Zum Hauptinhalt springen
FromNine
Menü

KI & Daten

Daten, auf die sich KI und Entscheidungen stützen können.

Unsere Datenplattformen geben jedem Datensatz einen Verantwortlichen, einen Vertrag und eine bekannte Qualität. Reporting, Betrieb und KI greifen damit auf dieselben verlässlichen Zahlen zu, ob in der Zentrale in Luxemburg oder in der Tochtergesellschaft jenseits der Grenze.

Für Gruppen und öffentliche Stellen in Luxemburg, deren Daten über mehrere Gesellschaften, Länder und gewachsene Systeme verteilt sind.

Projekt anfragenWissenszugang ansehen
Daten & Analytics: die BausteineVier gestaffelte Ebenen: obenauf Auswertungen und KI, die Daten nutzen, darunter Datenprodukte mit Verantwortlichen und Verträgen, dann die Lakehouse-Schichten, in denen Daten bereinigt und vereinheitlicht werden, und als Klammer um alles die Governance.01Nutzung durch Reporting und KI02Datenprodukte und Verträge03Lakehouse-Schichten04Governance und Datenherkunft
  1. 01Datenprodukte mit namentlich benannten Verantwortlichen, Datenverträgen und Qualitätsprüfungen
  2. 02Governance, die Zweckbindung und Löschfristen technisch umsetzt, statt nur einen Katalog zu führen
  3. 03Eine gemeinsame Definition jeder Kennzahl, unterschrieben von Fachbereich und IT

01 Probleme

Bekannte Datenprobleme

Hinter den meisten enttäuschenden KI-Projekten steckt in Wahrheit ein Datenproblem.

  1. 01

    Drei Berichte, drei Zahlen

    Finanzabteilung, operatives Geschäft und Verwaltungsrat rechnen Umsatz oder Fallzahlen jeweils auf ihre Art. Jede Sitzung beginnt mit Abgleichen statt mit Entscheiden.

  2. 02

    Die Daten gehören niemandem, also repariert sie niemand

    Fehler fallen erst am Ende der Kette auf, werden in einer Excel-Tabelle korrigiert und sind im nächsten Monat wieder da.

  3. 03

    Das KI-Team sucht mehr nach Daten, als es entwickelt

    Bevor ein Anwendungsfall beginnen kann, vergehen Wochen mit Zugriffsanfragen, Exporten und Aufräumarbeit, und das nächste Team fängt damit wieder bei null an.

  4. 04

    Archive taugen nicht für KI

    Gescannte Dokumente mit schwacher Texterkennung, Dubletten, keine Metadaten, dazu Französisch und Deutsch bunt gemischt. Eine Suche darüber liefert vor allem Rauschen.

02 Leistungsumfang

Was wir liefern

  1. 01 Daten­fundamente für KI und Reporting

    Ein Lakehouse, in dem Daten Stufe für Stufe reifen, vom unveränderten Eingang über eine bereinigte, einheitliche Fassung bis zur Bereitstellung. Darauf setzen Datenprodukte auf, die angeben, was drinsteckt, wann sie zuletzt aktualisiert wurden und wer dafür einsteht.

    Was wir tun

    • Plattformarchitektur und Wahl der Speicherformate
    • Konventionen für die Modellierung je Schicht
    • Entwurf von Datenprodukten samt Datenverträgen
    • Ladestrecken per Batch und Change Data Capture

    Was Sie erhalten

    • Lakehouse-Plattform, vollständig als Code beschrieben
    • Erste Datenprodukte im Betrieb
    • Vorlage für Datenverträge und ein Prüfverfahren dafür

  2. 02 Qualität, Herkunft und Stammdaten

    Jede Stufe prüft die Qualität automatisch, jede Zahl im Bericht lässt sich bis zur Quelle zurückverfolgen, und für die zentralen Objekte, also Bürgerinnen und Bürger, Kunden, Produkte und Anlagen, gibt es gepflegte Stamm- und Referenzdaten.

