Datenqualität als Voraussetzung für KI im Betrieb:
warum Vorhaben an den Stammdaten scheitern

Was Datenqualität im Betrieb bedeutet

Datenqualität beschreibt, wie gut die gespeicherten Angaben den Zweck erfüllen, für den sie gebraucht werden. Eine Kundenliste hat hohe Qualität, wenn jeder Kunde genau einmal vorkommt, die Anschrift stimmt, kein Pflichtfeld leer ist und dieselbe Angabe in allen Systemen gleich geschrieben steht. Sie hat niedrige Qualität, wenn dieselbe Firma dreimal in unterschiedlicher Schreibweise geführt wird und niemand weiß, welcher Eintrag der gültige ist.

Im Zentrum steht dabei ein bestimmter Teil des Bestands: die Stammdaten. Gemeint sind die Kern-Einträge, die ein Betrieb über lange Zeit führt und für seine Vorgänge immer wieder heranzieht, etwa den einzelnen Kunden, den Lieferanten, den Artikel samt Preis oder das Konto. Weil dieselben Einträge in zahllose Vorgänge einfließen, wirkt ein einziger Fehler darin in jedem Vorgang, der den betroffenen Eintrag verwendet. Ist bei einem Artikel die Maßeinheit falsch hinterlegt, erscheint sie in jedem Angebot falsch, das den Artikel führt.

Davon zu unterscheiden sind die Angaben zu einzelnen Geschäftsvorfällen: ein erteilter Auftrag, eine ausgelöste Bestellung, ein abgerechnetes Angebot. Solche Vorgangsdaten greifen auf die Kern-Einträge zu und übernehmen deren Zustand. Ein KI-System, das aus vergangenen Vorgängen lernt, erbt damit jeden Mangel, der schon in den Kern-Einträgen angelegt ist, und trägt ihn über die Zahl der Vorgänge weiter.

Warum KI von der Datenbasis abhängt

Ein KI-System bewertet die Daten, die es erhält, nicht auf ihre Richtigkeit. Es verarbeitet, was da ist, und gibt ein Ergebnis zurück, das genauso gut oder schlecht ist wie die Grundlage. Diese Eigenschaft unterscheidet die maschinelle Verarbeitung von der menschlichen: Ein Mitarbeiter, der eine offensichtlich veraltete Anschrift sieht, stutzt und fragt nach. Ein Automatisierungssystem übernimmt sie und verschickt den Vorgang.

Daraus folgen drei Wirkungen, die im Betrieb regelmäßig auftreten und die den Unterschied zwischen einem gelungenen und einem gescheiterten Vorhaben ausmachen.

• Fehler werden schneller vervielfältigt: Was ein Mensch einmal falsch bearbeitet, bearbeitet ein System hundertfach falsch, bevor jemand es bemerkt
• Lücken werden unsichtbar: Ein leeres Feld erzeugt eine unvollständige Antwort, die auf den ersten Blick vollständig aussieht, und löst dabei keine Warnung aus
• Widersprüche werden zur Zufallsauswahl: Liegen zu einem Kunden zwei verschiedene Anschriften vor, greift das System eine heraus, und welche es nimmt, folgt keiner nachvollziehbaren Regel

Der Zusammenhang zeigt sich am deutlichsten bei Vorhaben, die auf eigene Unternehmensdaten zugreifen. Wer ein System an die eigene Kundenverwaltung oder das eigene Dokumentenarchiv anbindet, macht dessen Datenqualität unmittelbar zum Ergebnis. Wie diese Anbindung sachlich funktioniert und worauf dabei zu achten ist, behandelt die Antwort zur Frage, wie sich KI mit den eigenen Unternehmensdaten verbinden lässt.

Die fünf Mängel, die Vorhaben ausbremsen

Die folgenden fünf Mängel treten unabhängig von Branche und System wiederholt auf. Sie lassen sich im Bestand einzeln finden und einzeln beheben.

