partner mehrfach angelegt | Ein Lieferant unter drei Nummern, weil dreimal jemand nicht gesucht hat, bevor er angelegt hat. | Jede Zuordnung schlägt fehl oder trifft die falsche Karteikarte |
| Uneinheitliche Mengeneinheiten | Der Lieferant rechnet in Kartons ab, das Lager zählt Stück, und irgendwo steht ein Umrechnungsfaktor, der nicht gepflegt ist. | Rechnerische Prüfungen melden Abweichungen, wo keine sind |
| Freitext statt Merkmal | Die Farbe steht in der Artikelbezeichnung, nicht in einem Feld. Für Menschen lesbar, für ein System nicht auswertbar. | Vergleiche und Filter sind unmöglich, ohne den Text neu zu zerlegen |
| Historie ohne Gültigkeitszeitraum | Preise und Konditionen wurden überschrieben statt versioniert. Was letztes Jahr galt, ist nicht mehr feststellbar. | Jede Prüfung gegen ältere Vorgänge scheitert |
| Pflichtfelder, die niemand füllt | Ein Feld existiert, ist aber in der Hälfte der Datensätze leer oder trägt einen Platzhalter wie einen Punkt. | Das System kann nicht unterscheiden zwischen unbekannt und nicht zutreffend |
Auffällig daran ist, dass keiner dieser Fehler im Alltag stört. Menschen gleichen sie beim Lesen unbewusst aus, und genau deshalb fallen sie erst auf, wenn ein System sie zum ersten Mal auswerten soll.
Wie viele Daten brauchen Sie wirklich?
Die Frage nach der Menge ist meistens die falsche Frage.
Für die verbreiteten Anwendungsfälle im Mittelstand brauchen Sie keine Trainingsdaten. Ein Modell, das Belege ausliest oder Anfragen einordnet, bringt diese Fähigkeit mit. Was Sie brauchen, sind Beispiele zur Prüfung, nicht zum Anlernen.
| Anwendungsfall | Was gemeint ist | Datenbedarf |
|---|---|---|
| Zuordnen und einordnen | Belege den richtigen Vorgängen zuweisen, Anfragen kategorisieren | Wenige hundert Beispiele, oft weniger |
| Durchsuchen eigener Unterlagen | Fragen an Handbücher, Verträge, Protokolle | Keine Trainingsdaten nötig, nur die Unterlagen selbst |
| Auslesen strukturierter Belege | Rechnungen, Lieferscheine, Formulare | Kaum Beispiele nötig, moderne Modelle können das bereits |
| Vorhersagen aus eigenen Zahlen | Bedarf, Ausfall, Nachfrage | Hier wird es aufwendig: Jahre an sauberer Historie |
Der Unterschied zwischen den ersten drei Zeilen und der letzten ist erheblich. Wer Belege automatisiert, kann in Wochen ein Ergebnis sehen. Wer Bedarfe vorhersagen will, braucht eine gepflegte Historie, und die lässt sich nicht nachträglich herstellen.
Deshalb unsere Empfehlung für den Einstieg: bei den Dokumentenprozessen anfangen. Das deckt sich mit dem, was das Statistische Bundesamt misst, nachzulesen unter KI im Unternehmen: Textauswertung und Texterzeugung führen die Nutzung an, autonome Maschinen bilden das Schlusslicht.
Wie prüfen Sie Ihre Daten, bevor Sie beauftragen?
Fünf Größen, die sich an einem Vormittag erheben lassen.
Diese Prüfung braucht keine Software und keinen Dienstleister. Sie braucht jemanden, der Zugriff auf die Bestände hat, und einen Vormittag.
| Größe | Frage | Wie Sie sie erheben |
|---|---|---|
| Dubletten | Wie viele Partner oder Artikel gibt es doppelt? | Abgleich über Name, Anschrift und Nummer, Ergebnis als Prozentsatz |
| Vollständigkeit | Wie viele Datensätze haben alle nötigen Felder? | Je Feld auszählen, nicht je Datensatz |
| Einheitlichkeit | Kommen dieselben Angaben in derselben Form vor? | Mengeneinheiten, Datumsformate, Schreibweisen von Firmennamen |
| Aktualität | Wie alt ist der jüngste Eintrag je Bereich? | Zeigt, welche Bestände gepflegt werden und welche liegen |
| Zuordenbarkeit | Lassen sich Belege eindeutig einem Vorgang zuordnen? | Die Frage, an der die Automatisierung am Ende hängt |
Wichtig ist die zweite Zeile: Vollständigkeit wird je Feld ausgezählt, nicht je Datensatz. Ein Bestand, in dem 95 Prozent der Datensätze vollständig sind, kann bei einem einzelnen entscheidenden Feld trotzdem zur Hälfte leer sein. Der Durchschnitt verdeckt genau die Lücke, auf die es ankommt.
