Datenqualität & Datenverfügbarkeit bewerten

Lernziele

Sie wenden die fünf Datenqualitätsdimensionen (Vollständigkeit, Korrektheit, Aktualität, Konsistenz, Zugänglichkeit) auf eine konkrete Datenbasis an und berechnen eine gewichtete Gesamtbewertung.

Sie unterscheiden Datenverfügbarkeit (Sind die Daten vorhanden?) von Datenqualität (Sind sie gut genug?) und erklären, warum beide Fragen separat beantwortet werden müssen.

Sie führen ein Mini-Datenqualitäts-Audit für Ihren Top-Use-Case durch und identifizieren die kritischsten Verbesserungsmaßnahmen vor dem Pilot-Start.

Sie beschreiben, was eine „Mindest-Datenbasis” für einen RAG-Piloten ist, und begründen, warum vollständige Datenbasis keine Voraussetzung für einen erfolgreichen Pilot ist.

Sie integrieren die DSGVO-Konformität als sechste implizite Datenqualitätsdimension und prüfen, ob die vorhandene Datenbasis datenschutzrechtlich für den KI-Einsatz geeignet ist.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

In UE 87 haben Sie im Canvas-Feld 4 die benötigte Datenbasis für Ihren Use Case beschrieben. Jetzt kommt die ehrliche Stunde: Wie gut sind diese Daten wirklich? Die ehrliche Antwort entscheidet darüber, ob der Pilot in acht Wochen oder erst in acht Monaten starten kann.

„Garbage in, garbage out” ist ein Prinzip, das für KI-Systeme mit besonderer Schärfe gilt. Ein gut konfigurierter RAG-Assistent, der auf Dokumente zugreift, die seit zwei Jahren niemand aktualisiert hat, liefert veraltete Informationen — mit der Überzeugungskraft moderner KI-Sprache. Ein gut trainiertes Klassifikationsmodell, das auf Datensätzen mit systematischen Lücken trainiert wurde, klassifiziert mit hoher Konfidenz falsch.

Datenqualität ist daher keine technische Detailfrage. Sie ist eine strategische Voraussetzung — und häufig der Engpass, der gut geplante KI-Projekte verzögert oder zum Scheitern bringt.

Lerntext — Theorie und Konzepte

Die fünf Datenqualitätsdimensionen

Das Datenqualitäts-Framework aus dem ISO-Standard 8000 und der DAMA definiert mehrere Dimensionen. Für den praktischen KI-Kontext sind fünf besonders relevant:

Dimension 1 — Vollständigkeit: Sind alle benötigten Datenpunkte vorhanden? Bewertungsskala: 5 = alle Datenpunkte vorhanden. 1 = mehr als 30 % der benötigten Datenpunkte fehlen.

Dimension 2 — Korrektheit: Stimmen die Daten mit der tatsächlichen Realität überein? Korrektheitsprobleme entstehen durch Eingabefehler, veraltete Einträge oder Copy-Paste-Fehler zwischen Systemen.

Dimension 3 — Aktualität: Wie zeitnah wurden die Daten zuletzt aktualisiert? Aktualitätsanforderungen sind use-case-spezifisch: ein Preislistensystem braucht Echtzeitaktualisierung, ein Onboarding-Handbuch kann mit vierteljährlicher Aktualisierung arbeiten.

Dimension 4 — Konsistenz: Werden dieselben Konzepte überall gleich bezeichnet? Konsistenzprobleme sind für RAG-Systeme besonders gefährlich, weil semantische Mehrdeutigkeit zu widersprüchlichen Abrufen führt.

Dimension 5 — Zugänglichkeit: Sind die Daten technisch für das KI-System zugreifbar? API-Zugang, Exportformate, Zugriffsrechte, Verarbeitbarkeit (durchsuchbare PDFs statt gescannte Bilddateien).