1. Doppelte Datensätze: Derselbe Kunde oder Artikel steht mehrfach im Bestand, meist unter leicht abweichender Schreibweise, mit oder ohne Rechtsform, mit Tippfehler oder nach einer Umfirmierung. Ein System kann nicht erkennen, dass die drei Einträge dieselbe Firma meinen, und verteilt Vorgänge und Historie über die Kopien. Am Ende ist keiner der Einträge vollständig.
2. Angaben in Freitextfeldern: Wichtige Informationen stehen als Fließtext in einem Bemerkungsfeld, statt in einem eigenen, auswertbaren Feld: die Zahlungsvereinbarung im Notizfeld, die Lieferbedingung im Kommentar, die Ansprechperson im Fließtext der Adresse. Ein System kann ein eigenes Feld auslesen, aber es findet dieselbe Angabe im Freitext nur unzuverlässig.
3. Verteilte Listen ohne führende Quelle: Dieselbe Information liegt an mehreren Orten zugleich, in einer Warenwirtschaft, einer Tabellenkalkulation, einem Mailpostfach und auf Papier, und keine dieser Ablagen gilt als die maßgebliche. Wird eine Angabe an einer Stelle geändert, bleiben die anderen alt, und niemand kann sagen, welche stimmt.
4. Veraltete Einträge: Eine Angabe stimmte einmal und wurde nie nachgeführt: die ausgeschiedene Ansprechperson, der eingestellte Artikel, der alte Preis, die frühere Anschrift. Der Eintrag sieht gültig aus, weil ihm sein Alter nicht anzusehen ist, und wird deshalb wie eine aktuelle Angabe verarbeitet.
5. Fehlende Pflegeverantwortung: Für die Aktualität der Daten ist niemand zuständig. Jeder trägt ein, was er im Moment braucht, und keiner räumt auf. Dieser Mangel steht bewusst am Ende, weil er die anderen vier erzeugt: Wo keine Zuständigkeit besteht, entstehen Dubletten, wandern Angaben in Freitextfelder, wachsen verteilte Listen und altern Einträge, ohne dass es jemand bemerkt.

Die verteilten Listen verdienen eine gesonderte Betrachtung, weil sie den häufigsten Fall im Mittelstand bilden. Der Fachbegriff dafür ist das Datensilo: ein Datenbestand, der in einem einzelnen Bereich oder System eingeschlossen ist und mit den übrigen Beständen nicht abgeglichen wird. Was ein Datensilo ist und wie es entsteht, führt der Glossareintrag zum Datensilo genauer aus.

Die Datenbasis vor dem Pilot prüfen

Die Prüfung richtet sich auf den Ausschnitt der Daten, den das geplante Vorhaben tatsächlich verwendet, nicht auf den gesamten Bestand. Wer eine Angebotserstellung unterstützen will, prüft Artikel- und Preisdaten; wer eingehende Anfragen sortieren will, prüft die Felder, nach denen sortiert wird. Der Durchgang läuft in vier Schritten ab.

Am Ende dieses Durchgangs steht ein geprüfter Datenausschnitt und die Kenntnis, wie viel Pflege er im Betrieb bindet. Beides ist die Voraussetzung dafür, dass der Pilot ein verwertbares Ergebnis liefert und dass sich der Aufwand für weitere Prozesse abschätzen lässt.

Das Zusammenführen doppelter und uneinheitlicher Datensätze folgt dabei einem eigenen Verfahren, das dieselben Angaben in eine einheitliche Form bringt. Der Glossareintrag zur Datennormalisierung beschreibt, wie das abläuft.

Die sechs Merkmale, an denen sich Qualität misst

Beim Messen der Mängel hilft ein fester Prüfrahmen. Sechs Merkmale beschreiben, woran sich gute Datenqualität erkennen lässt. Jedes lässt sich für einen Datenausschnitt getrennt beurteilen.

1. Vollständigkeit: Alle Felder, die der Prozess braucht, sind gefüllt. Fehlt bei der Hälfte der Artikel das Gewicht, kann kein System einen Versand kalkulieren.
2. Eindeutigkeit: Jeder Sachverhalt kommt genau einmal vor. Zu einem Kunden gibt es einen Datensatz, nicht drei, die sich seine Historie teilen.
3. Aktualität: Der gespeicherte Stand entspricht der Wirklichkeit. Preise, Anschriften und Ansprechpersonen sind auf dem heutigen Stand, nicht auf dem von vor zwei Jahren.
4. Einheitlichkeit: Dieselbe Angabe steht überall in gleicher Form. Ein Datum folgt einem Format, eine Maßeinheit einer Schreibweise, ein Firmenname einer Fassung.
5. Korrektheit: Die Angabe trifft die Wirklichkeit. Eine einheitlich und vollständig eingetragene Anschrift nützt nichts, wenn sie schlicht falsch ist.
6. Verfügbarkeit: Die Daten sind für das System erreichbar und maschinell lesbar. Eine korrekte Angabe in einem eingescannten Dokument ist für eine Automatisierung nicht nutzbar, solange sie nicht als Text vorliegt.

