Daten sind das Wasser auf den Mühlen von Künstlicher Intelligenz. Liegen Daten nicht in ausreichender Qualität und Quantität vor, bringt auch der Einsatz KI-gesteuerter Chatbots wenig. Florian Disson, Managing Director Germany von Solita, nennt die drei Grundregeln, die für eine verbesserte Datenqualität sorgen.
Wer je versucht hat, mit dem digitalen Assistenten auf der Webseite eines Unternehmens eine vernünftige Unterhaltung zu führen, dürfte enttäuscht worden sein. Sicher sind die Chatbots in der letzten Zeit besser geworden. Falsche oder unpräzise Antworten und Kommunikationsabbrüche sind aber noch immer an der Tagesordnung.
Wenn dies der Stand der künstlichen Intelligenz (KI) in der Unternehmenswelt von heute ist, dann liegt noch eine weite Wegstrecke vor uns. Man muss jedoch genauer hinschauen, wo das eigentliche Problem liegt. Und es hängt eben nicht ausschließlich an der KI.
Welche Ergebnisse die KI liefert, steht und fällt vielmehr mit der Datenverwaltung im Vorhinein. Wenn das Stammdatenmanagement des Unternehmens nicht auf dem neuesten Stand ist, darf man am Ende kein brauchbares Ergebnis erwarten.
Was soll eine KI-Engine auch tun, die Daten aus verschiedensten Quellen im Backend erhält, die in keinster Weise aufeinander abgestimmt sind und wo die Anwendungen nicht untereinander kommunizieren? Sie erhält schlicht und ergreifend unvollständige oder falsche Daten, die in der Folge automatisch zu falschen oder unpräzise Antworten führen.
Das Problem ist unzureichendes Datenmanagement
Verschiedene Personen füttern im Hintergrund eine Datenkrake, wobei jeder Arm (= Anwendung) unterschiedliche Daten und Formate erhält. So ist Chaos vorprogrammiert und die Kontrolle entgleitet, da sich die einzelnen Anwendungen untereinander nicht abstimmen. Eine KI, die Entscheidungen auf der Basis inkonsistenten Datenmaterials trifft, kann also keine sinnvollen Aussagen treffen.
Dabei sind es im Wesentlichen nur drei Grundregeln, die es zu beachten gilt, um das Fundament eines guten Datenmanagements zu legen und damit die Voraussetzung zu schaffen für das Funktionieren von KI.
- Data Scientists müssen raus in die Praxis
In dem Maße, wie Daten angesichts ihrer schieren Menge in den vergangenen Jahren an Bedeutung gewonnen haben, betrachten viele Menschen in Unternehmen ihr Handling inzwischen als eine Kernaufgabe. So prosperiert das Berufsfeld der Data Scientists. Kurioserweise sind diese nur selten an der Kernentwicklung neuer Anwendungen beteiligt, bei denen Daten eine wichtige Rolle spielen.
Der Grund: Data Scientists sind oft Teil der IT- oder Business-Intelligence-Abteilung. Vielmehr sollte ihre Rolle aber auch in Vertrieb, Marketing oder Finanzwesen verankert werden. Dies fördert ihre Kommunikation untereinander und sie können andere Abteilungen mit ihren Erkenntnissen bereichern.
Erst dann ist sichergestellt, dass ein gemeinsamer Backlog vorliegt, eine Datenfreigabe eingerichtet wird und alle mit demselben Datenmaterial arbeiten. APIs und Datentools sorgen dafür, dass jede Anwendung über die richtigen Daten verfügt.
- IT und Fachabteilung an einen Tisch setzen
Künstliche Intelligenz technisch zum Laufen zu bringen, ist vom Grunde her einfach. Alle Daten müssen dafür der KI-Engine übergeben werden. Problem in der Praxis: Die für die Datenanlieferung verantwortlichen Personen aus IT und Fachabteilungen sitzen selten gemeinsam an einem Tisch.
Nur aber wenn sie zusammenarbeiten und sich gegenseitig verstehen, lässt sich überhaupt erst ein gemeinsames Verständnis für das Datenmanagement im Hinblick auf eine funktionierende KI entwickeln. Dafür muss man sich einen Überblick über alle Systeme und Bedürfnisse verschaffen und sie miteinander verknüpfen.
Datenmanagementsysteme sollten deshalb über ein Ampelsystem verfügen. Jedes darin aufgelistete System erhält eine Farbe: Rot bedeutet, dass die Daten für andere Tools nicht verfügbar sind, gelb, dass sie in verschiedenen Systemen liegen, und grün steht für Daten, die in Echtzeit verfügbar und skalierbar sind.
Damit KI funktioniert, bedarf es genau dieser Übersicht. Sonst nämlich passiert folgendes: Mit viel Ambitionen wird ein KI-basierter Chatbot für die automatisierte Kundenbetreuung eingeführt, nur weiß dieser gar nicht, ob der Kunde in der Vergangenheit überhaupt bereits einmal etwas gekauft hat.
Investitionen in KI sind immer strategisch. Man kann damit keine strategischen Lücken, sprich Mängel in der Datenqualität, schließen. Liegen diese vor, wird der Kundendienst auch durch Einführung eines Chatbots nicht besser. Deshalb sind Daten das Wasser auf den Mühlen von KI. Sie ermöglichen bessere Kundenerfahrungen erst dann, wenn sie in Qualität und Quantität dort vorliegen, wo sie Nutzen stiften können.
- Single Point of Truth über eine Datendrehscheibe schaffen
Wer den vorigen Schritt geht, stellt Daten bereits automatisch in den Mittelpunkt der Unternehmensstrategie und -architektur. Beginnen sollte man mit dem Stammdatenmanagement. Kunden- und Kontaktdaten, Verträge, Beschäftigtendaten gehören in eine intelligente Datendrehscheibe wie beispielsweise eine XDM-Plattform.
XDM bedeutet konkret: Master Data Management, Application Data Management und Collaborative Data Governance sind in einer agilen Plattform vereint – einem Intelligent Data Hub. Dadurch kann man Datenmodelle, Mappings und Anwendungen an zentraler Stelle entwerfen sowie implementieren und Datenmanagement-Initiativen ganzheitlich durchführen.
Nicht mehr x-verschiedene Datenzulieferer und Datentool-Anbieter also, die jeder ihr eigenes Süppchen kochen, sondern alle führen ihre Daten in einem zentralen Pool zusammen. Sollen Initiativen für künstliche Intelligenz Früchte tragen, ist es ein solcher Wandel in der unternehmerischen Denkweise unabdingbar. Er stellt die Daten in den Mittelpunkt des Geschäfts- und IT-Managements. Damit der Chatbot am Ende sinnvolle Antworten gibt!