Merksatz

Datenverfügbarkeit ≠ Datenqualität. „Wir haben 800 Dokumente in SharePoint” ist keine Aussage über Qualität. Die Frage lautet: Wie viele davon sind vollständig, korrekt, aktuell, konsistent und zugänglich? Antworten Sie ehrlich.

DSGVO als implizite sechste Dimension

Jede Datenbasis, die für ein KI-System verwendet werden soll, muss einer DSGVO-Prüfung standhalten. Drei kritische Fragen: Rechtsgrundlage — auf welcher rechtlichen Grundlage werden die Daten für den KI-Einsatz verwendet? Zweckbindung — dürfen Daten, die für Zweck A erhoben wurden, für Zweck B (den KI-Einsatz) verwendet werden? Datensparsamkeit — enthält die Datenbasis mehr personenbezogene Daten als für den KI-Use-Case notwendig?

Datenverfügbarkeit vs. Datenqualität — drei Falltypen

Fall A: Daten vorhanden, aber schlechte Qualität. Häufigste Situation. Maßnahme: Daten bereinigen und kuratieren vor dem Pilot-Start.

Fall B: Gute Qualität, aber Daten nicht zugänglich. Die besten Dokumente liegen auf persönlichen Laufwerken und wurden nie zentralisiert. Maßnahme: Erfassungsprozess etablieren.

Fall C: Daten nicht vorhanden. Der Use Case setzt Daten voraus, die noch nicht existieren. Lösung: Datenerhebungs-Prozess zuerst einführen, KI-Pilot erst nach drei bis sechs Monaten Datensammlung.

Mindest-Datenbasis für einen Piloten

Ein verbreiteter Irrglauben: Für einen KI-Piloten werden perfekte und vollständige Daten benötigt. Für erste RAG-Piloten reichen oft 20–50 gut strukturierte, aktuelle und korrekte Dokumente — vorausgesetzt, sie decken die häufigsten Anfragen ab. Besser wenige hochqualitative Dokumente als viele schlecht strukturierte.

Abb. 90.1 — Sechs Dimensionen des Datenqualitäts-Audits mit Gesamtbewertung

Vertiefung — Messmetriken und Datenstrategien

Vertiefung — Die sechs Dimensionen der Datenqualität im Detail

Das DAMA-Modell (Data Management Body of Knowledge) definiert sechs Dimensionen der Datenqualität, die für KI-Anwendungen besondere Relevanz haben:

Dimension 1 — Vollständigkeit (Completeness): Sind alle erwarteten Datenpunkte vorhanden? Für einen KI-Assistenten, der Kundenanfragen kategorisieren soll, ist die Vollständigkeit des historischen Anfrage-Labels entscheidend: Wenn 30 % der Einträge keine Kategorisierung haben, kann das Modell nur auf 70 % der Daten trainiert werden — mit entsprechend eingeschränkter Qualität.

Dimension 2 — Genauigkeit (Accuracy): Entsprechen die Datenwerte der Realität? Fehlerhafte Daten sind für KI-Systeme besonders gefährlich, weil das Modell die Fehler als Muster lernt. Ein klassisches Beispiel: Wenn Kundenadressen in 8 % der Fälle alte Kontaktdaten enthalten (weil der Datenbereinigungsprozess nicht systematisch läuft), lernt das KI-System, alte Adressen als valide Muster zu behandeln.

Dimension 3 — Konsistenz (Consistency): Sind dieselben Informationen in verschiedenen Systemen identisch? In Organisationen mit mehreren Systemen (CRM, ERP, E-Mail-Archiv) ist dieselbe Kundeninformation häufig unterschiedlich erfasst — verschiedene Schreibweisen, unterschiedliche Kategorisierungen. Diese Inkonsistenz ist für KI-Systeme ein erhebliches Problem.