Ein Wert unter neunzig Prozent bei Zuordenbarkeit ist kein Ausschlusskriterium, aber er verschiebt den Aufwand: Was nicht eindeutig zugeordnet werden kann, landet zur Prüfung auf einem Tisch, und die Zahl dieser Fälle bestimmt, ob sich das Vorhaben rechnet.
Dürfen Sie diese Daten überhaupt verwenden?
Zwei Fragen, die vor dem Vorhaben geklärt gehören und nicht danach.
Bei rein betrieblichen Daten ist die Antwort meistens einfach. Zwei Fälle sind es nicht.
Personenbezogene Daten und der ursprüngliche Zweck
Daten, die für die Auftragsabwicklung erhoben wurden, sind nicht automatisch für eine Auswertung verwendbar. Die DSGVO bindet die Verarbeitung an den Zweck, für den erhoben wurde. Eine neue Verwendung braucht entweder eine Grundlage oder muss mit dem ursprünglichen Zweck vereinbar sein. Diese Prüfung gehört an den Anfang, weil sie den Zuschnitt des Vorhabens verändern kann.
Daten, die Kunden Ihnen überlassen haben
Hier liegt ein Risiko, das mit Datenschutz nichts zu tun hat. Verträge enthalten regelmäßig Zweckbindungen oder Vertraulichkeitsklauseln. Wer Konstruktionsdaten oder Kalkulationen eines Auftraggebers verwendet, um ein System anzulernen, kann sich vertraglich angreifbar machen, auch wenn kein einziges personenbezogenes Datum betroffen ist.
Die Gegenprobe ist einfach: Würden Sie dem Kunden erzählen, was Sie mit seinen Daten vorhaben? Wenn die Antwort zögert, ist die Klausel zu lesen.
Wie Rechtsgrundlage, Auftragsverarbeitung und Mitbestimmung zusammenhängen, steht ausführlich unter Betriebsrat, Folgenabschätzung, Schulung.
In welcher Reihenfolge räumen Sie auf?
Nicht alles, und nicht zuerst.
Wer mit dem Aufräumen anfängt, kommt selten zum Vorhaben. Stammdatenpflege ist eine Aufgabe ohne natürliches Ende, und ein Projekt, das darauf wartet, startet nie.
Der tragfähige Weg ist umgekehrt und hat drei Schritte.
- Den Anwendungsfall abgrenzen. Welcher Vorgang, welche Belege, welche Systeme. Erst danach lässt sich überhaupt sagen, welche Daten betroffen sind.
- Nur die betroffenen Bestände prüfen. Ein Vorhaben zur Rechnungsprüfung braucht saubere Lieferanten- und Artikeldaten. Es braucht nicht das gesamte Stammdatenwesen.
- Bereinigen, was die Zuordnung verhindert, und den Rest stehen lassen. Dubletten bei den zwanzig Lieferanten, die achtzig Prozent der Belege ausmachen, bringen mehr als eine vollständige Bereinigung über Monate.
Der Nebeneffekt ist der eigentliche Gewinn: Nach diesem Vorgehen haben Sie einen bereinigten Kernbestand und wissen, wie die Bereinigung geht. Das nächste Vorhaben beginnt dann nicht wieder bei null.
Wo liegen Ihre Daten eigentlich?
Meist an mehr Orten, als in der Aufstellung steht.
Bevor die Qualität eine Rolle spielt, stellt sich die Frage nach dem Ort. In den meisten Betrieben verteilen sich die Angaben, die ein Vorhaben braucht, auf vier bis sechs Ablagen, und mindestens eine davon taucht in keiner Systemübersicht auf.
Die vier üblichen Fundorte
Das führende System. ERP oder Warenwirtschaft. Hier liegen Stammdaten und Vorgänge, und hier ist die Datenlage in aller Regel am besten, weil das System täglich benutzt wird.
Die Dokumentenablage. Verträge, Lieferscheine, Protokolle, Handbücher. Meist ein Laufwerk mit gewachsener Ordnerstruktur. Die Inhalte sind wertvoll, die Ordnung ist es selten.
Postfächer. Der unterschätzte Bestand. Absprachen, Freigaben und Sonderkonditionen stehen häufig ausschließlich in E-Mails, und zwar in persönlichen Postfächern. Damit sind sie faktisch nicht verfügbar, sobald die betreffende Person nicht da ist.
