B4. Datenstrategie
Jede KI-Strategie ist nur so gut wie die Daten, auf denen sie aufbaut.
Was dieses Kapitel liefert: die strategische Grundlage der Datenarbeit: welche Daten verfügbar sein müssen und woher sie kommen (Datenquellen-Inventar, Beschaffung und Kennzeichnung), wie ihre Qualität gesichert wird (sechs Qualitätsdimensionen), wer über sie entscheidet (Data Governance) und was die Wissensbasen generativer Anwendungsfälle zusätzlich brauchen. Die Datenebene der Architektur (siehe Kapitel B5) beschreibt die zugehörigen technischen Bausteine.
Datenqualität
Schlechte Datenqualität ist eine der häufigsten Ursachen gescheiterter KI-Vorhaben und wird erst spät sichtbar. Sechs Dimensionen sind zu bewerten. Zu jeder steht, warum sie für KI relevant ist und was passiert, wenn sie ignoriert wird:
| Dimension | Leitfrage | Warum relevant, mit Beispiel |
|---|---|---|
| Vollständigkeit | Fehlen relevante Werte oder Datensätze systematisch? | Systematische Lücken verzerren das Modell. Beispiel: Wenn Absagegründe nur bei Großkund:innen erfasst wurden, lernt das Modell für Kleinkund:innen nichts. |
| Korrektheit | Stimmen die Werte mit der Realität überein? | Ein Modell reproduziert Erfassungsfehler in großem Maßstab. Beispiel: Falsch gepflegte Branchencodes führen zu falscher Kundensegmentierung in jeder einzelnen Vorhersage. |
| Konsistenz | Widersprechen sich Werte zwischen Systemen? | Widersprüche zwingen bei jedem Projekt zu manueller Klärung. Beispiel: Kundenadresse im CRM weicht vom Abrechnungssystem ab, welche gilt? |
| Aktualität | Wie alt sind die Daten im Verhältnis zum Anwendungsfall? | Veraltete Daten liefern Prognosen für eine Welt, die nicht mehr existiert. Beispiel: Nachfragedaten von vor der letzten Sortimentsumstellung. |
| Eindeutigkeit | Gibt es Duplikate oder widersprüchliche Identitäten? | Dubletten verfälschen Häufigkeiten und Kundenbilder. Beispiel: Dieselbe Person existiert dreimal mit unterschiedlicher Schreibweise und erscheint als drei Kund:innen. |
| Repräsentativität | Bildet der Datensatz alle relevanten Gruppen ohne Verzerrung ab? | Unterrepräsentierte Gruppen werden vom Modell schlechter behandelt, ein Fairness- und Reputationsrisiko (siehe Kapitel B10). |
Datenzugang
Nach der Qualität ist der Zugang der zweite Baustein der Datenstrategie: Selbst hochwertige Daten schaffen keinen Nutzen, wenn Projekte sie nicht finden oder monatelang auf Freigaben warten. Dieser Abschnitt legt fest, wie Daten auffindbar, nutzbar und rechtlich zulässig zugänglich werden.
- Auffindbarkeit: zentraler Datenkatalog mit fachlicher Beschreibung, Verantwortlichem und Aktualität je Quelle. Ohne Katalog beginnt jedes Projekt mit wochenlanger Suche nach den richtigen Ansprechpersonen.
- Zugriffsmodell: rollenbasierter Zugriff nach dem Prinzip der geringsten Rechte, mit dokumentierten Freigabeprozessen. Ziel: Zugriff in Tagen statt Wochen, ohne Sicherheitsniveau zu opfern.
- Zweckbindung: Jede Nutzung ist an einen definierten Zweck gebunden und nachvollziehbar (DSGVO-Anforderung, siehe Kapitel B8).
- Domänenübergreifende Nutzung: Standardschnittstellen und gemeinsame Formate verhindern, dass jede Anwendung eigene Datenkopien anlegt.
Data Governance
Der dritte Baustein regelt Verantwortung, Qualität und Kontrolle über den gesamten Lebenszyklus von Daten. Data Governance beantwortet zwei getrennte Fragen: Wer entscheidet über Daten (Rollen), und nach welchen Regeln werden Daten behandelt (Regeln und Prozesse). Beides gehört zusammen: Regeln ohne benannte Verantwortliche werden nicht durchgesetzt, Verantwortliche ohne Regeln entscheiden von Fall zu Fall.