Die ersten vier Merkmale lassen sich im Bestand selbst prüfen, indem man zählt und vergleicht. Korrektheit und Verfügbarkeit verlangen den Abgleich mit der Wirklichkeit oder mit dem Zielsystem und kosten deshalb mehr Aufwand. Für einen Pilot genügt es, die sechs Merkmale auf den verwendeten Ausschnitt anzuwenden und dort die größten Lücken zuerst zu schließen.

Die Pflegeverantwortung als Kernfrage

Die Bereinigung eines Bestands ist eine einmalige Aufgabe, seine Pflege eine dauernde. Ohne die zweite verpufft die erste. Ein Bestand, der heute bereinigt und morgen wieder sich selbst überlassen wird, ist in wenigen Monaten im selben Zustand wie zuvor, weil der laufende Betrieb ständig neue Einträge erzeugt.

Die Zuständigkeit lässt sich auf drei Ebenen regeln, die zusammengehören.

• Pro Datenbereich eine Person: Für Artikeldaten ist jemand anderes verantwortlich als für Kundendaten. Die Person entscheidet im Zweifel, welche Angabe gilt
• Eine führende Quelle je Angabe: Für jede Information ist festgelegt, welches System oder welche Liste maßgeblich ist. Änderungen laufen dort ein und werden von dort verteilt
• Ein fester Prüfzeitpunkt: In einem festen Abstand wird der Stand geprüft, statt auf den Zufall zu warten, dass jemand einen Fehler bemerkt

Diese Regelung ist unabhängig von jedem KI-Vorhaben sinnvoll, weil sie den täglichen Betrieb entlastet. Im Zusammenhang mit KI wird sie zur Bedingung: Ein System, das laufend aus den Daten arbeitet, verlangt, dass die Daten laufend gepflegt werden. Die Pflegeverantwortung ist damit eine dauerhafte Rolle, die mit dem Vorhaben entsteht und über den Pilot hinaus bestehen bleibt.

Datenqualität und die Reihenfolge vor dem Pilot

Datenqualität ist eine von mehreren Voraussetzungen, und sie steht in einer bestimmten Reihenfolge zu den übrigen. Wer die Reihenfolge kennt, verschwendet keine Arbeit an einem Schritt, für den die Grundlage noch fehlt.

Der erste Schritt ist die ehrliche Standortbestimmung über den gesamten Betrieb. Sie betrachtet neben den Daten auch Prozesse, Kompetenz, Technik und Steuerung und ordnet ein, wo der Betrieb insgesamt steht. Die Datengrundlage ist dabei eine Dimension unter mehreren. Wie diese Standortbestimmung abläuft, führt der Beitrag zum KI-Reifegrad und wo Ihr Betrieb wirklich steht aus.

Der zweite Schritt ist die Wahl des ersten Prozesses. Sie entscheidet, welcher Vorgang zuerst unterstützt wird, und richtet sich nach Eigenschaften wie Volumen, klaren Regeln und überprüfbarem Ergebnis. Welcher Prozess sich als Einstieg eignet und in welcher Reihenfolge ausgebaut wird, behandelt der Beitrag zur ersten KI-Automation im Betrieb.

Die Datenqualität kommt an dritter Stelle und wird konkret, sobald der erste Prozess feststeht. Erst dann ist bekannt, welcher Datenausschnitt geprüft werden muss. Die Prüfung des gesamten Bestands vor der Prozesswahl bindet Aufwand, der sich später als überflüssig erweist, weil der gewählte Prozess nur einen Teil der Daten berührt. Die Reihenfolge lautet deshalb: erst der Stand, dann der Prozess, dann die Daten dieses Prozesses.

Die häufigsten Fehler

Sechs Muster treten wiederholt auf, wenn ein Betrieb ein KI-Vorhaben ohne Blick auf die Datenbasis beginnt.

Die Punkte eins bis drei entscheiden über den Erfolg des Vorhabens, die Punkte vier bis sechs über die Qualität der einzelnen Ergebnisse