Dimension 4 — Aktualität (Timeliness): Sind die Daten aktuell genug für den vorgesehenen Zweck? Für einen Kundendienst-Assistenten, der aktuelle Produktinformationen benötigt, sind Daten aus 2021 möglicherweise vollständig veraltet. Die Aktualitäts-Anforderung variiert stark je Use Case.

Dimension 5 — Eindeutigkeit (Uniqueness): Gibt es doppelte Einträge? Duplizierte Datensätze führen zu einer Überrepräsentation bestimmter Muster und verzerren das Modelltraining.

Dimension 6 — Integrität (Integrity): Sind die Beziehungen zwischen Datenpunkten konsistent? Wenn ein Auftrag auf einen Kunden verweist, der im System nicht mehr existiert (Orphan Record), entstehen Referenzfehler, die KI-Systeme nicht automatisch erkennen.

Praktische Konsequenz: Im Datenqualitäts-Audit für einen Use Case sollte jede dieser sechs Dimensionen explizit bewertet werden — nicht nur die offensichtlichen Probleme (fehlende Werte, veraltete Daten). Die nicht-offensichtlichen Qualitätsprobleme (Konsistenz, Integrität) sind häufig die kostspieligen, weil sie erst in der Pilotphase sichtbar werden.

Datenqualität lässt sich messen. Vollständigkeits-Metrik: (Anzahl Datensätze mit allen Pflichtfeldern / Gesamtzahl) × 100 %. Zielwert: > 80 %. Korrektheitsmessung: 20–30 Datensätze stichprobenartig manuell prüfen. Fehlerrate > 5 % ist Warnsignal. Aktualitätsmessung: Medianes Alter aller Dokumente. Mehr als 25 % älter als 18 Monate = Gelb. Konsistenzmessung: Wie viele verschiedene Bezeichnungen für dasselbe Konzept? Mehr als drei Synonyme für einen zentralen Begriff sind ein Warnsignal. Zugänglichkeitsmessung: Anteil automatisch verarbeitbarer Dokumente. Zielwert: > 85 %.

Die Strategie des „Curated Pilot Dataset”: Identifizieren Sie die häufigsten Anfragen im Use-Case-Szenario → kuratieren Sie gezielt 20–50 Dokumente für diese Top-20-Anfragen → starten Sie den Pilot mit kuratierten Daten (Transparenz: Datenbasis noch nicht vollständig) → iterieren Sie nach jedem zweiwöchigen Pilotblock.

DSGVO-Datenvorbereitung: drei Optionen bei personenbezogenen Daten. Option 1 — Rechtsgrundlage schaffen (Datenschutzbeauftragten einbeziehen). Option 2 — Anonymisierung: Mitarbeiternamen durch Funktionsbezeichnungen, Kundennamen durch Branchenbezeichnungen ersetzen. Option 3 — Pseudonymisierung + Zugriffsbeschränkung.

Vertiefung — Datenstrategie: Fehlende Daten generieren und synthetische Datensaetze

Eine häufig uebersehene Option beim Datenqualitaets-Audit ist die Datengenerierungsstrategie: Was tun, wenn die benoetigen Daten noch nicht existieren oder in unzureichender Menge vorliegen?

Option 1 — Retroaktive Erfassung: Historische Daten werden gezielt erhoben oder aus vorhandenen Quellen (E-Mails, Notizen, Papierakten) digitalisiert. Zeitaufwändig, aber valide. Typischer Zeitrahmen: 4–8 Wochen für einen Pilotdatensatz.

Option 2 — Prospektive Erfassung: Ab sofort werden die benoetigen Daten strukturiert erfasst — ein neues Feld im CRM, ein neues Attribut im Ticketsystem. Der Pilot startet spaeter, arbeitet aber mit echten, aktuellen Daten.

Option 3 — Synthetische Daten: Für bestimmte Use Cases können synthetische Datensaetze generiert werden, die die statistische Struktur realer Daten imitieren, aber keine echten Personen enthalten. Vorteil: DSGVO-neutral. Nachteil: Die synthetischen Daten muessen die Eigenheiten der Realitaet korrekt abbilden — was technisches Know-how erfordert.

