\ud83d\ude80 Teil 2 unserer Serie: KI und Stammdaten<\/p>\n
Wir denken: Die KI-Modelle funktionieren.<\/p>\n
Wir m\u00fcssen feststellen: Die Realit\u00e4t und die Ergebnisse dahinter nicht.<\/p>\n
Aber warum liefern viele KI-Projekte nicht den erwarteten Mehrwert?<\/p>\n
Erfahrungsgem\u00e4\u00df flie\u00dfen bis zu 2\/3 der KI-Projektzeit in die Datenaufbereitung. Und trotzdem wird genau dieser Punkt oft untersch\u00e4tzt. Denn KI trifft Entscheidungen auf Basis verarbeitungsf\u00e4higer Daten, pr\u00fcft diese jedoch ohne konkrete Anweisung nicht. Der altbekannte Satz „shit in, shit out“, gilt hier im Besonderen. KI und Stammdaten eine untrennbare Allianz<\/p>\n
Eine der wichtigsten Dimensionen dabei:<\/p>\n
\ud83d\udccd Standort- und Lokationsdaten bzw. Adressdaten.<\/p>\n
Denn der Standort:<\/p>\n
\u2705 bestimmt das Design der Lieferkette<\/p>\n
\u2705 bestimmt Lieferzeiten und Produktionsf\u00e4higkeit<\/p>\n
\u2705 bestimmt die Kosten und ungeplanter Folgekosten<\/p>\n
\u2705 bestimmt m\u00f6gliche Risiken in der Lieferkette<\/p>\n
\u2705 legt fest, wie eine Risikovorsorge aussieht<\/p>\n
<\/p>\n
\ud83d\udccd Die entscheidenden Fragen sind:<\/p>\n
1. Wo befindet sich der Lieferant wirklich?<\/p>\n
2. Von welchem Werk wird tats\u00e4chlich geliefert?<\/p>\n
<\/p>\n
Wenn diese Informationen nicht sauber sind:<\/p>\n
\u26a1werden ggf. falsche Lieferantenentscheidungen getroffen<\/p>\n
\u26a1entstehen unrealistische Liefertermine<\/p>\n
\u26a1werden Logistiknetzwerke falsch geplant und optimiert<\/p>\n
\u26a1weichen Planungsszenarien und Forecasts ab<\/p>\n
\u26a1entstehen Verz\u00fcge und Mehrkosten, die eigene Produktions- und Lieferf\u00e4higkeit wird beeintr\u00e4chtigt<\/p>\n
\u26a1ein automatisiertes, digitales Risikomanagement wird ineffektiv<\/p>\n
\u26a1regulatorische Anforderungen werden unzureichend erf\u00fcllt<\/p>\n
Die Liste der selbstgeschaffenen Risiken ist lang. Und dennoch sehen wir h\u00e4ufig:<\/p>\n
Unternehmen investieren zuerst in KI-Use-Cases – und erst danach in Datenqualit\u00e4t. Dabei ist die Reihenfolge gerade bei Automatisierungsprojekten und KI-gest\u00fctzten Netzwerk- und Materialplanungen entscheidend:<\/p>\n
1\ufe0f\u20e3Erst qualitativ hochwertige, verifizierte Daten.<\/p>\n
2\ufe0f\u20e3Dann Aufbau und Nutzung der Intelligenz.<\/p>\n
<\/p>\n
\ud83d\udc49 Stay tuned. Im n\u00e4chsten Beitrag zeigen wir, warum fehlende Standort- und Adresstransparenz auch strategische Einkaufsentscheidungen massiv beeinflusst. Interessiert daran, wie man diese Datenqualit\u00e4t mit Unterst\u00fctzung innovativer und bew\u00e4hrter digitaler Supply Chain Technologie in kurzer Zeit massiv verbessert? Dann dranbleiben.<\/p>\n
<\/p>","protected":false},"excerpt":{"rendered":"
\ud83d\ude80 Teil 2 unserer Serie: KI und Stammdaten Wir denken: Die KI-Modelle funktionieren. Wir m\u00fcssen feststellen: Die Realit\u00e4t und die Ergebnisse dahinter nicht. Aber warum liefern viele KI-Projekte nicht den erwarteten Mehrwert? Erfahrungsgem\u00e4\u00df flie\u00dfen bis zu 2\/3 der KI-Projektzeit in die Datenaufbereitung. Und trotzdem wird genau dieser Punkt oft untersch\u00e4tzt. Denn KI trifft Entscheidungen auf Basis verarbeitungsf\u00e4higer Daten, pr\u00fcft diese jedoch ohne konkrete Anweisung nicht. Der altbekannte Satz „shit in, shit out“, gilt hier im Besonderen. KI und Stammdaten eine untrennbare Allianz Eine der wichtigsten Dimensionen dabei: \ud83d\udccd Standort- und Lokationsdaten bzw. Adressdaten. Denn der Standort: \u2705 bestimmt das Design der Lieferkette \u2705 bestimmt Lieferzeiten und Produktionsf\u00e4higkeit \u2705 bestimmt die Kosten und ungeplanter Folgekosten \u2705 bestimmt m\u00f6gliche Risiken in der Lieferkette \u2705 legt fest, wie eine Risikovorsorge aussieht \ud83d\udccd Die entscheidenden Fragen sind: 1. Wo befindet sich der Lieferant wirklich? 2. Von welchem Werk wird tats\u00e4chlich geliefert? Wenn diese Informationen nicht sauber sind: \u26a1werden ggf. falsche Lieferantenentscheidungen getroffen \u26a1entstehen unrealistische Liefertermine \u26a1werden Logistiknetzwerke falsch geplant und optimiert \u26a1weichen Planungsszenarien und Forecasts ab \u26a1entstehen Verz\u00fcge und Mehrkosten, die eigene Produktions- und Lieferf\u00e4higkeit wird beeintr\u00e4chtigt \u26a1ein automatisiertes, digitales Risikomanagement wird ineffektiv \u26a1regulatorische Anforderungen werden unzureichend erf\u00fcllt Die Liste der selbstgeschaffenen Risiken ist lang. Und dennoch sehen wir h\u00e4ufig: Unternehmen investieren zuerst in KI-Use-Cases – und erst danach in Datenqualit\u00e4t. Dabei ist die Reihenfolge gerade bei Automatisierungsprojekten und KI-gest\u00fctzten Netzwerk- und Materialplanungen entscheidend: 1\ufe0f\u20e3Erst qualitativ hochwertige, verifizierte Daten. 2\ufe0f\u20e3Dann Aufbau und Nutzung der Intelligenz. \ud83d\udc49 Stay tuned. Im n\u00e4chsten Beitrag zeigen wir, warum fehlende Standort- und Adresstransparenz auch strategische Einkaufsentscheidungen massiv beeinflusst. Interessiert daran, wie man diese Datenqualit\u00e4t mit Unterst\u00fctzung innovativer und bew\u00e4hrter digitaler Supply Chain Technologie in kurzer Zeit massiv verbessert? Dann dranbleiben. <\/p>","protected":false},"author":2,"featured_media":5533,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-5532","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized","entry"],"yoast_head":"\n