Rollen: Wer über Daten entscheidet
| Rolle | Verantwortung | Konkret heißt das |
|---|---|---|
| Data Owner je Domäne | Fachliche Hoheit über einen Datenbestand | Entscheidet, wer auf die Daten zugreifen darf, welche Qualitätsziele gelten und für welche Zwecke die Daten genutzt werden dürfen. Typischerweise eine Führungskraft des Fachbereichs, dem die Daten fachlich gehören, etwa die Leitung Vertrieb für Kundendaten. Rollendetails in Kapitel B7. |
| Data Steward je Domäne | Operative Umsetzung der Qualitätsregeln | Pflegt Datenkatalog und Metadaten, prüft die Einhaltung der Qualitätsziele und ist erste Anlaufstelle bei Datenfragen. Arbeitet dem Data Owner zu. |
Regeln und Prozesse: Wie Daten behandelt werden
| Baustein | Was er regelt | Warum er nötig ist |
|---|---|---|
| Datenklassifizierung | Einstufung jedes Datenbestands nach Sensitivität (öffentlich, intern, vertraulich, streng vertraulich) mit Schutzmaßnahmen je Stufe | Die Einstufung entscheidet zum Beispiel, ob Daten an ein Cloud-Modell übermittelt werden dürfen (siehe Kapitel B3 und B9). Ohne sie wird entweder alles übervorsichtig behandelt und nichts geht voran, oder alles gleich lax und ein Vorfall ist eine Frage der Zeit. |
| Metadatenmanagement | Dokumentation je Datenbestand: Herkunft, Format, Aktualisierungsrhythmus, Nutzungsbedingungen | Metadaten machen Datenbestände bewertbar, ohne dass jedes Projekt die Fachabteilung befragen muss; sie füllen den Datenkatalog aus dem Abschnitt Datenzugang. |
| Lebenszyklus- und Löschregeln | Aufbewahrungsfristen und Löschprozesse je Datenart, abgestimmt mit dem Datenschutz | Die DSGVO verlangt Löschung nach Zweckerfüllung; ohne definierte Prozesse sammeln sich Altbestände, die rechtlich und qualitativ zum Risiko werden. |
Daten für generative KI: Wissensbasen kuratieren
Die bisherigen Abschnitte behandeln vor allem strukturierte Datensätze. Generative Anwendungsfälle greifen über RAG (siehe Kapitel A2) auf eine andere Art von Bestand zu: eine Wissensbasis aus Dokumenten. Sie folgt denselben Governance-Regeln, stellt aber eigene Anforderungen, die eine klassische Qualitätsprüfung nicht abdeckt. Vier Fragen entscheiden über die Güte einer Wissensbasis:
| Frage | Warum sie zählt | Was zu tun ist |
|---|---|---|
| Was gehört hinein? | Eine überladene Wissensbasis liefert schlechtere Treffer als eine kuratierte. Nicht jedes Dokument im Unternehmen gehört in den Index. | Je Anwendungsfall festlegen, welche Quellen aufgenommen werden, und den Bestand bewusst klein und relevant halten |
| Ist sie aktuell und widerspruchsfrei? | Veraltete oder einander widersprechende Dokumente erzeugen falsche, aber scheinbar belegte Antworten. Das Modell zitiert dann eine überholte Richtlinie. | Veraltete Stände aktiv entfernen, je Aussage eine führende Quelle bestimmen, Aktualität je Dokument nachhalten |
| Wer darf was sehen? | Die Wissensbasis vererbt die Zugriffsrechte der Quelldokumente nicht von selbst. Ohne Kontrolle beantwortet das System vertrauliche Fragen für Unbefugte. | Berechtigungen zum Abfragezeitpunkt durchsetzen (siehe Kapitel B9), nicht nur bei der Aufnahme |
| Ist die Herkunft nachweisbar? | Eine Antwort ist nur so vertrauenswürdig wie ihre Quelle. Ohne Herkunft lässt sie sich weder prüfen noch korrigieren. | Je Dokument Quelle, Stand und Verantwortliche führen, damit die Antwort die Quelle ausweisen kann |
Die technische Umsetzung (Aufbereitung, Einbettung, Index) beschreibt Kapitel B5; hier geht es um die inhaltliche Pflege, die dem Fachbereich gehört, nicht der IT.
Datenbeschaffung und Kennzeichnung
Woher die Daten kommen und wie sie für das Lernen aufbereitet werden, entscheidet über Kosten, Qualität und Risiko, bevor das erste Modell entsteht. Daten stammen aus vier Quellen, oft kombiniert:
| Quelle | Stärke | Vorsicht |
|---|---|---|
| Eigene Bestände | Der differenzierende Kern, exklusiv verfügbar | Qualität und Zugang oft ungeklärt (Abschnitte oben) |
| Zugekaufte Daten | Schnelle Abdeckung fehlender Bereiche | Lizenzbindung, Aktualität, Weiterverwendungsrechte |
| Öffentliche Quellen | Kostenlos und breit verfügbar | Qualität schwankt, Nutzungsrechte und Herkunft prüfen |
| Synthetische Daten | Ersetzen knappe oder sensible Realdaten, künstlich erzeugt, etwa für seltene Fälle ohne echte Personendaten | Bilden die Realität nur so gut ab wie ihr Erzeugungsmodell |
Die Nutzungsrechte je Quelle sind vor dem Einsatz zu klären, gerade bei zugekauften und öffentlichen Daten (siehe Kapitel B8).
