KI Datenqualität im Unternehmen: Die 3 größten Fehler und wie du sie vermeidest | #KIundTECH

Holger Winkler (0:00)

Hallo und herzlich willkommen zurück zu einer neuen Ausgabe des KI und TECH Podcasts. Mein Name ist Holger Winkler und ich freue mich, dass du wieder da bist. Viele Unternehmen stolpern bei KI-Projekten über ein altbekanntes Problem, nämlich mangelnde Datenqualität. Braucht es wirklich perfekte Daten, um loszulegen? Oder ist das nur die bequemste Ausrede, um nicht zu starten? Wir sehen uns die drei größten Fehler rund um Datenqualität in Unternehmen jetzt an und wie du sie vermeidest. Dazu begrüße ich jetzt Benjamin Aunkofer, Gründer von Datanomiq. In diesem Sinne wünsche ich uns allen spannende Impulse, neue Gedanken um dein wirklich erhellendes Gespräch. Hallo und herzlich willkommen, Benjamin.

Benjamin Aunkofer (0:46)

Hallo Holger, vielen lieben Dank für die Einladung in deinen KI und TECH Podcast.

Holger Winkler (0:49)

Ich freue mich, dass du da bist. Zum Einstieg erzähl uns doch kurz, wer du bist, was du machst, für alle, die dich noch nicht kennen. Und dann lass uns gleich mal damit starten, ob es einen seriösen Maßstab überhaupt gibt für Datenqualität.

Benjamin Aunkofer (1:03)

Ja, also mein Name ist Benjamin Aunkofer. Ich bin Gründer der Datanomiq in Deutschland und der Schweiz. Datanomiq ist ein Beratungs- und Deplementierungspartner für KI und analytische Lösungen.

Ja, meistens für die Industrie, aber auch für Finanzdienstleister und viele andere. Ich habe aber auch noch ein anderes Unternehmen. Es heißt Audavis. Da steht eigentlich vor Ort die Data-Visualisierung. Macht jetzt aber weit mehr als das. Das ist im Grunde KI-Tool, eine Cloud-AI-Assist-Service für die Wirtschaftsprüfer. Und also von der Struktur her gänzlich anders als Datanomiq. Wenn Datanomiq so ein People-Business ist, wir dort wirklich Implementierung leisten, ist Audavis wirklich eine richtige Software-Assist-Service.

Holger Winkler (1:49)

Datenqualität ist da ein Thema.

Benjamin Aunkofer (1:51)

Ganz richtig.

Holger Winkler (1:52)

Jetzt ist das aber eigentlich nicht so ganz schwarz-weiß zu sehen, Benjamin, glaube ich. Gibt es einen seriösen Maßstab, an dem man sagen kann, Freunde der Sonne, die Qualität ist zu schlecht und auf der anderen Seite Freunde, Sonne, die Sonne passt? Wie ist denn das zu bewerten mit den Daten?

Benjamin Aunkofer (2:08)

Ja, also Datenqualität kann man in der Tat technisch auch bewerten, einstufen. Das bedeutet aber auch, dass man dann wirklich richtig sich die Daten angucken muss. So etwas kommt man ja erstmal im Unternehmen vielleicht nicht unbedingt. Wenn man sich so einen Finanzdienstleister, so ein Finanzunternehmen vorstellt oder ein Handelsunternehmen, also ein Händler oder ein Industrieunternehmen, dann hat man ja nicht sofort einen Blick in die Daten. Und das gilt auch für die Mitarbeiter. Auch die sehen ja immer nur einen Teil von einem ganzen Datenkonstrukt, von allen Datenbeständen und so weiter. Wenn man aber mit den Mitarbeitern spricht oder mit der Führungsetage spricht, dann kann man sehr schnell, also man braucht wirklich nur fünf Minuten, mit ein paar gezielten Fragen ableiten, wie hoch denn das Vertrauen in die Daten ist. Und auch wenn die Mitarbeiter und auch die Führungskräfte nicht alles über die Datenqualität wissen, weil sie nicht alle Datenbestände kennen und auch nicht sichten können, auch nicht verstehen können ja unbedingt, haben sie trotzdem so ein Gefühl, wie sicher diese Daten sind, wie gut die Entscheidungen sind, die daraus abgeleitet werden und ob überhaupt eine Nutzung erfolgt und ob überhaupt eine Entscheidungsableitung aus den Daten erfolgt. Und da hat man natürlich ganz schnell einen Einblick, wie gut es läuft. Im Grunde kann man ganz platt sagen, wenn Daten eine gute Qualität haben, werden sie auf jeden Fall auch genutzt und jeder erkennt sofort den Wert der Nutzung.

Holger Winkler (3:18)

In der Vergangenheit schon? Ist das so?

Benjamin Aunkofer (3:20)

Also in der Vergangenheit, also das heißt ja, wir wollen Entscheidungen treffen. Entscheidungen macht man ja grundsätzlich aus der Erfahrung, die man hat und die Erfahrung ist hier konkretisiert mit den Daten, die man in der Historie hat im Unternehmen. Daten verraten alles über die Lieferanten, über die Kunden, über die eigenen Prozesse. Genau. Und daraus kann man quasi ein Erfahrungswert ableiten. Das Gute ist, wir brauchen jetzt keine Unternehmer mehr, die irgendwie 70 Jahre im Geschäft sind, die dann erzählen, ja, zum Beispiel so ein Bäckereimeister, ja, weiß natürlich, bei gutem Wetter wird eher was Deftiges gekauft und bei schlechtem Wetter was Süßes. Aber das unterscheidet sich auch regional sehr stark. Ja, und das hat früher viel Erfahrung bedeutet. Heutzutage ist das in quasi relativ kurden Zeitabständen messbar mit Daten. Und dafür müssen die Daten natürlich gut sein. Ja, wenn natürlich immer falsch erfasst wird, was der Bestand ist. Zum Beispiel, dann gibt es auch keine richtigen Daten, die vertrauensfähig sind.

Holger Winkler (4:17)

Wann ist der richtige Zeitpunkt in einem KI-Projekt, dass ich mich mit der Qualität der Daten auseinandersetze?

Benjamin Aunkofer (4:24)

Früh und spät gleichzeitig. Klingt jetzt erstmal irreführend, aber natürlich muss man sich sehr schnell Gedanken, sehr früh Gedanken machen, reichen unsere Daten dafür auch. Brauchen sie auch qualitativ und auch von der Menge her. Jetzt ist aber auch so, dass KI-Projekte auch nicht gleich KI-Projekte sind. Viele arbeiten ja mit vortrainierten Modellen und da geht es dann höchstens darum, diese nachzutrainieren und so weiter. Trotzdem brauchen auch diese vortrainierten Modelle. Das bedeutet, das Modell wurde schon erstellt, basierend auf vergleichbaren Daten. Und wir wollen das jetzt produktiv setzen mit ebenfalls vergleichbaren Daten. Müssen aber diese vergleichbaren Daten, die jetzt durch unser Unternehmen fließen und dann auch in dieses KI-Modell reinfließen, natürlich gut sind. Andererseits ist es aber oft so, dass es eine sehr gute Ausrede ist.