Option 4 — Transfer Learning / Few-Shot Learning: Statt eines grossen eigenen Datensatzes wird ein vortrainiertes Modell verwendet, das mit wenigen Beispielen (Few-Shot) auf den spezifischen Use Case angepasst wird. Diese Methode ist für viele KI-Assistenten-Use-Cases die pragmatischste — und reduziert den Datenbedarf dramatisch.

Die Wahl der Datenstrategie sollte im Canvas-Feld 5 und im Pilot-Design explizit dokumentiert werden: Welche Datenstrategie wird verfolgt? Welche Risiken hat sie? Welcher Zeitrahmen ist realistisch? ### Branchen-Anwendungen

IT-Dienstleistung & Beratung

Für einen internen Wissens-RAG liefert ein typisches Datenqualitäts-Audit folgende Ergebnisse: Vollständigkeit (3/5): SharePoint enthält ca. 400 Dokumente, davon ca. 150 abgeschlossene Projektberichte. 40 % der Berichte fehlen die Lessons-Learned-Sektion. Korrektheit (4/5): Faktuelle Fehler selten, aber veraltete Informationen in älteren Prozesshandbüchern. Aktualität (3/5): 25 % der Handbücher wurden seit über 18 Monaten nicht aktualisiert. Konsistenz (2/5): Terminologie inkonsistent — „Kick-off”, „Projekt-Start-Meeting” und „Inbetriebnahme-Termin” werden synonym verwendet. Zugänglichkeit (3/5): SharePoint-API vorhanden, aber 30 % der Dokumente sind gescannte PDFs ohne Text-Layer. DSGVO-Konformität (4/5): Projektberichte enthalten Mitarbeiternamen — Rechtsgrundlage mit Datenschutzbeauftragtem klären. Gesamtbewertung: Gelb. Pilot möglich nach: OCR-Nachbearbeitung, Konsistenz-Workshop, DSGVO-Abstimmung.

Industrie & Fertigung

In der Fertigung ist Zugänglichkeit oft die kritischste Dimension: Wartungsanleitungen liegen häufig als gescannte Papierdokumente vor (alt) oder als proprietäre Maschinenspezifikations-Formate (herstellerspezifisch). Für einen Wartungsassistenten-Piloten bedeutet das: Vor dem Start müssen die kritischsten 50–100 Wartungsanleitungen in durchsuchbares PDF- oder Markdown-Format konvertiert werden. Das ist ein Aufwand von typischerweise 5–10 Stunden — aber er ist die Grundvoraussetzung. Aktualität ist die zweithäufigste Schwachstelle: Wenn Maschinenmodelle aktualisiert wurden, aber die Wartungsanleitungen nicht, liefert der RAG-Assistent veraltete Schritte. Lösung: Aktualisierungs-Trigger definieren (neue Maschinenversion → sofort Handbuch aktualisieren). DSGVO ist in der Fertigung bei Wartungsdaten weniger kritisch — es sei denn, Wartungsaufträge sind mit personalisierten Mitarbeiterdaten verknüpft (wer hat wann was gemacht).

Finanzdienstleistung & Versicherung

Im Finanzsektor ist DSGVO-Konformität die dominante Dimension: Kundendaten (Einkommensnachweise, Kontoauszüge, Bonitätsinformationen) sind hochsensibel und unterliegen strengen Zweckbindungsanforderungen. Ein Datenqualitäts-Audit für einen Dokumentenprüfungs-Assistenten muss deshalb mit der DSGVO-Dimension beginnen — nicht mit Vollständigkeit oder Korrektheit. Typisches Audit-Ergebnis: Vollständigkeit (4/5): Standarddokumente vollständig vorhanden. Korrektheit (4/5): Hohe Genauigkeit durch standardisierte Formulare. Aktualität (5/5): Antragsdokumente sind per Definition aktuell. Konsistenz (3/5): Verschiedene Filialen verwenden leicht unterschiedliche Formulare. Zugänglichkeit (3/5): Eingescannte Dokumente ohne Text-Layer. DSGVO (2/5): Keine explizite Rechtsgrundlage für KI-Verarbeitung vorhanden — kritischer Blocker. Gesamtbewertung: Rot. Pilot kann erst nach DSGVO-Klärung starten.