    Was wir tun

    • Qualitätsregeln mit Schwellenwerten und Alarmen
    • Erfassung der Datenherkunft bis auf Spaltenebene
    • Abgleich von Stammdaten und Regeln für den gültigen Datensatz
    • Pflege von Referenzdaten

    Was Sie erhalten

    • Qualitäts-Dashboard je Datenprodukt
    • Abfragbare Datenherkunft
    • Bereinigte Stammsätze für die wichtigsten Objekte

  3. 03 Governance, die greift

    Katalog, Klassifizierung und Zugriffsregeln, die die Plattform selbst durchsetzt. Zweckbindung und Löschfristen nach DSGVO sind technisch hinterlegt, und wo der Data Governance Act gilt, folgt der Datenaustausch seinen Vorgaben.

    Was wir tun

    • Klassifizierungsschema und Kennzeichnung
    • Zugriffsregeln auf Basis von Attributen
    • Automatisierte Aufbewahrung und Löschung
    • Vereinbarungen zum Datenaustausch mit technischen Kontrollen

    Was Sie erhalten

    • Katalog, der sich aus der Plattform befüllt
    • Zugriffsregeln als Code
    • Löschkonzept im laufenden Betrieb

  4. 04 Unstrukturierte Inhalte für KI aufbereiten

    Bessere Texterkennung, angereicherte Metadaten, entfernte Dubletten und aufgeräumte Archive, damit Dokumentenverarbeitung und Suchsysteme auf Inhalten aufsetzen, die sich zu finden lohnen.

    Was wir tun

    • Bestandsaufnahme der Inhalte und Qualitätsstichproben
    • Verbesserung von OCR und Layouterkennung
    • Erkennung von Beinahe-Dubletten
    • Anreicherung mit Metadaten und Klassifizierung, auch nach Sprache

    Was Sie erhalten

    • Bereinigter, angereicherter Inhaltsspeicher
    • Bericht zur Inhaltsqualität
    • Regeln für alle Inhalte, die ab jetzt hinzukommen

  5. 05 Reporting und BI, die genutzt werden

    Kennzahlen, deren Definition Fachbereich und IT gemeinsam unterschrieben haben, liegen in einer semantischen Schicht. Darauf bauen geregelter Self-Service und Auswertungen auf, die direkt in Ihren SaaS-Produkten und Portalen erscheinen.

    Was wir tun

    • Workshops zur Definition der Kennzahlen
    • Semantisches Modell und Kennzahlenschicht
    • Leitplanken für Self-Service und zertifizierte Datensätze
    • Eingebettete Auswertungen in Produkten für Ihre Kunden

    Was Sie erhalten

    • Kennzahlenglossar mit Verantwortlichen
    • Zertifiziertes semantisches Modell
    • Dashboards, die Excel-Listen ablösen

  6. 06 Streaming für den laufenden Betrieb

    Change Data Capture und Ereignisströme dort, wo eine Entscheidung nicht bis zur nächtlichen Ladung warten kann: Lagerbestände, Bearbeitungsstand von Dossiers, Hinweise auf Betrug.

    Was wir tun

    • Anforderungen an die Latenz je Anwendungsfall
    • CDC aus operativen Datenbanken
    • Stream-Verarbeitung und materialisierte Sichten
    • Konzept für Wiederholung und Nachladen

    Was Sie erhalten

    • Streaming-Strecken im Betrieb
    • Operative Sichten mit Aktualitätszielen
    • Ablauf für das erneute Einspielen

03 Architektur

Eine Referenz­architektur zur Veranschaulichung

Aus operativen Systemen und Dokumenten fließen Daten über die Ladestrecken in ein Lakehouse mit drei Stufen: roh, wie geliefert; vereinheitlicht und geprüft; schließlich Datenprodukte mit Verantwortlichem und Vertrag. Rohdaten liest kein Abnehmer direkt.

