Garbage in, Garbage out: Warum Datenqualität das größte Risiko für FM-KI-Projekte ist

Wer aktuell mit KI-Anbietern spricht, hört viel über Modelle, Algorithmen und Anwendungsfälle und selten etwas über die Zutat, von der der Erfolg abhängt: die Daten, mit denen das System gefüttert wird. Eine häufig zitierte Gartner-Kennzahl nennt Datenqualität als Ursache für einen Großteil gescheiterter KI-Projekte. Die exakte Prozentzahl sollte man mit Vorsicht behandeln, genau wie die kursierende „70 Prozent scheitern”-Zahl zur digitalen Transformation. Der Kern bleibt unbestritten: Kein Modell macht aus schlechten Anlagendaten gute Vorhersagen. Für FM-Unternehmen, die gerade in Predictive Maintenance oder KI-gestützte Auswertungen investieren, ist das die wichtigste Vorarbeit vor jedem Projektstart.

Die 1-10-100-Regel

Ein einfaches Prinzip aus dem Qualitätsmanagement erklärt, warum sich Sorgfalt bei der Dateneingabe finanziell auszahlt. Einen Fehler bei der Eingabe zu verhindern, etwa durch eine Pflichtfeld-Regel, eine Plausibilitätsprüfung oder eine klare Pflegeverantwortung, kostet eine Einheit. Denselben Fehler später zu finden und zu bereinigen, etwa in einem eigenen Datenbereinigungsprojekt, kostet das Zehnfache. Den Fehler zu ignorieren und mit den Folgen zu leben, also mit falschen Wartungsterminen, übersehenen Anlagen und fehlerhaften Vorhersagen, kostet das Hundertfache, weil sich der Fehler über Systeme und Entscheidungen hinweg fortpflanzt. Das ist der Mechanismus hinter „Garbage in, Garbage out”: Ein einzelner falscher Datenpunkt bleibt selten isoliert, sobald ein KI-Modell oder eine Automatisierung darauf aufbaut.

Was auf dem Spiel steht

Volkswirtschaftlich ist schlechte Datenqualität teuer. Studien beziffern die jährlichen Kosten für die US-Wirtschaft auf rund 2,7 Billionen Euro, und in betroffenen Teams geht bis zu die Hälfte der Arbeitszeit für das Erkennen und Beheben von Datenproblemen drauf. Auf Unternehmensebene nennen Erhebungen durchschnittliche Kosten von rund 11 Millionen Euro pro Jahr, mehr als ein Viertel der befragten Organisationen schätzt seine jährlichen Verluste auf über 4 Millionen Euro. Diese Zahlen stammen überwiegend aus Handel, Finanzwesen und IT. Der Mechanismus dahinter gilt aber branchenunabhängig, und für FM mit seinen physisch verteilten, oft historisch gewachsenen Anlagendatenbeständen gilt er besonders.

Bekannte Einzelfälle zeigen es konkret. Ein Anbieter im Bereich programmatischer Werbung verlor durch fehlerhafte Datenquellen in seinen Machine-Learning-Modellen rund 95 Millionen Euro Umsatz, weil Vorhersage- und Gebotsalgorithmen auf falscher Basis liefen. Ein Finanzdienstleister musste wegen fehlerhafter Kreditbewertungen, verursacht durch mangelhafte Datenpflege, mehrere hunderttausend Euro Ausgleichszahlung leisten. Beide Fälle stammen nicht aus dem FM, zeigen aber dasselbe Muster wie in der eigenen Anlagendatenbank: Fehlerhafte Basisdaten fallen erst auf, wenn ein automatisiertes System Entscheidungen darauf aufbaut, und dann kostet es meist mehr, als die ursprüngliche Korrektur gekostet hätte.

Der Bezug zur eigenen Anlagendatenbank

Wer die eigene Excel- oder Datenbankmigration schon einmal durchlaufen hat, kennt das Muster: Geister-Assets stehen in der Liste, existieren aber physisch nicht mehr. Zombie-Assets sind real vorhanden und tauchen in keinem System auf. Dazu kommen fehlende Standortangaben und uneinheitliche Bezeichnungen. In einer Excel-Tabelle, die Menschen lesen, sind das ärgerliche, meist erkennbare Unsauberkeiten. Ein Predictive-Maintenance-Modell, das auf denselben Daten den „Normalzustand” definiert, kann sie nicht erkennen. Ein Sensor, der der falschen Anlage zugeordnet ist, erzeugt Warnungen für ein Gerät, das gar nicht existiert. Schlimmer noch: Er lässt eine echte Störung unbemerkt, weil das Modell sie der falschen Anlage zurechnet.

Der Shift-Left-Ansatz

Die wirksamste Gegenmaßnahme setzt so früh wie möglich an, im Fachjargon „Shift-Left”: Die Qualitätsprüfung findet direkt am Entstehungsort der Daten statt und nicht erst am Ende der Kette. Für FM-Teams heißt das konkret: Pflichtfelder und Plausibilitätsregeln stehen direkt im Erfassungsformular statt in einer nachträglichen Kontrolle in einer Sammeltabelle. Sensordaten und Anlagenstammdaten werden automatisch abgeglichen, sobald ein neuer Sensor in Betrieb geht. Und für jede Datenkategorie, ob Standortdaten, Wartungshistorie oder Vertragsdaten, ist eine Person eindeutig verantwortlich, statt dass alle gemeinsam unzuständig sind. Die Kontrolle muss außerdem laufen. Eine Bereinigung, die einmal im Jahr stattfindet, verhindert nicht, dass sich dazwischen neue Fehler unbemerkt anhäufen.

Fazit

Bevor ein FM-Unternehmen in ein KI-Projekt investiert, lohnt sich die unspektakuläre Frage: Wie sauber sind die Daten, auf denen das Modell aufbauen soll? Die 1-10-100-Regel zeigt, warum man sie am Anfang stellen sollte und nicht erst nach dem ersten fehlgeschlagenen Pilotprojekt. Wer Datenqualität als laufende Aufgabe versteht und nicht als einmaliges Aufräumprojekt, beseitigt die Fehlerquelle, die in praktisch jeder Rückschau auf gescheiterte KI-Projekte an erster Stelle steht.

Quellen:

• Kosten schlechter Datenqualität: 1-10-100-Regel & Zahlen
• Die wahren Kosten mangelhafter Datenqualität – IBM
• Do 70% of Digital Transformations Fail? Tracing the Number