Kosten und Nutzen von KI im Mittelstand (Teil 4 von 4)
Bereits im ersten Teil dieser Blogreihe haben wir auf die große Bedeutung des Datenmanagements für den Erfolg von KI-Projekten hingewiesen. Nun werfen wir nochmals einen genaueren Blick auf die spezifischen Anforderungen und auf Best Practices.
Warum Datenmanagement für KI so wichtig ist
Ein professionelles Datenmanagement sorgt dafür, dass die verwendeten Daten qualitativ hochwertig sind. Dazu gehört, dass sie vollständig und aktuell gehalten werden. Zudem müssen sie gut strukturiert sein, sodass sie sich von verschiedenen Systemen und KI-Modellen effizient verarbeiten lassen. Neben der Datenqualität sind auch die sichere Speicherung und eine gesetzeskonforme Verarbeitung zentrale Aspekte des Datenmanagements. So sind beispielsweise die Vorgaben der DSGVO einzuhalten, um rechtliche Konsequenzen zu vermeiden. Schließlich sollte das Datenmanagement so gestaltet sein, dass Daten jederzeit abrufbar und für KI-Anwendungen nutzbar sind.
Anforderungen an das Datenmanagement in KMU
Eine Einschätzung der langfristigen Kosten ist selbstverständlich deutlich schwieriger und unzuverlässiger. Hier nennt der oben erwähnte KI-Report folgende Faustregel in Bezug auf die Kosten des PoC: „Für eine erfolgreiche Durchführung wird es laut Deloitte Berechnungen etwa das 5- bis 20-fache der Investitionen eines Proof of Concepts benötigen, je nach Komplexität und Umfang des Vorhabens also zwischen 250.000 bis 5 Millionen Euro.“ Das ist natürlich eine enorme Bandbreite, die mittelständischen Unternehmen höchstens ein Gespür für mögliche Schwellenwerte geben kann.
Hier sollte man sicher aber auch nochmal die „Habenseite“ ins Gedächtnis rufen (siehe auch Teil zwei dieser Blogreihe). Zum ROI heißt es in der Studie demnach: „So rechnen 19 % mit einem jährlichen finanziellen Mehrwert zwischen EUR 50.000,- und EUR 250.000,- durch KI, weitere 22 % erwarten sogar über EUR 250.000.“
Vermutlich ist es hinsichtlich der Kosten hilfreicher, sich einmal deren Zusammensetzung genauer anzuschauen. So lassen sich von Unternehmen – projektabhängig – für die einzelnen Posten vorab erst grobe Kalkulationen abschätzen, die den erforderlichen Budgetrahmen etwas genauer eingrenzen.
Anforderungen an das Datenmanagement in KMU
1. Datenstrategie entwickeln
Eine klare Datenstrategie bildet die Grundlage für den erfolgreichen Einsatz von KI. KMU müssen zunächst ermitteln, welche Datenquellen sie nutzen können und wie diese effizient verwaltet werden. Beispielsweise spielen Kundendaten eine zentrale Rolle in der Automatisierung von Marketingprozessen oder der Personalisierung von Angeboten. Produktionsdaten lassen sich wiederum nutzen, um Maschinenlaufzeiten zu optimieren oder den Wartungsbedarf vorherzusagen. Markt- und Finanzdaten helfen hingegen bei strategischen Entscheidungen.
Hierbei ist es wichtig, frühzeitig festzulegen, wo und wie diese Daten gespeichert werden. Werden sie lokal auf Servern verwaltet oder über Cloud-Lösungen? Sind die verschiedenen Systeme miteinander kompatibel, sodass ein reibungsloser Datenaustausch möglich ist? Darüber hinaus müssen Unternehmen definieren, wer im Unternehmen Zugriff auf bestimmte Daten erhält und welche Sicherheitsmaßnahmen getroffen werden müssen.
Praxistipp: Nehmen Sie sich für diesen ersten Schritt etwas Zeit, denn er legt den Grundstein für alles weitere. Bei Bedarf unterstützen wir Sie mit unserem Data Strategy Assessment bei der Bewertung Ihres Reifegrads und der Potenzialermittlung.
2. Datenqualität sicherstellen
Die Qualität der Daten hat einen direkten Einfluss auf die Leistungsfähigkeit von KI-Anwendungen. Unternehmen müssen beispielsweise sicherstellen, dass ihre Daten keine doppelten Datensätze enthalten, da diese zu Verzerrungen und fehlerhaften Analysen führen können. Auch manuelle Eingabefehler stellen ein Risiko dar. Schon kleine Tippfehler oder falsch formatierte Zahlen können dazu führen, dass ein KI-System unzuverlässige Ergebnisse liefert.
Praxistipp: Um die Datenqualität zu verbessern, können Unternehmen automatisierte Validierungsmechanismen implementieren. Beispielsweise kann eine Software automatisch prüfen, ob ein Datensatz vollständig ist oder ob bestimmte Werte unlogisch erscheinen. Auch Datenplattformen wie Microsoft Fabric unterstützen bei der Sicherstellung einer hohen Datenqualität.
3. Datenintegration und -vernetzung
In vielen KMU existieren isolierte Softwarelösungen für verschiedene Geschäftsbereiche, etwa für den Vertrieb, das Rechnungswesen oder die Lagerhaltung. Diese isolierte Datenhaltung kann dazu führen, dass wertvolle Synergieeffekte ungenutzt bleiben. Damit KI-Systeme effizient arbeiten können, ist eine Integration der verschiedenen Datenquellen erforderlich.
