Daten, die tragen

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.

Welcher der fünf Fehler ist der teuerste?

Die fehlende Historie, weil sie sich nicht nachträglich herstellen lässt. Dubletten lassen sich zusammenführen, Freitext lässt sich zerlegen, leere Felder lassen sich nachtragen. Was überschrieben wurde, ist weg: Welcher Preis im vorletzten Jahr galt, weiß dann niemand mehr. Wer Vorhersagen oder Prüfungen gegen ältere Vorgänge plant, sollte deshalb zuerst nachsehen, ob Änderungen mit Gültigkeitszeitraum gespeichert werden, und diese Umstellung notfalls vorziehen, auch wenn sie zum Vorhaben selbst nichts beiträgt.

Lassen sich Dubletten automatisch zusammenführen?

Teilweise. Ein Abgleich über Name, Anschrift und Steuernummer findet die klaren Fälle, und die sind meist die Mehrheit. Der Rest bleibt Handarbeit, weil die Entscheidung fachlich ist: Zwei Datensätze mit leicht abweichender Anschrift können dieselbe Firma oder zwei Niederlassungen sein. Wichtig ist, dass jede Zusammenführung protokolliert wird und umkehrbar bleibt, solange offene Vorgänge daran hängen. Wer ohne Protokoll zusammenführt, verliert im Zweifel die Zuordnung alter Belege.

Wie verhindert man, dass die Fehler nachwachsen?

Drei Eingriffe wirken, und alle drei sind organisatorisch. Erstens Auswahllisten statt Freitext an den Feldern, die später ausgewertet werden. Zweitens die Pflicht, vor dem Anlegen zu suchen, technisch erzwungen und nicht als Bitte. Drittens eine benannte Person je Bestand, die zuständig ist, wenn etwas unklar ist. Ohne den dritten Punkt halten die ersten beiden etwa ein Quartal.

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 viele Beispiele braucht die Abnahme?

Zwanzig bis fünfzig echte Fälle mit der Antwort, die der Fachbereich für richtig hält. Entscheidend ist nicht die Anzahl, sondern dass die schwierigen Fälle dabei sind: der Beleg mit dem Stempel quer über der Summe, die Anfrage mit zwei Themen in einer Mail, der Vorgang mit Storno. Diese Sammlung ist später der Prüfsatz für den Betrieb, siehe Baustein 10.

Was tun, wenn die Historie für Vorhersagen fehlt?

Dann ist der Vorhersagefall vorerst kein Vorhaben. Zwei Wege bleiben: den Anwendungsfall auf etwas umstellen, das ohne Historie trägt, etwa Zuordnen oder Auslesen, oder ab jetzt saubere Historie aufbauen und das Vorhaben datieren. Der zweite Weg klingt unbefriedigend, ist aber ehrlich: Eine Prognose aus zwei Quartalen lückenhafter Daten sieht aus wie ein Ergebnis und ist keines.

Können fehlende Daten künstlich erzeugt werden?

Für Tests ja, als Ersatz für die Wirklichkeit nein. Erzeugte Beispiele sind nützlich, um einen Ablauf zu prüfen, ohne echte Kundendaten zu bewegen. Als Grundlage einer Auswertung bestätigen sie nur die Annahmen, aus denen sie erzeugt wurden. Was ungeprüfte KI-Ausgaben im eigenen Bestand anstellen, steht im Fachbeitrag zur Datenqualität.

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.

Wer erhebt diese fünf Größen?

Jemand aus dem Haus mit Lesezugriff auf die betroffenen Bestände, fachlich begleitet von der Abteilung, die mit den Daten arbeitet. Nicht der Anbieter: Wer die Prüfung derjenigen überlässt, die anschließend das Angebot schreiben, bekommt eine Prüfung, die zum Angebot passt. Die Erhebung selbst ist kein Spezialwissen, es sind Abfragen und Auszählungen.

Ab welchen Werten sollte ein Vorhaben verschoben werden?

Es gibt keine allgemeine Grenze, aber einen Rechenweg. Nehmen Sie die Zahl der Vorgänge im Monat, multiplizieren Sie sie mit dem Anteil, der sich nicht eindeutig zuordnen lässt, und multiplizieren Sie das Ergebnis mit der Zeit, die ein Mensch für die Klärung eines Falls braucht. Kommt dabei mehr Arbeit heraus als das Vorhaben einspart, ist zuerst der Bestand zu bereinigen und nicht das Modell zu suchen.

Wie hält man die Prüfung aktuell?

Einmal im Quartal dieselben Abfragen, dieselbe Tabelle, die Werte darunter. Der Nutzen liegt im Vergleich über die Zeit: Ein Anteil leerer Felder, der von Quartal zu Quartal steigt, zeigt ein Problem im Ablauf und nicht in den Daten. Eine einmalige Messung zeigt einen Zustand, eine Reihe zeigt eine Richtung.

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.

Was gilt für Daten über die eigenen Mitarbeitenden?

