Datenqualität: Definition und Bedeutung für KI
Warum der Begriff zählt
Viele KI-Vorhaben scheitern nicht am Modell, sondern an der Datengrundlage. Widersprüchliche Preise, veraltete Anleitungen oder doppelte Einträge verwirren jeden Assistenten. Zugleich ist der Ruf nach perfekten Daten oft eine Ausrede, um gar nicht anzufangen. Ein Prototyp bringt Klarheit, weil er an echten Fällen zeigt, wie viel Ordnung der konkrete Use-Case wirklich braucht, statt alles vorab aufzuräumen.
Wann es relevant ist
- Ein Assistent antwortet direkt aus vorhandenen Firmendaten.
- Widersprüche oder Dubletten würden zu falschen Auskünften führen.
- Aktualität ist wichtig, weil sich Inhalte laufend ändern.
- Entscheidungen sollen sich auf die Daten verlassen können.
Wann nicht
Wenn eine Aufgabe kreativ ist oder das Ergebnis ohnehin von einem Menschen geprüft wird, sind kleine Datenmängel verkraftbar. Auch der Wunsch, erst alles perfekt zu machen, ist selten der richtige Start. Wichtig ist Qualität dort, wo Daten ungeprüft in Antworten oder Entscheidungen fließen.
Branchen, die das nutzen
- Handel und Konsumgüter: einheitliche Produktdaten, damit ein Assistent nicht widersprüchliche Preise oder Merkmale nennt.
- Energieversorgung: korrekte Tarif- und Vertragsdaten, weil Auskünfte sonst zu falschen Zusagen führen.
- Automobilzulieferer: saubere Stammdaten für Teile, damit Verwechslungen im Prozess vermieden werden.
- Bildungswesen: aktuelle Kurs- und Prüfungsdaten, damit Auskünfte an Lernende verlässlich bleiben.
Typische Anwendungsfälle
- Doppelte und widersprüchliche Einträge werden vor dem Bau bereinigt.
- Veraltete Inhalte werden markiert, damit der Assistent sie nicht nutzt.
- Einheitliche Schreibweisen sorgen für treffsichere Suche.
- Fehlende Pflichtangaben werden erkannt und nachgetragen.
- Eine Prüfschleife hält die Datenqualität im laufenden Betrieb stabil.
Entscheidungshilfe
| Signal | Datenqualität zuerst angehen | Alternative |
|---|---|---|
| Antworten stützen sich direkt auf Daten | Kernbestand gezielt bereinigen | Fall mit menschlicher Prüfung |
| Widersprüche und Dubletten | vor dem Bau aufräumen | Quelle eingrenzen |
| Perfektionsanspruch bremst Start | Use-Case klein schneiden und testen | nicht auf perfekte Daten warten |
| Kreative Aufgabe | eher nachrangig | direkt starten |
Beispiel
Ein Konsumgüterhersteller will Produktauskünfte automatisieren, hat aber uneinheitliche Produktdaten. Im Workshop wird ein Prototyp an einer klar abgegrenzten Produktgruppe gebaut, deren Daten gezielt bereinigt werden. So zeigt sich, welche Ordnung der Fall wirklich braucht, ohne den gesamten Katalog vorab aufzuräumen. Das Beispiel beschreibt die Vorgehensweise, keine behauptete Kundenkennzahl.
Verbindung zu Services
Der passende Einstieg ist der KI-Workshop, danach KI-Beratung und KI-Implementierung.
Quellen
Diese Einordnung beschreibt gängige Praxis rund um Datenqualität für KI-Vorhaben. Welche Ordnung nötig ist, hängt vom Use-Case und den vorhandenen Daten ab und sollte dort geprüft werden.