Keine verlässliche KI ohne Datenfundament : Wo anfangen, von der Zentrale bis zu den Tochtergesellschaften.

Das Szenario ist bekannt. Eine Geschäftsleitung startet ein KI-Projekt zu einem vielversprechenden Anwendungsfall. Der Prototyp funktioniert auf einer sorgfältig vorbereiteten Stichprobe. Dann kommt die Skalierung und mit ihr die echten Daten : doppelte Kundenstammdaten zwischen Zentrale und Tochtergesellschaften, Artikel, die von Land zu Land unterschiedlich codiert sind, Kostenrechnungshierarchien, die dreimal geändert wurden, ohne dass jemand dokumentiert hätte, warum. Das Modell irrt sich nicht ; es lernt getreu die Unordnung, die man ihm gibt. Und das Projekt endet dort, wo das Vertrauen in die Zahlen schon vorher endete.

Das Datenfundament – was der Begriff umfasst.

Der Begriff ist so geläufig geworden, dass er am Ende nichts mehr bezeichnet. Für uns besteht ein Datenfundament aus drei untrennbaren Schichten.

Das Datenmodell. Eine gemeinsame Definition der Objekte, die zählen : der Kunde, das Produkt, der Lieferant, der Standort, die Kostenstelle. Nicht ihre technische Struktur, sondern ihre fachliche Bedeutung : Was ist ein aktiver Kunde, ab wann ist ein Auftrag ein Verkauf, welche Produkthierarchie ist für das Konzernreporting maßgeblich. Solange diese Fragen je nach Fragestellendem mehrere Antworten haben, wird kein Werkzeug sie in Einklang bringen.

Die Governance. Benannte Verantwortliche für jeden Stammdatenbereich, Regeln für Anlage und Änderung, Qualitätskontrollen, die bei den Verantwortlichen landen und nicht in einem anonymen Postfach. Governance ist kein weiteres Gremium ; sie ist die Antwort auf eine einfache Frage : Wenn ein Datum falsch ist, wer korrigiert es, und wer entscheidet, was richtig ist ?

Die Plattform. Erst danach kommt die Werkzeugausstattung : dort, wo die Daten konsolidiert, historisiert und der Analyse und den Modellen zugänglich gemacht werden. Es ist die sichtbarste und paradoxerweise die am wenigsten entscheidende Schicht. Eine gute Plattform auf einem schlechten Modell erzeugt schöne, falsche Dashboards.

Business Data Cloud, Datasphere, SAC : eine Architektur, kein Katalog.

Das SAP-Ökosystem bietet heute eine kohärente Kette für dieses Fundament. SAP Datasphere übernimmt die Rolle der semantischen und Integrationsschicht : Dort nimmt das Datenmodell Gestalt an, dort werden SAP- und Nicht-SAP-Quellen abgeglichen, dort werden fachliche Definitionen zu wiederverwendbaren Objekten. SAP Analytics Cloud trägt Analyse, Planung und Darstellung. Business Data Cloud, jüngeren Datums, will diese Bausteine um vorbereitete Datenprodukte vereinen und den Weg zu KI-Anwendungsfällen auf gesteuerten Daten öffnen.

Unsere Position ist differenziert. Diese Werkzeuge sind gut, und ihre Integration in den S/4HANA-Kern ist ein echter Vorteil : Die Semantik der Unternehmensdaten kommt mit ihnen, statt von Hand rekonstruiert zu werden. Aber kein Werkzeug ersetzt die Definitionsarbeit. Wir haben Plattformen gesehen, die in wenigen Monaten ausgerollt wurden und leer an Bedeutung blieben, weil niemand entschieden hatte, was ein Kunde ist. Und wir haben Konzerne gesehen, deren wesentlicher Wert aus Modell- und Governance-Arbeit stammte, die noch vor der Wahl der Plattform geleistet wurde. Die richtige Reihenfolge ist diese : definieren, steuern, dann ausstatten. Das Gegenteil ist teuer und enttäuscht.

Eine Datenplattform wählt man zuletzt. Was sie füllt – das Modell und die Governance – wird zuerst entschieden, und zwar auf Ebene der Geschäftsleitung.

Das Dashboard ist der letzte Schritt.

Das ist die kontraintuitivste Überzeugung, und diejenige, die wir am entschiedensten verteidigen. Datenprojekte beginnen fast immer mit der Darstellung : Eine Leitung will „ihr“ Dashboard, und das Projekt wird rückwärts aufgebaut, um es zu füllen. Das Ergebnis ist ein Dashboard, das Zahlen zeigt, die niemand erklären kann, angefochten in der ersten Sitzung, in der zwei Abteilungen zwei Versionen derselben Kennzahl mitbringen.