Öffentliche Verwaltung

In Behörden ist die Konsistenz-Dimension besonders problematisch: Verschiedene Sachbearbeitende haben über Jahre unterschiedliche Formulierungen, Abkürzungen und Kategorisierungen entwickelt. Für einen FAQ-Assistenten müssen diese Inkonsistenzen vor dem Pilot bereinigt werden — andernfalls findet das RAG-System dieselbe Information unter verschiedenen Suchbegriffen nicht. Datenqualitäts-Audit für einen Bürgeranfragen-Assistenten: Vollständigkeit (3/5): FAQ-Dokumente decken häufige Anfragen ab, seltene Fälle fehlen. Korrektheit (4/5): Rechtliche Informationen korrekt, aber Formulierungen teilweise nicht bürgerfreundlich. Aktualität (2/5): FAQ-Dokumente wurden zuletzt vor 24 Monaten aktualisiert — zahlreiche Rechtsänderungen seitdem. Konsistenz (2/5): Gleiche Leistung wird mit drei verschiedenen Begriffen bezeichnet. Zugänglichkeit (4/5): Dokumente in strukturiertem Format vorhanden. DSGVO (5/5): Keine personenbezogenen Daten im FAQ-System. Gesamtbewertung: Gelb. Hauptblocker: Aktualität und Konsistenz.

Gesundheitswesen & Pharma

In Kliniken und pharmazeutischen Unternehmen ist die Datenqualitätsprüfung besonders kritisch — und gleichzeitig besonders aufwändig. Klinische Rohdaten (Labordaten, Vitaldaten, Diagnosen) sind zwar häufig digital erfasst, aber selten für KI-Anwendungen aufbereitet. Vollständigkeit: Klinische Datenbanken haben typischerweise hohe Lückenwerte bei nicht-Pflichtfeldern (30–50 % der Eingabemasken ohne Zeitstempel, fehlende Zusatzdiagnosen). Konsistenz: ICD-10-Codes werden in verschiedenen Systemen unterschiedlich vergeben — derselbe Befund erscheint in Aufnahmedokumentation und Abschlussbericht mit verschiedenen Codes. Aktualität: Medikationsdaten können tagesaktuell sein, historische Labordaten jedoch aus Systemen stammen, die vor Jahren migriert wurden und deren Kodierungsstandards sich geändert haben. Besondere Herausforderung DSGVO und Datenschutz im klinischen Bereich: Patientendaten sind besonders schützenswerte personenbezogene Daten nach Art. 9 DSGVO. Jede KI-Anwendung, die klinische Daten verarbeitet, erfordert eine Datenschutz-Folgenabschätzung (DSFA). Empfehlung: Im klinischen Kontext einen Datenschutzbeauftragten und (falls vorhanden) einen Clinical Data Manager in das Datenqualitäts-Audit einbinden — kein KI-Use-Case ohne deren Freigabe.

Übung 1 — Mini-Datenqualitäts-Audit

Übung 1 — Datenqualitäts-Audit

Aufgabe: Führen Sie ein Mini-Audit der Datenbasis für Ihren Top-Use-Case durch, bewerten Sie alle sechs Dimensionen (5 = sehr gut, 1 = unzureichend) und erstellen Sie einen Maßnahmenplan.

Material: Datenqualitäts-Audit-Worksheet (Tabelle: Dimension | Bewertung | Begründung | Maßnahme | Verantwortliche/r | Deadline).

