Intelligente Daten statt Datenchaos

Smart Data & Processes: Der neue Fachbereich am Mittelstand-Digitalzentrum Franken

Die digitale Transformation stellt mittelständische Unternehmen vor besondere Herausforderungen: Wie lassen sich die Möglichkeiten der künstlichen Intelligenz nutzen, ohne dabei den Anschluss an das Tagesgeschäft zu verlieren? Wie werden aus Datenmengen echte Erkenntnisse? Und wo fängt man überhaupt an?
Genau hier setzt der neue Fachbereich Smart Data & Processes am Mittelstand-Digital Zentrum Franken an. Wir beschäftigen uns mit allem, was neueste KI-Systeme und Methoden im Bereich Smart Data & Processes für KMU an Mehrwert bieten. Unser Fokus liegt auf folgenden Bereichen:

• KI-Kompetenzen für den Mittelstand: Praxisnahes Wissen, das direkt anwendbar ist
• KI-basiertes Daten- und Prozessmanagement: Von der Strategie bis zur Umsetzung
• Normung und Standards im KI-Bereich: Orientierung und Rechtssicherheit für KMU

Mit diesem Blogbeitrag geben wir Ihnen einen ersten Einblick in einen zentralen Aspekt unserer Arbeit: Wie intelligentes Datenmanagement funktioniert und welche konkreten Vorteile es für Ihr Unternehmen bringen kann. [2]

CRISP-DM: Der bewährte Wegweiser für Datenprojekte

CRISP-DM steht für Cross Industry Standard Process for Data Mining und ist seit über 20 Jahren der weltweit etablierte Standard für Datenprojekte. Diese bewährte Methodik macht Data Mining systematisch und nachvollziehbar – egal ob im Marketing, in der Produktion oder im Gesundheitswesen. Das Besondere: CRISP-DM ist branchenunabhängig, praxiserprobt und strukturiert komplexe Datenprojekte in sechs überschaubare Phasen:

1. Business Understanding – Aufgabenverständnis
2. Data Understanding – Datenverständnis
3. Data Preparation – Datenvorbereitung
4. Modeling – Modellierung
5. Evaluation – Bewertung
6. Deployment – Bereitstellung
    

Der iterative Charakter des Modells erlaubt es, flexibel auf neue Erkenntnisse zu reagieren – ein entscheidender Vorteil für KMU, die agil arbeiten müssen.

Business Understanding: Das Fundament jedes erfolgreichen Datenprojekts - Warum der erste Schritt der wichtigste ist

Studien zeigen [1]: Über 60% aller gescheiterten Datenprojekte scheitern nicht an der Technologie, sondern an unklaren Zielsetzungen. Das Business Understanding ist die kritische erste Phase im CRISP-DM-Modell. Hier werden die Weichen für alles, was folgt, gestellt. Ein gründliches Aufgabenverständnis bildet das Fundament jedes erfolgreichen Datenprojekts. Es klärt, welches
geschäftliche Problem tatsächlich gelöst werden soll, und definiert messbare Erfolgskriterien statt vager Hoffnungen. Zudem identifiziert es verfügbare Ressourcen und Einschränkungen, schafft Klarheit bei allen Beteiligten über Ziele und Erwartungen und vermeidet so kostspielige Fehlentwicklungen von Anfang an. [1]

eigene Darstellung

Die vier Säulen des Aufgabenverständnisses

1. Geschäftsziele definieren Beginnen Sie mit konkreten geschäftlichen Zielen: Kostenreduktion um X%, Zeitersparnis bei Prozess Y, Verbesserung der Kundenzufriedenheit, Reduktion von Ausschuss oder Optimierung des Ressourceneinsatzes.
2. Situationsanalyse durchführen Verstehen Sie Ihren Ist-Zustand: Welche Daten haben wir bereits? Welche Ressourcen stehen zur Verfügung? Welche Einschränkungen gibt es? Was haben wir bereits versucht?
3. Erfolgskriterien festlegen: Definieren Sie messbare KPIs – woran erkennen wir Erfolg? Welche quantitativen Ziele setzen wir? Bis wann sollen Ergebnisse vorliegen?
4. Projektplan erstellen Strukturieren Sie das Vorhaben: Welche Phasen durchlaufen wir? Wer ist wofür verantwortlich? Welche Meilensteine setzen wir?