Aus den Datenprodukten bedienen sich das Reporting über die semantische Schicht, die KI mit Suche und Merkmalen und andere Systeme über Daten-APIs. Darunter wirkt die Governance, umgesetzt durch die Plattform und nicht bloß beschrieben in einem Richtliniendokument.

Beispiel zur Veranschaulichung

  1. Quellen und Laden

    • Operative Systeme
    • Dokumente nach OCR und Anreicherung
    • Batch und Change Data Capture

  2. Lakehouse

    • Rohschicht
    • Vereinheitlichte Schicht
    • Qualitätsprüfung und Herkunft
    • Stamm- und Referenzdaten
    • Datenprodukte mit Verträgen

  3. Nutzung

    • Semantische Schicht und BI
    • KI-Suche und Merkmale
    • Daten-APIs und Austausch

  4. Governance

    • Governance: Katalog, Klassifizierung, Zugriffsregeln, Aufbewahrung
Von den Lakehouse-Schichten zu Daten­produkten mit Verantwortlichen

Veranschaulichende Architektur, kein Kundensystem.

Diagramm als Text lesen

Von den operativen Systemen gelangen Daten per Batch und Change Data Capture in die Rohschicht, weiter in die vereinheitlichte Schicht und von dort in Datenprodukte, die eine semantische Schicht mit geregeltem BI speisen.

Auch Dokumente gelangen in die Ladestrecken, sobald Texterkennung und Anreicherung durchlaufen sind. Roh- und vereinheitlichte Schicht werden auf Qualität geprüft, ihre Herkunft wird erfasst. In die Datenprodukte fließen außerdem Stamm- und Referenzdaten; die Produkte versorgen wiederum KI-Suche, KI-Merkmale und Daten-APIs für den Austausch mit Dritten.

Ein Governance-Band mit Katalog, Klassifizierung, Zugriffsregeln und Aufbewahrung zieht sich über die ganze Plattform.

04 Abwägungen und Grenzen

Technische Abwägungen und Grenzen

  • Erst die Zuständigkeit, dann das Werkzeug

    Unser Umgang damit

    Zu jedem Datenprodukt gehören zwei Rollen: jemand aus dem Fachbereich, der die Bedeutung festlegt, und jemand aus der Technik, der den Betrieb sichert. Wir beschreiben mit Ihnen beide Rollen und die Abmachung zwischen denen, die Daten liefern, und denen, die sie nutzen.

    Grenzen und Abhängigkeiten

    Zuständigkeit lässt sich nicht installieren. Benennt die Organisation keine Verantwortlichen, kehren die Qualitätsprobleme zurück, egal mit welchen Werkzeugen.

  • Zweckbindung in der Praxis

    Unser Umgang damit

    Jeder personenbezogene Datensatz ist mit den Zwecken markiert, für die er genutzt werden darf. Wer zugreifen darf und wann gelöscht wird, leitet die Plattform automatisch aus dieser Markierung ab.

    Grenzen und Abhängigkeiten

    Welche Zwecke rechtmäßig sind, entscheiden Ihr Datenschutzbeauftragter und Ihre Rechtsberatung, im Zweifel mit Blick auf die Leitlinien der CNPD. Wir setzen es um; die Entscheidung treffen wir nicht.

  • Daten für KI brauchen eigene Qualitätsmaßstäbe

    Unser Umgang damit

    Für KI-Anwendungsfälle messen wir, was Suche und Modelle brauchen: Abdeckung, Aktualität, Dubletten und die Güte der Textextraktion, getrennt nach Sprache.

    Grenzen und Abhängigkeiten

    Manche Archive lohnen die Reparatur nicht. Eine Prüfung anhand von Stichproben zeigt das, und manchmal ist es die richtige Antwort, sie außen vor zu lassen.

05 Arbeitsweise

Wie wir arbeiten

Die Plattform wächst um die ersten wichtigen Datenprodukte herum, nicht umgekehrt.