Eine Möglichkeit ist die Nutzung von Programmierschnittstellen (APIs), die eine direkte Kommunikation zwischen verschiedenen Systemen ermöglichen. Alternativ können Unternehmen auf Data Warehouses oder Data Lakes setzen, in denen alle relevanten Informationen zentral gespeichert und für Analysen aufbereitet werden. Auch die Verwendung standardisierter Dateiformate und Schnittstellen hilft dabei, Daten reibungslos zwischen Systemen auszutauschen.
Praxistipp: Mit einer zentralen Daten- und Analyseplattform wie Microsoft Fabric verbessert sich der unternehmensweite Zugang zu sämtlichen Daten. So macht der OneLake Daten duplikationsfrei und nach Unternehmensbereichen (Domänen) für alle erforderlichen Fachbereiche zugänglich.
4. Datensicherheit und Datenschutz beachten
Der Schutz sensibler Unternehmens- und Kundendaten hat selbstverständlich eine hohe Priorität. Neben der Datensicherung sollten Unternehmen die Einhaltung der Datenschutz-Grundverordnung (DSGVO) sicherstellen. Ein weiterer wichtiger Aspekt ist die Zugriffskontrolle. Durch rollenbasierte Zugriffsbeschränkungen lässt sich sicherstellen, dass nur autorisierte Personen auf bestimmte Daten zugreifen können.
Praxistipp: Auch hier verweisen wir erneut auf die Möglichkeiten von Microsoft Fabric mit Features wie einem zentralen Admin-Portal, rollenbasierten Zugängen und Datenzugriffen über sogenannte Domänen wie HR oder Finanzen.
Best Practices für erfolgreiches Datenmanagement in KMU
Der Bereich Datenmanagement ist ein weites Feld und so stellt sich erfahrungsgemäß für viel KMU die Frage, wie sie das Thema am besten angehen. Die folgenden vier Best Practices können Ihnen hierbei Orientierung geben, um hier gleichermaßen effektiv wie effizient vorzugehen.
Datenbestände analysieren und bereinigen
Bevor KI-Lösungen implementiert werden, ist es sinnvoll, bestehende Datenbestände auf ihre Qualität und Relevanz zu prüfen. Eine umfassende Bestandsaufnahme hilft dabei, ungenutzte oder veraltete Daten zu identifizieren und zu eliminieren. Dies reduziert nicht nur die Speicherkosten, sondern stellt auch sicher, dass KI-Modelle nur mit relevanten Daten arbeiten. Hierbei können automatisierte Tools zur Datenqualitätsprüfung dabei unterstützen, inkonsistente oder fehlerhafte Daten zu erkennen. Gleichzeitig sollten klare Standards für die Dateneingabe definiert werden, um zukünftige Fehler zu vermeiden.
Data Governance implementieren
Effektives Datenmanagement erfordert klare Verantwortlichkeiten. KMU sollten daher festlegen, wer für die Datenerfassung, -pflege und -überprüfung zuständig ist. In kleineren Unternehmen kann dies eine dedizierte Person oder ein kleines Team übernehmen. Wichtig ist, dass definierte Prozesse existieren, die sicherstellen, dass Daten regelmäßig aktualisiert und auf ihre Richtigkeit überprüft werden. Darüber hinaus sollten Sie Richtlinien zur Datennutzung erstellen. Diese legen fest, welche Daten für welchen Zweck verwendet werden dürfen und welche Maßnahmen zur Sicherstellung der Datenqualität getroffen werden müssen.
Automatisierung nutzen
Viele Prozesse im Datenmanagement lassen sich automatisieren, um die Effizienz zu steigern. Setzen Sie wo möglich auf Tools, die Routinearbeiten im Datenmanagement automatisieren. Beispielsweise lassen sich mit ETL-Werkzeugen wiederkehrende Datenimporte und -transformationsschritte zeitgesteuert durchführen, anstatt sie manuell auszuführen. Zudem können Cloud-basierte Plattformen eine zentrale Verwaltung von Unternehmensdaten ermöglichen. Sie erleichtern außerdem den Zugriff für verschiedene Abteilungen. Auch eine regelbasierte Validierung von Daten kann Unternehmen dabei helfen, Fehler frühzeitig zu identifizieren. Beispielsweise kann eine Software automatisch prüfen, ob eine Telefonnummer im richtigen Format vorliegt oder ob eine E-Mail-Adresse gültig ist.
Klein anfangen und skalieren
KMU müssen nicht sofort eine vollständige KI-Infrastruktur aufbauen. Es empfiehlt sich, mit kleineren Projekten zu starten, die Qualität des Datenmanagements auf den Prüfstand zu stellen und erste Erfolge zu erzielen. Dies kann beispielsweise die Einführung einer KI-gestützten Kundensegmentierung sein, um personalisierte Angebote zu erstellen. Auch die Vorhersage von Lagerbeständen oder die Optimierung der Preisgestaltung durch KI-Analysen sind sinnvolle Anwendungsfälle, mit denen sich KMU schrittweise an das Thema herantasten können. Weitere Empfehlungen zur Auswahl der profitabelsten Use Cases finden Sie in Teil 2 dieser Blogreihe.
Fazit: Datenmanagement als Erfolgsfaktor für KI in KMU
Der Einsatz von KI bietet KMU enorme Chancen, setzt jedoch ein solides Datenmanagement voraus. Eine gut durchdachte Datenstrategie, hohe Datenqualität und eine effiziente Integration verschiedener Systeme sind unerlässlich, um das volle Potenzial von KI auszuschöpfen. Wer frühzeitig in sein Datenmanagement investiert, legt den Grundstein für eine erfolgreiche digitale Transformation und kann KI nachhaltig und gewinnbringend einsetzen.
Intelligent Data Management Cloud (IDMC)
