BLOG
So können Unternehmen ihre Daten mit KI verbessern
Viele kleine und mittlere Unternehmen (KMU) verfügen über große Mengen digitaler Daten. Produktionsanlagen erzeugen Messwerte, ERP-Systeme dokumentieren Geschäftsprozesse und Qualitätsprüfungen liefern umfangreiche Tabellen mit Prüfergebnissen. Verlässliche Daten bilden die Grundlage für fundierte Entscheidungen, automatisierte Prozesse und den erfolgreichen Einsatz von KI-Anwendungen. Sind Daten unvollständig oder fehlerhaft, können Analysen und digitale Lösungen nur eingeschränkt genutzt werden.
Herausforderungen bei Unternehmensdaten
Ein qualitativ hochwertiger Datensatz ist vollständig, konsistent, aktuell und plausibel. In der Praxis enthalten Datensätze jedoch häufig fehlende oder fehlerhafte Werte sowie widersprüchliche Einträge. Mögliche Ursachen sind fehlerhafte Sensoren, unterschiedliche Formate oder manuelle Eingabefehler. Dadurch können Berichte, Analysen und Entscheidungen beeinträchtigt werden. Eine unzureichende Datenqualität ist zudem eine der größten Hürden für die Einführung von KI zur Lösung spezifischer Geschäftsprobleme oder Entwicklung neuer Geschäftsmodelle [1].
KI zur Datenverbesserung
KI kann Datenverantwortliche dabei unterstützen, Auffälligkeiten in großen Datenbeständen automatisch zu erkennen und manuelle Prüfaufwände zu reduzieren.
1. Auffällige Daten erkennen
Algorithmen des maschinellen Lernens (ML), wie der Isolation Forest oder die One-Class Support Vector Machine, können Datensätze analysieren und Auffälligkeiten markieren, die deutlich vom üblichen Muster im Datenbestand abweichen. Diese Anomalien können auf Messfehler oder fehlerhafte Eingaben hinweisen und anschließend durch Fachpersonal überprüft werden.
2. Fehlende Werte ergänzen
Fehlen in einem Datensatz einzelne Werte, können ML-basierte Imputationsverfahren die vorhandenen Zusammenhänge zwischen den übrigen Merkmalen nutzen, um die fehlenden Werte abzuschätzen. In Produktionsdaten könnte ein fehlender Messwert beispielsweise anhand anderer Parameter wie Temperatur, Drehzahl oder Materialtyp geschätzt werden, sofern zwischen diesen Größen ein statistischer Zusammenhang besteht.
3. Wiederkehrende Fehlerquellen erkennen
KI erkennt systematisch auftretende Muster. Treten beispielsweise regelmäßig Auffälligkeiten bei bestimmten Anlagen, Schichten oder Produkten auf, können Klassifikationsmodelle, die auf historischen Qualitätsdaten gelernt haben, systematische Fehler markieren. Anschließend kann das Fachpersonal mögliche Ursachen, wie beispielsweise eine ungenaue Sensorkalibrierung, gezielt untersuchen.
Praxisbeispiel
Ein Praxisbeispiel liefert Bosch: Das Unternehmen setzt KI zur Produktionsverbesserung in zahlreichen Werken ein. An einzelnen Standorten konnten unter anderem die Anlaufzeiten neuer Produktionslinien verkürzt und Prüfprozesse effizienter gestaltet werden. Vor dem Einsatz von KI in der Produktion mussten die zugrunde liegenden Daten vereinheitlicht, bereinigt und strukturiert werden. Das Beispiel verdeutlicht, dass eine hohe Datenqualität eine Voraussetzung für den Einsatz von KI ist [2].
Erste Schritte für Unternehmen
Bei der Vorbereitung und Umsetzung einer Datenstrategie begleiten die ExpertInnen von Mittelstand-Digital anbieterneutral und kostenfrei. Zur Prüfung und Verbesserung der Qualität eines Datenbestands empfiehlt sich die folgende schrittweise Vorbereitung:
- Datenbestand analysieren: Kostenfreie und kommerzielle Lösungen zur Datenprofilierung unterstützen dabei, Datenqualitätsprobleme zu erkennen.
- Prioritäten setzen: Es lohnt sich, Datenprobleme zu priorisieren, die Geschäftsprozesse oder Entscheidungen am stärksten beeinflussen.
- Verantwortlichkeiten festlegen: Nicht nur technisches Verständnis ist erforderlich. Klare Zuständigkeiten sind entscheidend für langfristige Erfolge.
Unternehmen, die ihre Daten systematisch pflegen, schaffen die Grundlage für fundierte Geschäftsentscheidungen. KI kann dabei unterstützen, Probleme mit der Datenqualität effizient zu bearbeiten. Eine strukturierte Datenerfassung und klare Verantwortlichkeiten im Umgang mit Unternehmensdaten bleiben jedoch unerlässlich. Auch Dienstleister, wie die Datenschmiede, die DatenPioniere und CINTELLIC, unterstützen Unternehmen beim Datenmanagement.
Unsere Veranstaltungen zum Thema: Datenqualität & KI
Quellen:
[1] Künstliche Intelligenz in Deutschland: Perspektiven aus Bevölkerung & Unternehmen (2025): https://www.bitkom.org/Bitkom/Publikationen/KI-in-Deutschland-Perspektiven (S. 27)
[2] Bosch: Wie KI in 50 Werken die Null-Fehler-Produktion vorantreibt (2026): https://mybusinessfuture.com/bosch-ki-fertigung-produktion-null-fehler-mittelstand/
Ansprechpartnerin
Juliane Höbel-Müller
.