  1. 01

    Entscheidungen wählen, nicht Datensätze

    Wir beginnen mit zwei oder drei konkreten Entscheidungen oder KI-Vorhaben, ermitteln die Daten dafür und benennen, wer sie verantwortet.

    ErgebnisBacklog der Datenprodukte mit Verantwortlichen

  2. 02

    Das Fundament darum bauen

    Wir bauen Plattform, Ladestrecken, Prüfungen und Governance nur in dem Umfang, den diese ersten Produkte im Betrieb tatsächlich benötigen.

    ErgebnisErste Datenprodukte im Betrieb

  3. 03

    Produkt für Produkt wachsen

    Weitere Produkte setzen auf dasselbe Fundament auf, und mit jedem davon wachsen Katalog und Kennzahlenglossar.

    ErgebnisProdukt-Roadmap und Messung der Nutzung

06 Menschliche Kontrolle

Wo Menschen die Kontrolle behalten

Datenplattformen automatisieren Transport und Prüfung. Bedeutung, Zugriff und Zweck bestimmen Menschen.

  • Verantwortliche geben Definitionen frei

    Ändert sich die Bedeutung einer Kennzahl oder eines Datenprodukts, braucht das die Zustimmung des Fachverantwortlichen und erhält eine neue Version.

  • Zugriff vergeben die Dateneigentümer

    Über Zugriff und Verwendungszweck entscheiden die Dateneigentümer. Die Plattform hält sich daran und protokolliert jede erteilte Berechtigung.

  • Qualitätsverstöße halten die Kette an

    Verletzt eine Lieferung den Datenvertrag, erfahren die Nutzer davon sofort; die verantwortliche Person beschließt, ob die Daten trotzdem erscheinen, warten oder erst korrigiert werden.

07 Technologien

Technologien, mit denen wir arbeiten

Plattformen
  • Databricks
  • Microsoft Fabric
  • Snowflake
  • Offenes Lakehouse auf Apache Iceberg oder Delta Lake
Datenstrecken
  • dbt
  • Apache Spark
  • Kafka und Debezium
  • Cloud-native Orchestrierung
Governance
  • Unity Catalog und Purview
  • Open-Source-Kataloge
  • Frameworks für Datenqualität
  • Regelbasierte Zugriffskontrolle
Analytics
  • Power BI
  • Semantik- und Kennzahlenschichten
  • Eingebettete Auswertungen
  • SAP Analytics (bestehende Landschaften)

Eine hier genannte Technologie beschreibt unsere Erfahrung in der Entwicklung. Sie bedeutet weder eine Partnerschaft mit dem Hersteller noch dessen Empfehlung.

08 Beispiel

Ein veranschaulichendes Beispiel

Beispiel zur Veranschaulichung

Gemeinsame Kennzahlen für eine Gruppe in Luxemburg und Deutschland

01Ausgangslage
Eine Handelsgruppe mit Sitz in Luxemburg und Gesellschaften in Deutschland und Belgien. Jede Gesellschaft meldet Umschlag und Rückstand aus ihrem eigenen ERP, mit eigenen Definitionen. Die Geschäftsleitung vergleicht Zahlen, die nicht dasselbe bedeuten.
02Was wir bauen würden
Vereinheitlichte Datenprodukte je Gesellschaft, die eine gemeinsame semantische Schicht speisen. Die Kennzahlen sind auf Gruppenebene definiert, lokale Details bleiben erhalten.
03Wo Menschen entscheiden
Die Controller jeder Gesellschaft geben die Zuordnung ihrer Daten frei; die verantwortliche Person auf Gruppenebene genehmigt Definitionen und deren Änderungen.
04Was wir messen würden
Zeit bis zum fertigen Monatsbericht, Zahl der nachträglichen Abgleichskorrekturen und Nutzung der zertifizierten Dashboards.

