Datenanalyse

Was eine Datenanalyse klärt

Eine Datenanalyse nimmt den Datenbestand auf, nicht die Abläufe. Wer wissen will, welcher Arbeitsschritt im Haus mehr Zeit kostet, als er einbringt, findet das in der Prozessanalyse. Hier geht es um die Ebene darunter: welche Daten in diesen Abläufen anfallen, wo sie liegen, in welchem Zustand sie sind und welche Frage sie tragen.

Das Ergebnis ist unspektakulär und wird trotzdem gebraucht. Es besteht aus einer Liste der Quellen, einer Qualitätsaussage je Quelle und einer Reihenfolge, in der die Lücken geschlossen werden. Vier Schritte führen dorthin.

Ein Szenario: drei Systeme, drei Nummern für denselben Kunden

Ein Fertigungsbetrieb mit rund 120 Mitarbeitern will wissen, welche Kunden im nächsten Quartal abspringen. Die Daten dafür sind da: die Auftragshistorie im ERP, die Reklamationen in einem Ticketsystem, das Zahlungsverhalten in der Buchhaltung. Drei Systeme, drei Kundennummernkreise, kein gemeinsamer Schlüssel.

Die Prognose ist in diesem Szenario die leichtere Hälfte der Arbeit. Die schwierigere ist die Frage, welche Zeile aus dem Ticketsystem zu welcher Zeile im ERP gehört. Solange das offen ist, lässt sich die Ausgangsfrage nicht einmal falsch beantworten, weil es keinen Datensatz gibt, über den sich rechnen ließe. Deshalb steht die Datenanalyse vor dem Modell und nicht daneben.

Die Zuordnung geht dabei auf zwei Arten schief. Der harmlosere Fall ist die Dublette: Derselbe Kunde steht dreimal im Bestand, einmal je Schreibweise. Auswertungen zählen ihn dreifach, und es fällt niemandem auf, weil die Summe plausibel aussieht. Der teurere Fall ist die Gegenrichtung. Zwei verschiedene Kunden verschmelzen zu einem, weil Name und Ort zufällig zusammenpassen. Dieser Fehler zeigt sich erst, wenn die Auswertung längst im Umlauf ist, und er lässt sich nachträglich nur mühsam wieder auseinandernehmen.

Als Rechenbeispiel innerhalb desselben Szenarios: Bei rund 40.000 Kundendatensätzen aus drei Systemen ist das Zusammenführen Wochenarbeit und keine Tagesarbeit. Wer diesen Aufwand im Projektplan weglässt, spart ihn nicht ein. Er verschiebt ihn nur in die Phase, in der das Modell schon gebaut wird.

Derselbe Ausgangsbefund, dieses Mal mit Namen

Das Szenario oben ist konstruiert. Der Befund dahinter ist es nicht. Bei der Pomberger Goisern GmbH recherchierten die Vertriebsteams Kontaktdaten von Hand, „und die Datensätze blieben trotzdem inkonsistent und oft unvollständig“. Was daraus entstand, war kein Datenanalyse-Projekt, sondern eines mit KI-Agenten zur Datenanreicherung. Der Ausgangszustand ist trotzdem genau der, den eine Datenanalyse aufnimmt: ein Bestand, an dem viele Hände arbeiten und für den niemand eine Regel festgelegt hat. Der Verlauf steht in der Erfolgsgeschichte zu diesem Projekt.

Was nach der Datenanalyse kommt

Die Datenanalyse endet mit einem beurteilten Datenbestand, nicht mit einer Vorhersage. Was daraus an Prognose und Klassifikation möglich wird, steht auf unserer Seite zu KI auf Tabellendaten: Absatzmengen vorhersagen, kündigungsgefährdete Kunden erkennen, Wartungszeitpunkte schätzen, Auffälligkeiten in Buchungen finden. Dort beginnt die Modellarbeit, die hier vorbereitet wird.

Liegt die tragende Information gar nicht in Tabellen, führen die Wege woanders hin: zur Bildanalyse, wenn die Aussage in Aufnahmen steckt, oder zur Textanalyse, wenn sie in Freitext steht. Die technische Einbindung in Ihre bestehenden Systeme ist in jedem dieser Fälle Thema des AI Engineerings.

Womit wir anfangen

Der erste Termin braucht keine aufbereiteten Daten. Er braucht die Frage, die Sie beantwortet haben wollen, und jemanden, der weiß, welche Systeme im Haus laufen. Aus beidem entsteht die Liste der Quellen für den Datencheck. Welche Exporte dafür nötig sind, benennen wir danach, und zwar je System einzeln.