Schritt-für-Schritt: 1. Identifizieren Sie die primäre Datenbasis für Ihren Use Case (Canvas-Feld 4). 2. Bewerten Sie jede der sechs Dimensionen mit 1–5 und notieren Sie eine Begründung. 3. Berechnen Sie die Gesamtbewertung (Durchschnitt oder gewichtet). 4. Leiten Sie für jede Dimension mit Bewertung ≤ 3 eine konkrete Maßnahme ab. 5. Vergeben Sie eine Gesamtampel (Grün = Ø ≥ 4; Gelb = Ø 3–3,9; Rot = Ø < 3). 6. Entscheiden Sie: Kann der Pilot mit dieser Datenbasis starten — oder müssen Maßnahmen zuerst umgesetzt werden?

Erwartetes Ergebnis: Ausgefülltes Audit-Worksheet mit Gesamtampel und Maßnahmenplan.

Musterlösung — Use Case Angebots-KI-Assistent: Vollständigkeit 4/5 (Preisliste vollständig, 80 % der Angebote vorhanden), Korrektheit 3/5 (Preisliste hat zwei veraltete Einträge), Aktualität 3/5 (Produktbeschreibungen 6 Monate alt), Konsistenz 4/5 (Angebotsstruktur standardisiert), Zugänglichkeit 2/5 (Preisliste nur als Excel, keine API; Projektberichte als Word-Dateien), DSGVO 5/5 (Produktdaten ohne personenbezogene Daten). Gesamtampel: Gelb (Ø 3,5). Pilot möglich nach: Preislisten-Update und CSV-Export für automatischen Abruf.

Merksatz

Der häufigste Satz, der KI-Projekte zum Scheitern bringt: “Wir haben die Daten.” In 70 % der Fälle, in denen das vor dem Pilot-Start gesagt wird, stellt sich während des Piloten heraus, dass die Daten zwar vorhanden, aber nicht in der Qualität, dem Format oder der Menge zugänglich sind, die für den Use Case benötigt werden. Der Datenqualitäts-Audit macht diesen Satz ehrlich.

Anwendungshinweis — Der Datenbasis-Fluss im Use-Case-Lifecycle

Die Datenbasis-Prüfung ist kein einmaliger Audit am Anfang des Projekts — sie ist ein iterativer Prozess durch den gesamten Use-Case-Lifecycle:

Phase 1 (Canvas-Erstellung): Initiale Schätzung der Datenverfügbarkeit und -qualität. Bekannte Risiken in Feld 5 des Canvas dokumentieren. Phase 2 (Pilot-Vorbereitung): Detaillierter Datenqualitäts-Audit mit IT. Konkrete Daten-Sample prüfen. Bereinigungsplan erstellen. Phase 3 (Pilotbetrieb): Während des Piloten monitoren, ob die angenommene Datenqualität tatsächlich vorliegt. KPIs aus Feld 7 des Canvas validieren. Phase 4 (Roll-out-Vorbereitung): Sicherstellen, dass Datenpflege-Prozesse für den Dauerbetrieb definiert sind. Wer ist für die laufende Datenqualitätssicherung verantwortlich? Wie oft werden veraltete Daten aktualisiert?

Diese Lifecycle-Perspektive verhindert, dass die Datenbasis ein Problem ist, das “am Anfang gelöst” wird und dann aus dem Blickfeld verschwindet.

Übung 2 — Datenbasis-Bereinigungsplan

Übung 2 — Bereinigungsplan erstellen

Aufgabe: Erstellen Sie auf Basis Ihres Audits aus Übung 1 einen priorisierten Bereinigungsplan mit realistischen Zeitschätzungen.