09 Branchen

In Ihrer Branche

  • Gesundheitswesen & Life Sciences

    Forschungs- und Betriebsdaten von Krankenhäusern, Pflegeeinrichtungen und Laboren, mit strenger Zweckbindung, Pseudonymisierung und protokolliertem Zugriff.

  • Fertigung & Industrie

    Stammdaten zu Produkten und Anlagen, Qualitäts- und Fertigungsdaten zusammengeführt für Planung, Rückverfolgbarkeit und KI, auch für Zulieferer mit Kunden in Deutschland und Frankreich.

  • Staat & Gemeinden

    Daten für Ministerien, Verwaltungen und Gemeinden, die aus der maßgeblichen Quelle stammen, nur einmal erhoben werden und bis zum einzelnen Datensatz nachvollziehbar bleiben, für Entscheidungsträger ebenso wie für Prüfer.

Luxemburg

Daten über Grenzen hinweg

Eine Gruppe mit Sitz in Luxemburg hat ihre Daten selten nur hier: Tochtergesellschaften in Deutschland, Belgien oder Frankreich, Fondsstrukturen mit Dienstleistern im Ausland, Mitarbeitende mit Wohnsitz in den Nachbarländern. Die DSGVO setzt einen gemeinsamen Rahmen für personenbezogene Daten, in Luxemburg unter Aufsicht der CNPD, und der Data Act gibt Nutzern Rechte an Daten vernetzter Produkte und Dienste. Wie lange Daten aufbewahrt und wofür sie genutzt werden dürfen, wird national trotzdem unterschiedlich ausgelegt.

In jedem Datenvertrag steht, in welchem Land die Daten verarbeitet werden dürfen, wofür und bis wann. Die Plattform wendet dadurch für Luxemburg, Deutschland oder Belgien jeweils die richtige Regel an, und niemand muss für jedes Land eine eigene Kopie der Daten pflegen.

Fragen zu Daten und Analytics

Brauchen wir ein Data Mesh?

Übernehmen Sie, was daran nützt: Datenprodukte mit klaren Zuständigkeiten und Verträgen. Die volle Dezentralisierung rechnet sich erst in großen Organisationen mit erfahrenen Fachteams. Für viele Häuser ist ein zentrales Plattformteam, kombiniert mit fachlicher Zuständigkeit je Produkt, die bessere Wahl.

Sind unsere Daten bereit für KI?

Eine kurze Stichprobenanalyse der Quellen, auf die ein Anwendungsfall angewiesen ist, gibt Auskunft: Wie vollständig und sauber sind sie, wer darf zugreifen, und auf welcher Rechtsgrundlage? Fast immer lautet das Ergebnis „zum Teil“, verbunden mit einer Liste, was zuerst in Ordnung zu bringen ist. Unser KI-Engineering nutzt dieselbe Analyse.

Wir haben schon ein Data Warehouse. Fangen wir von vorn an?

In den seltensten Fällen. Liefert Ihr Warehouse belastbare Berichte, bauen wir darauf auf und ergänzen Lakehouse-Funktionen für Dokumente und große Datenmengen. Umgezogen wird nur, wenn Kosten oder technische Grenzen dafür sprechen.

Wie regeln Sie den Datenaustausch mit Partnern oder anderen Behörden?

Über Datenprodukte, die über geregelte APIs bereitstehen, mit Vereinbarungen, Zweckbindung und Protokollierung. Gelten der Data Governance Act oder der Data Act, entwerfen wir die passenden technischen Kontrollen. Für personenbezogene Daten bleibt in Luxemburg die CNPD die zuständige Aufsicht.

Welche Entscheidung können Sie mit den heutigen Daten nicht treffen?

Gemeinsam gehen wir von dieser Entscheidung zurück zu den Quellen und skizzieren, was ein erstes Datenprodukt dafür verlangt.

Projekt anfragenDokumenten­verarbeitung ansehen