Ein Dashboard ist kein Projekt ; es ist das sichtbare Ergebnis eines unsichtbaren Fundaments. Wenn das Modell geteilt wird, wenn die Governance steht, wenn die Plattform abgeglichene Daten bereitstellt, wird das Dashboard fast trivial zu erzeugen – und vor allem wird ihm geglaubt. Dieselbe Regel gilt für die KI : Ein Agent, der einen Nachschub auf Basis eines Bestands empfiehlt, den drei Systeme unterschiedlich bewerten, empfiehlt nichts. Er verbreitet eine Inkonsistenz mit Selbstsicherheit.

Das heißt nicht, dass man Jahre warten muss, bevor man irgendetwas zeigt. Es heißt, dass das erste sichtbare Ergebnis eines Datenprogramms ein enger, vollständig verlässlicher Umfang sein muss – und kein breiter, ungefährer. Eine richtige, erklärte Kennzahl, die die Geschäftsleitung wirklich nutzt, ist mehr wert als eine Wand aus Bildschirmen.

Von der Zentrale bis zu den Tochtergesellschaften : das eigentliche Terrain der Governance.

Für marokkanische und afrikanische Konzerne nimmt die Frage des Datenfundaments eine besondere Form an. Die Zentrale will eine konsolidierte Sicht ; jede Tochtergesellschaft hat ihre Systeme, ihre Codierungen, ihre lokalen Pflichten, manchmal ihre Währung und ihre Arbeitssprache. Die Versuchung ist, alles per Dekret zu vereinheitlichen – oder aufzugeben und von Hand in Tabellen zu konsolidieren. Beides scheitert.

• Ein gemeinsames Modell mit expliziten lokalen Erweiterungen. Der Konzern definiert den Kern, die Objekte und Hierarchien, die überall vergleichbar sein müssen. Jede Tochtergesellschaft behält, was ihr eigen ist, in als solche gekennzeichneten Attributen und nicht in zweckentfremdeten Feldern.
• Eine föderierte Governance. Datenverantwortliche in der Zentrale für den Kern, in den Tochtergesellschaften für das Lokale, und eine Schiedsinstanz, die Definitionskonflikte entscheidet. Ohne Schiedsrichter driften die Definitionen in wenigen Monaten wieder auseinander.
• Ein Rollout in Wellen, Tochtergesellschaft für Tochtergesellschaft, beginnend mit derjenigen, in der die Daten am reifsten und die Leitung am engagiertesten ist. Der erste Erfolg dient den folgenden als Modell und Beweis.
• Die Einhaltung des lokalen Rechts zu personenbezogenen Daten, Land für Land, von Anfang an ins Modell integriert : Welche Daten dürfen konsolidiert werden, in welcher Form, und welche müssen in ihrem Land bleiben.

Das ist Arbeit, die aus der Region heraus geleistet wird, mit Teams, die die Systeme der Tochtergesellschaften und die Zwänge jedes Landes kennen. Es ist auch diejenige, die alles Weitere möglich macht : die verlässliche Konsolidierung, die Planung und die KI-Anwendungsfälle, die wir in unserem Standpunkt zur Unternehmens-KI im SAP-Ökosystem beschreiben. Das KI-Kompetenzzentrum in Casablanca beginnt übrigens fast immer dort : Wenn die Daten nicht bereit sind, sagen wir es, und wir beginnen mit ihnen.

Das Wesentliche

Eine mit inkonsistenten Daten gefütterte KI liefert überzeugende und falsche Ergebnisse. Das Datenfundament geht jedem Anwendungsfall voraus.

Die Reihenfolge

Das Datenmodell definieren, die Governance einrichten, dann mit Datasphere, SAP Analytics Cloud und Business Data Cloud ausstatten. Nie umgekehrt.

Das Dashboard

Letzter Schritt, nicht Ausgangspunkt. Ein enger und vollständig verlässlicher Umfang ist mehr wert als eine Wand aus ungefähren Bildschirmen.

Die Tochtergesellschaften

Gemeinsamer Kern und explizite lokale Erweiterungen, föderierte Governance mit Schiedsrichter, Rollout in Wellen, lokales Recht Land für Land eingehalten.

Zum Weiterlesen : unser Angebot Data & Analytics, das KI-Kompetenzzentrum, das auf diesem Fundament aufbaut, und unser Ansatz vom Scoping bis zur Umsetzung.