Die Datenplattform für KI: eine Single Source of Truth.

Eine Datenplattform ist das Fundament, auf dem KI und Reporting mit Ihren Unternehmensdaten arbeiten. Sie besteht aus verbundenen Systemen, einer führenden Quelle für jede Information (Single Source of Truth), überwachter Datenqualität, einer verantwortlichen Person je Datenbereich und Regeln dazu, wer was sehen darf. Sie ist nicht in erster Linie ein Produkt, das Sie kaufen, sondern eine Reihe von Entscheidungen und Schnittstellen, die Sie Schritt für Schritt umsetzen.

Weil KI direkt auf Ihren Daten handelt. Ein KI-Agent, der einen Kunden nachschlägt, eine Rechnung prüft oder einen Bericht entwirft, übernimmt jeden Fehler in den Daten: doppelte Kunden, veraltete Adressen, Zahlen, die zwischen Systemen abweichen. Pilotprojekte laufen oft auf einem bereinigten Beispieldatensatz und stocken, sobald sie auf den echten Daten arbeiten. Eine Datenplattform sorgt dafür, dass eine Anwendung auf den echten Daten laufen kann.

Nicht immer. Ein Data Warehouse ist eine zentrale Datenbank, in der Daten aus verschiedenen Systemen gesammelt und für Reporting und Analyse bereinigt werden, meist mit periodischer Aktualisierung. Das ist wertvoll für Trends über mehrere Jahre und Systeme. KI, die in einem Prozess arbeitet, braucht vor allem aktuelle Daten aus den Systemen, in denen die Arbeit passiert, und dafür sind Schnittstellen wichtiger. Beginnen Sie deshalb mit den Schnittstellen für den Prozess, den Sie verbessern wollen, und ergänzen Sie ein Data Warehouse, wenn die Analysefrage es verlangt.

Single Source of Truth bedeutet, dass jede Information einen führenden Ort hat. Kundendaten kommen aus dem CRM, Rechnungsdaten aus der Buchhaltung, und andere Systeme lesen von dort, statt eine eigene Kopie zu führen. Es bedeutet nicht, dass alle Daten in einem System liegen. Bei EVOKE ist das ERP-System AFAS die Quelle: Eine einheitliche Datenschicht auf AFAS liefert eine Version der Wahrheit in den Zahlen.

Datenmanagement umfasst alles, was nötig ist, damit Daten im Unternehmen verfügbar, korrekt und geschützt sind: Erfassung, Speicherung, Integration, Qualitätssicherung, Zugriffsrechte und Archivierung. Für KI zählt vor allem, dass die Daten eines Prozesses verbunden, aktuell und eindeutig sind. Im Mittelstand beginnt gutes Datenmanagement deshalb nicht mit einem Großprojekt, sondern mit dem Prozess, in dem KI zuerst arbeiten soll.

Data Governance ist die Gesamtheit der Vereinbarungen dazu, wem welche Daten gehören, wie sie definiert sind, wer sie sehen oder ändern darf und wie lange Sie sie aufbewahren. Im Mittelstand ist das kein Gremium und kein dickes Regelwerk, sondern einige klare Vereinbarungen: eine verantwortliche Person je Bereich wie Kunden, Finanzen und Projekte, feste Definitionen, Zugriffsrechte und Aufbewahrungsfristen im Einklang mit der DSGVO. Kommt KI ins Spiel, legen Sie außerdem fest, welche Daten eine KI-Anwendung nutzen darf.

Stammdatenmanagement, englisch Master Data Management (MDM), ist die Pflege Ihrer Kerndaten: Kunden, Produkte, Lieferanten und Mitarbeitende. Ziel ist, dass diese Daten in jedem System gleich, vollständig und aktuell sind. Dazu legen Sie je Art von Kerndaten fest, welches System führend ist, wer Änderungen vornehmen darf und wie diese Änderungen in die anderen Systeme fließen. Ein mittelständisches Unternehmen braucht für den Anfang meist keine eigene MDM-Plattform; Schnittstellen und klare Vereinbarungen lösen das meiste.

Eine Datenstrategie legt fest, welche Daten ein Unternehmen wofür braucht, wo sie entstehen, wer verantwortlich ist und wie sie genutzt werden dürfen. Sie verbindet die Unternehmensziele mit Entscheidungen zu Systemen, Schnittstellen, Datenqualität und Data Governance. Im Mittelstand reicht oft eine kurze Datenstrategie, die von den wichtigsten Prozessen ausgeht und festhält, welche Daten KI dort braucht.

Datenarchitektur ist der Entwurf dafür, wie Daten durch Ihr Unternehmen fließen: welche Systeme es gibt, welches System für welche Daten führend ist, wie sie verbunden sind und woher Reporting und KI ihre Daten beziehen. Ihr Wert liegt in den Entscheidungen, die sie erzwingt: keine doppelte Erfassung, keine widersprüchlichen Zahlen und ein klarer Platz für jede neue Anwendung.

Ein Data Warehouse sammelt Daten für Reporting und Analyse über längere Zeiträume. Eine Integrationsschicht lässt Systeme aktuelle Daten austauschen, sodass Prozesse ohne Abtippen laufen. Ein AI Operating System ist eine KI-Schicht über Ihren Systemen, die Daten liest, Fragen in natürlicher Sprache beantwortet und Arbeit übernimmt. Sie schließen einander nicht aus: Die Schnittstellen bilden meist die Basis, das AIOS baut darauf auf, und ein Data Warehouse kommt dazu, wenn die Analysefrage es verlangt.

Datengetrieben arbeiten heißt, dass Entscheidungen und Prozesse auf aktuellen, verlässlichen Daten beruhen statt auf Bauchgefühl oder den Zahlen vom letzten Monat. Das beginnt nicht mit einem Dashboard, sondern mit Daten, die stimmen: verbundene Systeme, eine Quelle für jede Information und eine verantwortliche Person, die die Qualität überwacht. Von dort aus lassen Sie Schritt für Schritt mehr auf diesen Daten laufen, von Berichten, die niemand mehr von Hand erstellt, bis zu KI, die Fragen beantwortet und Arbeit übernimmt.

Das hängt von der Zahl der Systeme und dem Zustand der Daten ab. Ein KI-Audit zeigt in 14 Tagen, welche Daten und Schnittstellen der erste Prozess braucht. Eine Schnittstelle zwischen zwei Systemen mit guten APIs läuft oft innerhalb weniger Wochen. Eine Integrationsschicht über mehrere Systeme bauen wir in Phasen auf, und jede Phase liefert bereits etwas. Es ist also kein mehrjähriges Programm, bevor irgendetwas funktioniert.

Das hängt von der Zahl der Systeme ab, davon, wie gut sie sich anbinden lassen, und davon, wie viel bereinigt werden muss. Wir arbeiten in Schritten mit festem Umfang und Preis je Schritt, meist beginnend mit einem KI-Audit. In einem unverbindlichen Erstgespräch erhalten Sie eine Einschätzung für Ihr Unternehmen.