Schritt-für-Schritt: 1. Listen Sie alle Maßnahmen aus Übung 1 auf. 2. Priorisieren Sie: Welche sind Blocker vor dem Pilot? Welche können parallel laufen? Welche nach dem Pilot? 3. Schätzen Sie den Aufwand für jede Maßnahme (in Stunden). 4. Weisen Sie Verantwortliche zu. 5. Erstellen Sie einen Zeitplan auf Wochen-Basis. 6. Berechnen Sie das frühestmögliche Pilot-Startdatum.

Erwartetes Ergebnis: Priorisierter Bereinigungsplan mit Blocker-Maßnahmen, Verantwortlichen und realistischem Pilot-Startdatum.

Musterlösung: Blocker-Maßnahme 1 (4h, Vertrieb): Preisliste aktualisieren und als CSV exportieren. Blocker-Maßnahme 2 (2h, IT): API-Token für SharePoint-Zugang einrichten. Parallele Maßnahme (8h, Fachabteilung): Produktbeschreibungen aktualisieren. Pilot-Startdatum: frühestmöglich in Woche 3.

Cheatsheet — Die wichtigsten Punkte

Verfügbarkeit ≠ Qualität: beide Fragen separat beantworten

Mindest-Datenbasis: 20–50 qualitativ hochwertige Dokumente genügen für einen ersten Piloten

Gesamtampel: Grün ≥ 4, Gelb 3–3,9, Rot < 3

Blocker vor Pilot: Zugänglichkeit und DSGVO sind häufig die kritischsten Dimensionen

Aktualitäts-Warnsignal: > 25 % der Dokumente älter als 18 Monate = Gelb

Konsistenz-Test: Wie viele verschiedene Bezeichnungen für dasselbe Konzept?

Curated-Dataset-Strategie: mit 20–50 kuratierten Dokumenten starten, iterativ erweitern

Kontinuierlicher Prozess: Datenqualität quartalsweise reviewen, nicht nur vor dem Pilot

Reflexionsfragen

Welche der sechs Datenqualitätsdimensionen ist in Ihrem konkreten Arbeitsumfeld am kritischsten — und was sind die Hauptursachen?

Wie stellen Sie sicher, dass die Datenqualität nach dem Pilot-Start nicht wieder sinkt?

Wer in Ihrer Organisation ist aktuell für die Datenqualität der wichtigsten internen Wissenssysteme verantwortlich?

Prompt-Vorlage — Datenqualitäts-Audit für einen KI-Use-Case strukturieren

Prompt für einen KI-Assistenten:

Ich plane den folgenden KI-Use-Case: [Use Case beschreiben]. Die KI benötigt folgende Daten: [Datenbeschreibung, z. B. Kundenanfragen der letzten zwei Jahre aus dem CRM-System”]. Erstelle einen strukturierten Datenqualitäts-Audit-Plan mit Prüfung von: (1) Vollständigkeit (Anteil fehlender Werte), (2) Konsistenz (widersprüchliche oder doppelte Einträge), (3) Aktualität (Alter und Update-Frequenz der Daten), (4) Zugänglichkeit (Systeme, Zugriffsrechte, Export-Formate), (5) DSGVO-Relevanz (personenbezogene Daten, Löschpflichten). Bewerte die Datenbasis mit einem Ampelsystem (Grün/Gelb/Rot) und empfiehl für jede Rot-Bewertung konkrete Bereinigungsmaßnahmen sowie einen realistischen Zeitplan.”

Erwartetes Ergebnis: Ein vollständiger Datenqualitäts-Audit-Bericht mit Ampelbewertung, Bereinigungsmaßnahmen und Zeitplan — als strukturierte Grundlage für das Gespräch mit der IT-Abteilung. Hinweis: Nutzen Sie diesen Audit als offenes Gesprächsdokument mit Ihrer IT — nicht als Prüfung, sondern als gemeinsame Bestandsaufnahme.