Sobald eine Auswertung Leistung oder Verhalten von Beschäftigten sichtbar machen kann, ist sie mitbestimmungsrelevant, und das gilt auch dann, wenn niemand das beabsichtigt. Ein Protokoll je Person genügt dafür. Das ist kein Grund, es zu lassen, sondern einer, früh mit dem Betriebsrat zu sprechen und Zugriffe zu begrenzen. Wie das zusammen mit Folgenabschätzung und Schulung abläuft, steht in Baustein 04.

Dürfen diese Daten in ein Modell in der Cloud?

Das entscheidet nicht die Technik, sondern der Vertrag. Nötig sind ein Auftragsverarbeitungsvertrag, Klarheit über den Verarbeitungsort, eine Liste der Unterauftragsverarbeiter und die Zusage, dass Ihre Eingaben nicht zum Training verwendet werden. Welcher Betriebsweg zu welcher Vertraulichkeitsklasse passt, steht in Baustein 02, die technische Seite in Baustein 09.

Was gehört über die Datennutzung dokumentiert?

Fünf Angaben, und sie passen auf eine Seite: welche Quellen verwendet werden, zu welchem Zweck, auf welcher Rechtsgrundlage, wer die Ergebnisse sieht und wann gelöscht wird. Diese Seite ist später die Grundlage für das Verzeichnis der Verarbeitungstätigkeiten und für jede Frage eines Kunden, der wissen will, was mit seinen Unterlagen passiert.

Der tragfähige Weg ist umgekehrt und hat drei Schritte.

1. Den Anwendungsfall abgrenzen. Welcher Vorgang, welche Belege, welche Systeme. Erst danach lässt sich überhaupt sagen, welche Daten betroffen sind.
2. Nur die betroffenen Bestände prüfen. Ein Vorhaben zur Rechnungsprüfung braucht saubere Lieferanten- und Artikeldaten. Es braucht nicht das gesamte Stammdatenwesen.
3. 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.

Wie lange dauert eine solche Bereinigung?

Das hängt an der Zahl der betroffenen Datensätze und ist rechenbar: Zahl der Sätze, die angefasst werden müssen, mal Minuten je Satz, geteilt auf die Personen, die mitarbeiten. Für die zwanzig Lieferanten mit dem größten Belegvolumen ist das ein Tag. Für einen vollständigen Artikelstamm sind es Wochen, und genau deshalb steht in Kapitel 05, dass beides nicht dasselbe Vorhaben ist.

Wer macht die Arbeit, wenn niemand Zeit hat?

Die Aufteilung, die sich bewährt hat: Der Fachbereich legt die Regeln fest, also was bei einem Widerspruch gilt. Die Ausführung kann eine eingearbeitete Aushilfe übernehmen, solange sie unklare Fälle sammelt statt sie zu entscheiden. Was nicht funktioniert, ist die Regeln mitlaufen zu lassen: Dann entstehen neue Widersprüche, die später niemand nachvollziehen kann.

Was passiert mit dem Rest des Bestands?

Der bleibt liegen, und das ist Absicht. Sinnvoll ist, ihn zu kennzeichnen, damit später erkennbar ist, was geprüft wurde und was nicht. Bereinigt wird dann im Vorbeigehen: Wer einen alten Datensatz ohnehin öffnet, bringt ihn in Ordnung. Über ein Jahr erledigt das mehr als jede Aufräumaktion, und es kostet keine Projektzeit.

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.

Wie findet man die Tabellen auf einzelnen Rechnern?

Nicht durch Suchen, sondern durch Fragen, und zwar mit der richtigen Frage. „Welche Liste führen Sie neben dem System?“ bringt Antworten, „Gibt es Schattenlisten?“ nicht. Wer diese Listen führt, tut es, weil die Arbeit sonst nicht geht; wer den Eindruck bekommt, das sei ein Verstoß, nennt sie nicht. Diese Frage gehört in jedes erste Gespräch, und die Antwort ist fast immer die nützlichste Auskunft des Tages.

Sollten Postfächer als Quelle eingebunden werden?

Geteilte Funktionspostfächer ja, persönliche Postfächer nicht. Der Unterschied ist nicht technisch, sondern rechtlich und menschlich: In einem persönlichen Postfach steht Privates, und eine Auswertung berührt Mitbestimmung und Vertraulichkeit. Wenn die entscheidenden Absprachen dort liegen, ist das ohnehin ein Befund über den Ablauf: Diese Absprachen gehören in den Vorgang, nicht in eine Mail.

Was tun, wenn zwei Systeme dieselbe Angabe führen?

Dann ist vor dem Vorhaben festzulegen, welches führt, und zwar je Feld und nicht je System. Genau darum geht es in Kapitel 09. Was dort nicht entschieden wird, entscheidet später das Modell, und es entscheidet beliebig.

Daraus folgt eine Abstufung, die den Aufwand bestimmt:

1. Strukturierter Datensatz. Eine E-Rechnung, eine Schnittstellenantwort, eine Tabelle mit benannten Spalten. Hier gibt es nichts zu erkennen, die Bedeutung steht in den Feldern.
2. 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.
3. 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.
4. 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.

Woran erkennt man ein digital erzeugtes PDF?