Tabellen auf einzelnen Rechnern. Fast immer vorhanden, fast nie erwähnt. Sie entstehen dort, wo das führende System etwas nicht kann, und enthalten deshalb regelmäßig genau die Angaben, um die es geht.
Für ein Vorhaben ist die letzte Kategorie die unangenehmste. Die Angaben sind gepflegt und aktuell, sie hängen aber an einer Person und einem Rechner. Wer sie in ein System überführen will, muss zuerst klären, warum sie dort nicht schon stehen. Die Antwort ist meist ein Hinweis auf eine Lücke im Ablauf, nicht auf Nachlässigkeit.
Warum ist ein PDF kein Datenformat?
Der Unterschied zwischen lesbar und auswertbar entscheidet über den Aufwand.
Ein PDF beschreibt, wie etwas aussieht, nicht was es bedeutet. Dass eine Zahl oben rechts der Rechnungsbetrag ist, weiß der Mensch aus der Anordnung. Im Dokument steht nur, dass an dieser Stelle diese Zeichen zu setzen sind.
Daraus folgt eine Abstufung, die den Aufwand bestimmt:
- Strukturierter Datensatz. Eine E-Rechnung, eine Schnittstellenantwort, eine Tabelle mit benannten Spalten. Hier gibt es nichts zu erkennen, die Bedeutung steht in den Feldern.
- Digital erzeugtes PDF. Der Text ist vorhanden, die Bedeutung nicht. Ein Modell kann daraus zuverlässig Felder gewinnen, weil es nicht raten muss, was da steht, sondern nur, was es bedeutet.
- Gescanntes Papier. Zusätzlich muss der Text erst aus dem Bild gewonnen werden. Bei guter Vorlage ist das gelöst, bei Stempeln, Handschrift und schiefen Scans nicht.
- Foto vom Beleg. Kommt häufiger vor, als Verantwortliche annehmen, vor allem im Außendienst und im Handwerk. Hier ist mit Ausfällen zu rechnen, und der Ablauf braucht einen Weg für die Fälle, die nicht durchgehen.
Der wirtschaftlich entscheidende Punkt: Die Verteilung über diese vier Stufen bestimmt Ihre Dunkelbuchungsquote stärker als jede Softwareauswahl. Wer wissen will, was ein Vorhaben bringt, zählt vorher aus, wie viele Belege in welcher Form eingehen. Diese Auszählung kostet einen Tag und ersetzt eine Menge Vermutungen.
Wie sich der Anteil strukturierter Belege durch die E-Rechnungspflicht verschiebt, steht im Beitrag Rechnungseingang automatisieren.
Welcher Bestand führt bei Widersprüchen?
Die Frage, die in Projekten am längsten unbeantwortet bleibt.
Sobald dieselbe Angabe an zwei Stellen steht und beide gepflegt werden, ist eine von beiden falsch. Solange niemand festgelegt hat, welche gilt, kann kein System entscheiden, und der Widerspruch landet bei einem Menschen.
Das klingt nach einer technischen Frage und ist eine organisatorische. Sie lässt sich nicht von der IT beantworten, weil sie eine Entscheidung darüber ist, wessen Arbeit künftig maßgeblich ist.
Drei Muster, die funktionieren
Ein führendes System je Datenart. Kundenstammdaten im ERP, Dokumente im Ablagesystem, Termine im Kalender. Andere Systeme dürfen lesen, aber nicht zurückschreiben. Das ist das robusteste Muster und das mit dem geringsten Abstimmungsbedarf.
Führend je Feld. Aufwendiger, aber manchmal nötig: Die Anschrift kommt aus dem ERP, die Einwilligung aus dem Kundenportal. Setzt voraus, dass jemand die Zuordnung dokumentiert hat, sonst entsteht daraus schleichend Muster drei.
Keine Festlegung. Kommt in der Praxis am häufigsten vor und ist kein Muster, sondern dessen Fehlen. Erkennbar daran, dass Mitarbeitende wissen, welchem System sie bei welcher Angabe glauben. Dieses Wissen ist ungeschrieben und geht mit der Person.
Für ein KI-Vorhaben ist die Festlegung Voraussetzung, nicht Kür. Ein System, das aus zwei widersprüchlichen Quellen speist, liefert Ergebnisse, die niemand nachvollziehen kann, und verliert damit genau das Vertrauen, das es braucht.
Was kostet Datenpflege dauerhaft?
Der Posten, der als einmalig geplant und laufend anfällt.
Eine Bereinigung ist ein Projekt. Datenqualität ist es nicht. Sie verfällt, sobald niemand zuständig ist, und zwar in der Geschwindigkeit, in der neue Datensätze entstehen.