Quellen & Weiterlesen

Übung 3 — Datenstrategie: Von der Lücke zur Lösung

Übung 3 — Datenstrategie-Plan für einen Use Case

Aufgabe: Auf Basis des Datenqualitäts-Audits aus Übung 1 entwickeln Sie einen konkreten Datenstrategie-Plan für Ihren Use Case.

Schritt-für-Schritt: 1. Identifizieren Sie die kritischste Datenlücke aus Übung 1 (die Rot-Bewertung mit der größten Auswirkung auf den Piloten). 2. Bewerten Sie vier Strategieoptionen zur Lückenschließung: (a) Retroaktive Erfassung, (b) Prospektive Erfassung, (c) Synthetische Daten, (d) Few-Shot-Ansatz / vortrainiertes Modell. 3. Wählen Sie die für Ihre Organisation realistischste Option und begründen Sie die Wahl. 4. Erstellen Sie einen Umsetzungsplan mit drei Meilensteinen (Was wird wann von wem erledigt?). 5. Schätzen Sie den Zeitaufwand für die Datenvorbereitung — und wie dieser Aufwand in den Gesamtzeitplan des Piloten integriert wird.

Erwartetes Ergebnis: Ein einseitiger Datenstrategie-Plan mit Optionenbewertung, begründeter Empfehlung und konkretem Meilensteinplan.

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 90

Timing (45 Min): 5 Min Einstieg (RAG-Assistent auf veralteten Daten als Schreckensszenario), 15 Min Lerntext (6 Dimensionen + Messmethodik), 18 Min Übung 1 (Mini-Audit), 5 Min Diskussion Blocker-Identifikation, 2 Min Puffer.

Methodische Empfehlung: Führen Sie Übung 1 mit einem gemeinsamen Beispiel-Datensatz durch, bevor die Teilnehmenden ihre eigenen Datenbasis auditen. Das kalibriert die Bewertungsskala und verhindert, dass alle Dimensionen mit 4 oder 5 bewertet werden.

Häufige Stolpersteine: (a) DSGVO-Dimension wird als unbedeutend abgetan — Beispiel einer tatsächlichen Datenschutzstrafe für unerlaubte KI-Nutzung anführen. (b) Gesamtampel wird zu positiv gesetzt — auf realistische Einschätzung bestehen. (c) Blocker und nicht-Blocker werden nicht unterschieden — auf die Sequenz (Blocker vor Pilot-Start) explizit hinweisen.

Diskussionsfragen für Plenum: (1) „Welcher Ihrer Blocker überrascht Sie — was haben Sie beim Ausfüllen des Canvas in UE 87 nicht gesehen?” (2) „Was würde passieren, wenn Sie den Pilot trotz roter DSGVO-Ampel starten würden?”

Tafelbild-Vorschlag: Sechs-Felder-Tabelle mit den Dimensionen und je einem typischen Beispielproblem pro Branche. Dazu: Ampelschema für Gesamtbewertung.

Differenzierung Power-User ↔ Einsteiger: Power-User entwickeln konkrete Messmetriken für jede Dimension ihres Use Cases (Formel + Zielwert). Einsteiger konzentrieren sich auf qualitative Bewertung und Maßnahmenableitung.

Materialliste: Audit-Worksheet als Tabelle, Beispiel-Datenbasis für gemeinsames Kalibrierungs-Audit.

Übergang zur nächsten UE: „Sie wissen jetzt, ob Ihre Datenbasis bereit ist. In UE 91 planen wir den Pilot selbst — mit präzisen Hypothesen, messbaren KPIs und Abbruchkriterien.”

Tipp zur Branchenauswahl: Für Verwaltungskunden ist die Aktualitäts-Dimension besonders relevant — Rechtsänderungen machen FAQ-Dokumente schnell veraltet. Für Finanzdienstleistungs-Kunden steht DSGVO an erster Stelle. Wählen Sie die Vignette, die den größten Handlungsbedarf für Ihre Gruppe aufzeigt.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.