Kennzeichnung (Labeling). Überwachtes Lernen und die Evaluierung (siehe Kapitel D1) brauchen gekennzeichnete Daten, also Beispiele mit der bekannten richtigen Antwort. Die Kennzeichnung ist oft der größte verdeckte Aufwand eines Vorhabens und zugleich eine Fehlerquelle: Uneinheitliche Kennzeichnungsregeln erzeugen ein Modell, das die Uneinheitlichkeit lernt. Wirksam sind klare Kennzeichnungsrichtlinien, geschulte Kennzeichnende, Stichprobenkontrollen und ein Abgleich zwischen mehreren Kennzeichnenden bei strittigen Fällen. Verzerrungen entstehen hier zuerst, denn wer kennzeichnet, prägt, was das Modell für normal hält (siehe Kapitel B10).
Vorlage: Datenquellen-Inventar
Das Inventar führt die drei vorherigen Abschnitte in einer Tabelle zusammen und macht sie je Datenquelle konkret: die Qualität (Abschnitt Datenqualität, als Wert von 1 bis 5), den Zugriffsweg und die Zweckbindung (Abschnitt Datenzugang) sowie Data Owner und Sensitivität (Abschnitt Data Governance). Es ist damit das zentrale Arbeitsartefakt der Datenstrategie.
So wird das Inventar genutzt: Vor jedem neuen Anwendungsfall wird geprüft, ob die benötigten Daten bereits erfasst sind. Fehlt eine Quelle, wird sie vor dem Projektstart aufgenommen und bewertet, nicht erst während der Entwicklung. Genau dort scheitern sonst Piloten (siehe Kapitel C3).
| Datenquelle | Domäne | Data Owner | Qualität (1 bis 5) | Sensitivität | Zugriffsweg | Zweckbindung geklärt? |
|---|---|---|---|---|---|---|
| Beispiel: Tickethistorie Kundenservice | Service | N. N. (Leitung Service) | 4 | Vertraulich (personenbezogen) | API des Ticketsystems | Ja, Zweck „Antwortvorschläge" dokumentiert |
Aufbau vs. Zukauf von Datenkompetenz
Warum dieser Abschnitt: Alles, was dieses Kapitel fordert (Qualitätsprüfungen, Datenkatalog, Governance-Rollen), muss jemand können und mit Werkzeugen umsetzen. Damit stellt sich die Ressourcenfrage aus Kapitel B1 auch bei Daten, und die Antwort fällt zweigeteilt aus: Kernkompetenzen wie Datenmodellierung und Governance-Prozesse werden meist intern aufgebaut, weil sie tiefes Wissen über die eigenen Daten voraussetzen und dauerhaft gebraucht werden. Spezialisierte Werkzeuge wie Datenkataloge und Qualitätsplattformen werden dagegen häufig zugekauft, weil sie Standardprodukte ohne Differenzierungspotenzial sind (Entscheidungsweg siehe Kapitel B3).
Checkliste: belastbare Datenstrategie
Die Checkliste prüft, ob die drei Bausteine Qualität, Zugang und Governance für die priorisierten Anwendungsfälle stehen:
- Datenquellen-Inventar für die priorisierten Anwendungsfälle vollständig
- Alle sechs Qualitätsdimensionen bewertet und Lücken priorisiert
- Datenkatalog vorhanden und gepflegt: je Quelle fachliche Beschreibung, Verantwortliche und Aktualität
- Zugriffsmodell nach geringsten Rechten umgesetzt, Freigabeprozesse dokumentiert
- Zweckbindung je Nutzung dokumentiert
- Standardschnittstellen und gemeinsame Formate für die domänenübergreifende Nutzung festgelegt
- Data Owner und Data Steward je Domäne benannt
- Klassifizierung nach Sensitivität durchgängig angewendet
- Metadaten je Datenbestand dokumentiert: Herkunft, Format, Aktualisierungsrhythmus, Nutzungsbedingungen
- Löschfristen und Lebenszyklusregeln mit dem Datenschutz abgestimmt
- Bezugsquellen je Datenbedarf geklärt und Nutzungsrechte gesichert (eigen, zugekauft, öffentlich, synthetisch)
- Kennzeichnungsrichtlinien und Qualitätskontrolle für gekennzeichnete Daten festgelegt
- Wissensbasen generativer Anwendungsfälle kuratiert: Aufnahmekriterien, Aktualität, Zugriffsrechte im Index, Herkunftsnachweis
- Entschieden, welche Datenkompetenzen intern aufgebaut und welche Werkzeuge zugekauft werden