Vom Geschäftsproblem zum Datenproblem: Die Übersetzungsarbeit

Die größte Herausforderung besteht darin, geschäftliche Fragestellungen in datenanalytische Aufgaben zu übersetzen. Denn ohne diese Übersetzung bleiben Daten nur Zahlen – erst die richtige Fragestellung macht aus Rohdaten verwertbare Erkenntnisse, auf deren Basis Unternehmen konkrete Maßnahmen ableiten und strategische Entscheidungen treffen können.

Beispiel:
 

Geschäftsproblem: "Wir haben zu viele Retouren in unserem Onlineshop"

Falsche Fragestellung: "Können wir Retouren mit KI vorhersagen?"
 

Richtige Fragestellungen:

• Welche Produktkategorien haben die höchsten Retourenquoten?
• Gibt es Muster bei Kunden, die häufig retournieren?
• Korrelieren Retourengründe mit Produktbeschreibungen?
• Gibt es saisonale Muster?
   

Der Unterschied: Die falsche Frage führt zu einem technischen Projekt ohne klaren Mehrwert. Die richtigen Fragen
führen zu konkreten, handelbaren Erkenntnissen

Praxistipp: Die “5-Why-Methode”

Problem: Hohe Energiekosten

1.  Warum? Maschinen laufen außerhalb der Produktionszeiten
2. Warum? Keine automatische Abschaltung bei Leerlauf
3. Warum? Wir können nicht erkennen, wann Maschinen gebraucht werde
4. Warum? Keine Transparenz über Produktionsabläufe
5. Warum? Produktions- und Energiedaten sind nicht verknüpft

Ergebnis: Das Datenprojekt muss Produktions- und Energiedaten zusammenführen und visualisieren – eine viel
klarere Aufgabe als "Energiekosten senken".

Nachhaltigkeit durch kluge Datennutzung 

Gut durchdachte Datenprojekte fördern automatisch nachhaltigere Geschäftsprozesse. Warum? Weil Transparenz der erste Schritt zur Optimierung ist.

Beispiele aus der Praxis:
 

• Materialwirtschaft: Ein Handwerksbetrieb analysiert Materialeinkäufe. 15% der Materialien werden nie verwendet. Durch bessere Bedarfsprognosen sinkt die Verschwendung um 60%.
• Energiemanagement: Ein Produktionsbetrieb verknüpft Maschinendaten mit Produktionsplänen. Die Analyse zeigt unbemerkte Leerlaufzeiten. Allein durch intelligente Maschinenbelegung sinkt der Energieverbrauch um 20%.
• Logistikoptimierung: Ein Lieferservice kombiniert Auftragsdaten mit Verkehrs- und Wetterdaten. Optimierte Routen sparen 25 % Kraftstoff und reduzieren die Lieferzeiten.
   

Der Zusammenhang: Alle diese Erfolge beginnen mit einem klaren Aufgabenverständnis. Die Unternehmen haben nicht gefragt: "Wie werden wir nachhaltiger?", sondern "Wo verschwenden wir Ressourcen?" – eine konkrete, datenanalytisch beantwortbare Frage.[4]

Häufige Fehler und wie Sie sie vermeiden

Ein häufiger Fehler ist es, einfach loszulegen ohne klares Ziel – doch ohne Richtung wird jeder Weg zum Irrweg. Investieren Sie stattdessen 20 % der Projektzeit in die Business-Understanding-Phase, diese Zeit holen Sie mehrfach wieder rein. Ebenso problematisch ist der Ansatz "Technologie zuerst": "Wir brauchen eine KI" ist eine Lösung ohne Problem. Beginnen Sie immer mit der Geschäftsfrage, denn die Technologie ist das Werkzeug, nicht das Ziel. Viele Teams verfallen zudem dem Perfektionismus von Anfang an. Definieren Sie stattdessen ein Minimum Viable Product (MVP) und fragen Sie sich: Was ist die einfachste Version, die bereits Mehrwert liefert? Starten Sie damit und iterieren Sie. Schließlich werden oft die Stakeholder vergessen. Binden Sie alle relevanten Akteure von Anfang an ein – nur wenn Geschäftsführung, Fachabteilungen, IT und Betriebsrat an einem Strang ziehen, kann das Projekt erfolgreich sein. [4]