Eine falsche Zahl reicht.

Kosten

Im Schnitt mindestens 11,2 Mio. € pro Jahr durch schlechte Daten (Gartner, 2020, umgerechnet).

Migrationen

Datenprobleme sind ein Hauptgrund, warum Projekte Zeit und Budget sprengen.

KI-Projekte

Schlechte Daten werden durch KI nicht besser – nur schneller verbreitet.

Pflicht

Der EU AI Act verlangt KI-Kompetenz der Mitarbeiter (Art. 4).

Verschiedene Datumsformate, falsche Zeichenkodierung, Dubletten und Rechenfehler – wie im Projektalltag. Sie erleben direkt, wie sich einzelne Fehler auf reale Kennzahlen auswirken.

Verstehen und prüfen

• 1. Einführung: der Schlafsack für 24.900 €
  Typische Fehlerbilder aus echten Vertriebsdaten – und warum man sie oft erst beim Rechnen bemerkt.
• 2. Die Datenbasis verstehen
  Acht CSV-Dateien ohne Handbuch werden zur eigenen Datenbank – der erste Schritt zu belastbaren Auswertungen.
• 3. Datenqualität regelbasiert prüfen
  22 Prüfregeln als SQL und Python selbst schreiben und ausführen – inklusive dem Sammelfeld, das mehrere Bedeutungen in einer Spalte versteckt.
• 4. Statistische Grundlagen
  Durchschnitt und Streuung als Basis, um zu erkennen, was „normal“ ist und was nicht.
• 5. Statistische Anomalieerkennung
  Robuster Z-Score und Isolation Forest finden Ausreißer, ohne dass man vorher genau weiß, wonach man sucht.
• 6. Bereinigung und Wirkung auf Kennzahlen
  Jede Korrektur wird protokolliert – am echten Beispiel sehen Sie, wie ein einzelner Fehler eine Kennzahl von 85,1 % auf 0,2 % kippt.

Messen, schützen, einordnen

• 7. Datenqualität messbar machen
  Kennzahlen, die zeigen, ob sich die Qualität verbessert oder verschlechtert – mit einer sinnvollen Eingriffsgrenze statt starrer Vorgabe.
• 8. Datenschutz beim KI-Einsatz
  Pseudonymisierung und was beim KI-Einsatz auf Unternehmensdaten rechtlich zu beachten ist – praxisnah statt Juristendeutsch.
• 9. Textdaten und Sprachmodelle
  Wo Sprachmodelle klassischen Methoden überlegen sind – etwa bei Freitextfeldern oder ähnlichen Schreibweisen wie „Müller“ und „Mueller“.
• 10. Tabular Foundation Models – ein Ausblick
  Ein aktueller Ansatz, der ganze Tabellen „versteht“, ohne dass man ihn erst aufwendig trainieren muss.
• 11. Datenqualität für KI
  Warum für KI eine andere Logik gilt als für einen sauberen Bericht – und was „AI-ready“ für Ihre Daten wirklich bedeutet.
• 12. Fazit und Ausblick
  Auch die KI irrt – mit großer Überzeugung: zum Abschluss wird sie im Workshop selbst auf die Probe gestellt.

Sie nehmen mit

Eine Lernunterlage mit ausführlichen Kapiteln, ein Übungspaket mit Datenbank und mehreren Skripten, diverse Prüfregeln als SQL-Code und ein interaktiver Prüfbericht als Vorlage für die eigenen Daten. Vor allem aber nehmen Sie das komplette Vorgehen mit: vom manuellen Prüfen über klassische Machine-Learning-Verfahren bis zu aktuellen Tabular Foundation Models – geordnetes Know-how, das Sie direkt auf die Daten Ihres eigenen Unternehmens anwenden können. Wer vorher noch keine Berührung mit Python hatte, erhält zusätzlich einen echten Einstieg in diese Programmiersprache – und damit einen direkten Zugang zum Machine Learning.

Voraussetzungen, Format, Preise

Excel- oder SQL-Grundkenntnisse hilfreich, Python nicht notwendig – keine Installation erforderlich, die Übungen laufen direkt im Browser (Colab). Ein Laptop genügt für die Teilnahme. Dauer: 2 Tage.