Am Text: Wenn Sie eine Zahl im Dokument markieren und kopieren können, ist der Text vorhanden. Geht das nicht, liegt ein Bild vor und der Text muss erst erkannt werden. Für eine Einschätzung genügt eine Stichprobe von zwanzig Belegen aus dem letzten Monat, aufgeteilt nach Absender: Meist ist der Anteil der Scans an wenigen Lieferanten festzumachen, und ein Anruf dort ändert mehr als jede Erkennungstechnik.

Lohnt sich die E-Rechnung auch für die Automatisierung?

Ja, und zwar stärker als die Pflicht vermuten lässt. Bei einer strukturierten Rechnung entfällt das Erkennen vollständig, damit entfallen die Fehlerquellen und die Prüfschritte, die daran hängen. Wer die Umstellung ohnehin machen muss, sollte sie vor dem Vorhaben machen und nicht danach. Der Fachbeitrag zum Rechnungseingang geht auf den Ablauf ein.

Wie geht man mit Handschrift und Stempeln um?

Messen, nicht hoffen. Nehmen Sie die Belege eines Monats, lassen Sie sie durchlaufen und zählen Sie, wie oft ein Mensch nacharbeiten muss. Diese Zahl entscheidet über die Wirtschaftlichkeit, nicht die Erkennungsrate im Prospekt des Anbieters. Bleiben zu viele Fälle übrig, ist die Reihenfolge oft: erst die Quelle ändern, also den Absender, dann die Technik.

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.

Wie wird ein führender Bestand festgelegt?

Feldweise und schriftlich. Für Anschrift und Zahlungsbedingungen kann das ERP führen, für die technische Beschreibung eines Artikels das Konstruktionssystem, für den Bestand das Lagersystem. Wichtig ist, dass eine Person die Festlegung verantwortet und dass sie an einer Stelle steht, die auffindbar ist. Eine Festlegung, die nur im Kopf eines Mitarbeiters existiert, endet mit dessen Urlaub.

Was tun, wenn beide Bestände plausibel aussehen?

Dann entscheidet nicht der Inhalt, sondern der Weg: Welches System nimmt die Angabe zuerst auf, und wer arbeitet täglich darin? Der Zeitstempel allein hilft wenig, weil Massenaktualisierungen ihn verfälschen. Bis die Frage geklärt ist, sollte das Vorhaben den betroffenen Fall auf einen Prüftisch legen statt automatisch zu entscheiden.

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.

Was gehört in eine Pflegeroutine?

Vier Dinge, und keines kostet viel: die fünf Größen aus Kapitel 03 einmal im Quartal erheben, neue Quellen aufnehmen, sobald sie entstehen, die Regeln fortschreiben, wenn ein Fall neu entschieden wurde, und eine benannte Person, die das tut. Der Aufwand liegt in der Größenordnung eines halben Tages im Quartal; ohne diesen halben Tag verfällt der bereinigte Zustand in etwa einem Jahr.

Wer trägt die Pflege, wenn das Projekt beendet ist?

Der Betrieb, und das gehört in die Übergabe. Ohne benannte Zuständigkeit sinkt die Datenqualität langsam, die Ausgabe wird schlechter, und weil beides langsam geht, fällt es erst auf, wenn niemand dem System mehr traut. Was im Betrieb einer KI-Lösung sonst zu regeln ist, steht in Baustein 10.

Drei Folgen daraus, und alle drei sind vermeidbar. Erstens wird eine falsche Angabe zur Quelle der nächsten: Was das Modell einmal geschrieben hat, liest es beim nächsten Mal als Tatsache. Zweitens verschwindet die Unterscheidung zwischen geprüft und erzeugt, wenn niemand sie festhält. Drittens lassen sich Fehler nicht mehr einkreisen, weil unklar ist, welcher Stand von wem stammt.

Die Gegenmaßnahme ist unspektakulär: ein Feld, das festhält, ob ein Eintrag von einem Menschen oder von einem Modell stammt, mit Datum und Modellversion. Damit lässt sich jede spätere Frage beantworten, und es kostet beim Bau eine Stunde. Nachträglich lässt sich diese Unterscheidung nicht wiederherstellen, weil die Information nie gespeichert wurde.

Sollten maschinell erzeugte Angaben freigegeben werden?

Dort, wo sie nach außen gehen, ja. Für interne Notizen und Zusammenfassungen genügt die Kennzeichnung. Die Grenze verläuft nicht nach Aufwand, sondern nach Wirkung: Was ein Kunde liest oder was in eine Preisauskunft eingeht, braucht einen Menschen davor. Was nur die Suche im eigenen Haus verbessert, braucht ihn nicht.

Wie hält man den Bestand langfristig auseinander?

Mit einer Stichprobe, wie im Betrieb üblich: eine feste Anzahl maschinell erzeugter Einträge je Woche, von Hand bewertet, drei Stufen. Sinkt die Trefferquote, wird nachgesteuert, bevor der Bestand durchzogen ist. Der Fachbeitrag zur Datenqualität geht auf die Mechanik ein, Baustein 10 auf den Betrieb drumherum.