Brauchen wir erst saubere Daten, bevor wir mit KI anfangen?
Fast jedes Erstgespräch beginnt mit diesem Satz: "Bei uns müsste man erst mal die Daten in Ordnung bringen." Die gute Nachricht: Das stimmt fast nie in der Form, in der es gemeint ist.
- Eine saubere Datenbasis ist das Ergebnis der ersten Bausteine, nicht deren Voraussetzung.
- Gebraucht wird selten alles, sondern das, was zum konkreten Problem gehört.
- Ob Ihre Daten tragen, zeigt die Machbarkeitsprüfung rückwirkend, bevor Sie sich binden.
Warum der Satz so häufig fällt
Wer an KI denkt, denkt an große Datenmengen und makellose Datensätze. In der Produktion sieht die Wirklichkeit anders aus: Ein ERP mit gewachsenen Stammdaten, ein MES, das nicht überall angebunden ist, Excel-Listen, die jemand gut pflegt, und eine Anlage, die seit 2009 läuft und nichts herausgibt.
Daraus entsteht ein Reflex: Erst aufräumen, dann KI. Das Problem daran ist, dass Aufräumen ohne konkreten Zweck kein Ende kennt. Es entstehen Datenprojekte, die Monate laufen und am Ende niemandem in der Produktion etwas gebracht haben.
Was wirklich gebraucht wird, und was nicht
Ein Baustein löst ein abgegrenztes Problem, also braucht er auch nur die Daten zu diesem Problem. Für eine Absatzprognose sind das Auftrags- und Absatzhistorie, Kunden- und Artikelstamm und die Lieferorte. Für die Instandhaltungs-Intelligenz reichen Technikerberichte, Schichtbücher und der Ersatzteilstamm, sogar ohne jede Maschinenanbindung.
Wer das einmal durchspielt, merkt schnell: Es geht nicht um "alle Daten", es geht um wenige Quellen, die meist schon existieren. Häufig genügt für den Anfang ein Export, kein Systemzugang.
- Ein bis zwei Jahre Historie zu dem Prozess, um den es geht
- Die Ergebnisse dazu, also was am Ende tatsächlich herauskam
- Stammdaten in der Qualität, die Sie heute für Ihre Planung nutzen
- Eine Ansprechperson, die weiß, wie die Daten zustande kommen
- Zwei Termine mit der Fachabteilung, in Summe meist unter einem Personentag
Der Unterschied zwischen unsauber und unbrauchbar
Unsaubere Daten sind der Normalfall: doppelte Artikelnummern, Felder, die mal gefüllt sind und mal nicht, Einheiten, die sich unterscheiden. Damit kommt ein Modell zurecht, weil genau diese Bereinigung Teil der Arbeit ist.
Unbrauchbar wird es an anderen Stellen: wenn Ergebnisse nirgends festgehalten werden, wenn ein Prozess erst seit drei Monaten so läuft, oder wenn es keine dokumentierten Fehlerfälle gibt. Daran scheitert kein Modell wegen Unsauberkeit, sondern weil schlicht nichts zu lernen da ist.
Die Machbarkeitsprüfung rechnet rückwirkend: Hätte das Modell die vergangenen Wochen, Chargen oder Durchgänge getroffen? Diese Frage lässt sich beantworten, ohne dass Sie etwas umstellen. Fällt sie negativ aus, endet es dort, mit einem nach oben gedeckelten Preis und einer klaren Antwort.
Warum die Datenbasis nebenbei entsteht
Mit dem ersten Baustein wird eine Quelle angebunden, normalisiert und historisiert. Mit dem zweiten kommt eine weitere dazu. Nach zwei oder drei Bausteinen existiert genau das, was am Anfang als riesiges Vorprojekt im Raum stand, nur eben bezahlt durch Bausteine, die sich schon gerechnet haben.
Das ist der Kern unserer Reihenfolge: nicht erst die Plattform, sondern erst der Nutzen. Die Infrastruktur für die Verknüpfung neuer Daten und den Betrieb der Modelle wächst mit.
Woran Vorhaben wirklich scheitern
Nach zehn Jahren Projektarbeit sehen wir selten Datenqualität als Ursache. Häufiger sind es drei andere Dinge: Es gibt keinen klaren Anwendungsfall, niemand im Betrieb ist zuständig, oder die Lösung landet neben den Systemen, in denen die Leute arbeiten.
Deshalb fragen wir im Erstgespräch zuerst nach dem Schmerz und nicht nach der Systemlandschaft. Wenn der Schmerz klar ist, ist die Datenfrage meistens in zwanzig Minuten geklärt.
Was dazu meist gefragt wird
Drei Fragen genügen für den Anfang: Wird der Prozess seit mindestens einem Jahr ähnlich gefahren? Steht irgendwo, was am Ende herauskam? Gibt es jemanden, der die Datenquellen erklären kann? Dreimal ja bedeutet fast immer: Es reicht für eine Machbarkeitsprüfung.
Nein. Für den Anfang genügt meist ein Export. Ein Data Warehouse ist praktisch, wenn es schon existiert, aber es ist keine Voraussetzung und schon gar kein Vorprojekt.
Dafür gibt es zwei Wege: Bausteine, die ohne Maschinendaten auskommen, etwa die Auswertung von Technikerberichten, oder punktuelles Nachrüsten an einer Linie. Eine flächendeckende Modernisierung ist nicht nötig.
Jemand aus der Fachabteilung, der den Prozess kennt, und jemand, der die Daten herausgeben kann. Eine eigene Data-Science-Abteilung braucht es nicht.
Sie bleiben bei Ihnen. Betrieb wahlweise im eigenen Rechenzentrum, am Edge an der Linie oder in Ihrer EU-Cloud. Ihre Prozessdaten trainieren keine allgemeinen Modelle und fließen nicht an andere Kunden ab.
Reicht Ihre Datenlage? Das klären wir in 60 Minuten.
Beschreiben Sie uns den Prozess, der Sie am meisten kostet. Wir sagen Ihnen, welche Daten dafür nötig sind und ob Sie sie haben.
60 Minuten Erstgespräch sichern Ablauf und Machbarkeitsprüfung ansehen
Kostenlos und unverbindlich. Wenn die Daten nicht tragen, sagen wir das, bevor eine Prüfung beauftragt wird.