Drei Dinge halten sie stabil, und alle drei kosten wenig, solange sie von Anfang an mitgedacht werden.
Prüfung bei der Erfassung statt Bereinigung im Nachhinein. Eine Dublettenprüfung beim Anlegen verhindert genau den Fall, dessen spätere Bereinigung teuer ist. Das ist kein KI-Thema, sondern eine Einstellung im führenden System, die oft nie aktiviert wurde.
Eine benannte Zuständigkeit. Nicht eine Abteilung, eine Person. Datenqualität ohne Namen dahinter ist eine Absichtserklärung.
Eine regelmäßige Messung. Dieselben fünf Größen aus Kapitel 03, einmal im Quartal erhoben. Der Wert liegt weniger in der Zahl als darin, dass eine Verschlechterung auffällt, solange sie klein ist.
Was das in Stunden bedeutet, hängt vollständig von der Menge neuer Datensätze ab. Eine belastbare Größenordnung dafür nennen wir bewusst nicht, ohne den Betrieb gesehen zu haben. Was sich sagen lässt: Der laufende Aufwand ist erheblich kleiner als eine zweite Bereinigung in drei Jahren.
Wir sehen uns Ihre Daten an, bevor wir etwas versprechen.
Eine Zusage über Trefferquoten ohne Kenntnis der Bestände ist geraten. Wir sagen lieber vorher, wo es klemmt.
Fragen zu Daten und Datenqualität
Wie viele Daten brauchen wir für ein KI-Projekt?
Für die meisten Anwendungsfälle im Mittelstand deutlich weniger als vermutet. Ein Modell, das Belege ausliest oder Anfragen einordnet, bringt diese Fähigkeit bereits mit; es braucht keine Trainingsdaten, sondern Beispiele zur Prüfung. Aufwendig wird es erst bei Vorhersagen aus eigenen Zahlen, weil dafür eine saubere Historie über Jahre nötig ist. Die Frage nach der Menge ist deshalb fast immer die falsche Frage. Die richtige lautet: Sind die vorhandenen Daten eindeutig?
Müssen wir erst alle Stammdaten aufräumen?
Nein, und wer damit anfängt, kommt selten zum Vorhaben. Sinnvoll ist der umgekehrte Weg: den Anwendungsfall abgrenzen, dann prüfen, welche Daten er tatsächlich berührt, und nur diese bereinigen. Ein Rechnungsprüfungsvorhaben braucht saubere Lieferanten- und Artikeldaten, nicht das gesamte Stammdatenwesen.
Woran merken wir, dass unsere Daten nicht taugen?
Am zuverlässigsten daran, dass niemand die Frage beantworten kann, welcher Bestand führend ist. Wenn dieselbe Angabe in zwei Systemen steht und beide gepflegt werden, ist eine der beiden falsch, und niemand weiß welche. Ein zweites Anzeichen: Auswertungen werden von Hand nachbearbeitet, bevor sie jemand ansieht.
Dürfen wir unsere eigenen Daten für KI verwenden?
Bei rein betrieblichen Daten in aller Regel ja. Sobald personenbezogene Daten dabei sind, braucht es eine Rechtsgrundlage, und der Zweck, für den die Daten ursprünglich erhoben wurden, ist dabei entscheidend. Kundendaten aus der Auftragsabwicklung sind nicht automatisch für eine Auswertung nutzbar. Das gehört vor das Vorhaben, nicht danach.
Was ist mit Daten, die uns Kunden überlassen haben?
Hier ist Vorsicht geboten, und zwar unabhängig vom Datenschutz. Verträge enthalten häufig Zweckbindungen oder Vertraulichkeitsklauseln, die eine Weiterverwendung ausschließen. Wer Konstruktionsdaten eines Auftraggebers zum Anlernen verwendet, kann sich unabhängig von der DSGVO vertraglich angreifbar machen.
Wer macht diese Aufräumarbeit?
In der Praxis niemand allein. Die Fachabteilung weiß, welche Angabe richtig ist, die IT weiß, wo sie steht, und beide zusammen brauchen eine Entscheidung darüber, welcher Bestand künftig führt. Diese Entscheidung ist der eigentliche Kern und lässt sich nicht delegieren, auch nicht an uns.
Welche Beiträge vertiefen dieses Thema?
Fachbeiträge mit Stand der Angaben und Quellen, die einzelne Kapitel dieser Seite weiterführen.
Passende Themen in der Wissensdatenbank
Taugen Ihre Daten für das, was Sie vorhaben?
Im Erstgespräch sehen wir uns den geplanten Anwendungsfall an und welche Bestände er berührt. Sie erhalten eine Einschätzung, was vorher zu bereinigen ist und was warten kann.