Datengrundlagen vor KI: Korrekturen, die sich innerhalb von zwei Quartalen amortisieren

Die meisten KI-Pläne gehen davon aus, dass die Daten des Unternehmens bereit sind und die Arbeit in der Wahl eines Modells liegt. In etablierten Unternehmen liegen die Daten meist in den richtigen Systemen, aber in der falschen Form: derselbe Kunde dreifach angelegt, Artikelnummern, die im Shop und im Lager Unterschiedliches bedeuten, Umsätze, die zwischen Analytics-Property und Hauptbuch voneinander abweichen.

Der schnellste Weg, herauszufinden, was korrigiert werden muss, ist, echte Datensätze zu verfolgen. Nehmen Sie eine Stichprobe von Aufträgen, Rechnungen und Lagerbewegungen und verfolgen Sie jeden Vorgang durch alle Systeme, die ihn berühren, vom Shop oder Angebotswerkzeug über Zahlungsdienstleister, CRM und Lager bis zur Buchhaltungssoftware und zur Reporting-Ebene. Notieren Sie, wo der Datensatz von Hand neu erfasst wird, wo eine Tabellenkalkulation ihn kopiert, wo sich seine Kennung ändert und wo er verschwindet. Diese Stellen sind der Arbeitsvorrat.

Die folgenden Korrekturen sind diejenigen, von denen wir erwarten, dass sie sich innerhalb von zwei Quartalen amortisieren. Jede beseitigt manuelle Arbeit oder einen Reporting-Fehler, der bereits Geld kostet, und jede ist Voraussetzung für jede KI-Funktion, die später dieselben Datensätze lesen wird.

Jede nachgelagerte Nutzung hängt an Verknüpfungen. Umsatz je Kunde setzt voraus, dass Auftragssystem und Hauptbuch einen gemeinsamen Kundenschlüssel haben. Marge je Produkt setzt voraus, dass Shop, Lager und Kreditorenbuch übereinstimmen, was eine Artikelnummer bedeutet. Ein KI-Assistent, der Fragen zu Aufträgen oder Produkten beantwortet, übernimmt jede Mehrdeutigkeit, die in den Schlüsseln steckt.

Die Prüfung ist schnell gemacht. Testen Sie für jede Kennung, ob sie befüllt ist und ob sie über den gesamten Bestand eindeutig ist, sodass eine Nummer genau ein Produkt bezeichnet. Das sind zwei getrennte Tests. Ein Feld für Artikelnummern kann in jedem Datensatz befüllt sein und trotzdem von zwei verschiedenen Artikeln geteilt werden, und das reicht aus, damit ein Assistent mit voller Überzeugung das falsche Produkt beschreibt oder ein Katalog an einen Handelspartner unter der richtigen Nummer den falschen Artikel anbietet.

Die Amortisation kommt aus der Arbeit, die die Korrektur überflüssig macht: Gutschriften für Fehllieferungen, Stunden für die Abstimmung von Kundenkontoauszügen und Berichte, die jeden Monat von Hand neu erstellt werden, weil zwei Systeme sich widersprechen.

Standard-Properties von Google Analytics 4 speichern Daten auf Nutzer- und Ereignisebene standardmäßig 2 Monate und höchstens 14 Monate; eine längere Aufbewahrung von Ereignisdaten gibt es nur in der kostenpflichtigen Version 360. Standardberichte laufen auf aggregierten Tabellen und zeigen ältere Summen weiterhin an, sodass der Verlust unsichtbar bleibt, bis jemand eine explorative Analyse oder einen Trichter im Vorjahresvergleich aufbaut und den früheren Zeitraum leer vorfindet. Eine höhere Aufbewahrungseinstellung schützt nur Daten, die noch nicht gelöscht wurden.

Die dauerhafte Lösung ist der BigQuery-Export, der Rohereignisse in ein Data Warehouse kopiert, das dem Unternehmen gehört. Standard-Properties können über den täglichen Export bis zu 1 Million Ereignisse pro Tag senden. Der Streaming-Export hat kein Volumenlimit und kostet 0,05 $ pro Gigabyte, was nach Angaben von Google rund 600.000 Ereignissen entspricht. Zu diesen Preisen sind die Speicherkosten eines mittelgroßen Unternehmens gering im Vergleich zu den Kosten, eine Hauptsaison ohne die Verhaltensdaten des Vorjahres zu planen.

Diese Korrektur hat ihre Frist eingebaut. Jeder Monat des Wartens ist ein Monat Ereignishistorie, der sich nicht wiederherstellen lässt, und der Planungszyklus 2027 wird die Hauptsaison 2026 vollständig brauchen.

Die elektronische Rechnungsstellung macht Kundenstammdaten zu einer Compliance-Voraussetzung. In Deutschland müssen Unternehmen, deren Vorjahresumsatz 800.000 € überstieg, ab dem 1. Januar 2027 inländische Rechnungen zwischen Unternehmen in einem strukturierten elektronischen Format ausstellen; alle übrigen Unternehmen folgen ab dem 1. Januar 2028. Der Empfang ist seit dem 1. Januar 2025 verpflichtend. Im Vereinigten Königreich hat die Regierung erklärt, dass ab April 2029 alle Umsatzsteuerrechnungen elektronisch sein müssen, Peppol als Austauschnetzwerk bestätigt und einen detaillierten Umsetzungsfahrplan mit dem Haushalt 2026 angekündigt, der für den 28. Oktober vorgesehen ist.

Die Arbeit, die sich auszahlt, ist in beiden Ländern dieselbe und beginnt lange vor jeder Frist. Umsatzsteuer-Identifikationsnummern, Steuernummern und elektronische Routing-Adressen im Kundenstamm vervollständigen und validieren. Artikel- und Steuerschlüssel auf den Rechnungspositionen vereinheitlichen. Die manuellen Schritte zwischen Auftragssystem und Rechnung beseitigen. Eine abgelehnte Rechnung verzögert den Zahlungseingang; saubere Stammdaten verkürzen also auch den Forderungseinzug, nicht nur die Erfüllung der Vorschrift, und ein Datenmodell, das in diesem Quartal für eine deutsche Gesellschaft aufgebaut wird, lässt sich später für das Vereinigte Königreich wiederverwenden.

Die letzte Korrektur ist eher eine Disziplin als ein System. Management-Berichte nehmen den Umsatz aus dem Shop oder CRM, die Kosten aus dem Hauptbuch und die Marketingergebnisse aus den Werbeplattformen, und die drei stimmen selten überein. Wenn die Vorstandsunterlage und der Abschluss um einen Betrag abweichen, den niemand erklären kann, verliert jede Zahl in der Unterlage an Autorität, und Entscheidungen verzögern sich, während man darüber streitet, welche Zahl stimmt.

Eine monatliche Überleitung schafft Klarheit. Nach dem Abschluss wird jede Kernzahl im Management-Reporting-Paket mit dem Hauptbuch abgestimmt, und die Differenz wird in benannte, wiederkehrende Posten zerlegt: Periodenabgrenzung, Erstattungen, Steuern, konzerninterne Vorgänge, Testbestellungen. Die Überleitung wird aus den Systemen erzeugt statt von Hand zusammengestellt, und jede ungeklärte Restdifferenz oberhalb einer vereinbarten Schwelle wird untersucht, bevor das Paket verschickt wird. Sobald die wiederkehrenden Posten Namen haben, bleibt meist eine kurze Liste von Prozessen übrig, die niemand dokumentiert hatte.

Dies ist auch die Grundlage, die jeder KI-Assistent für das Reporting brauchen wird. Ein Modell, das gefragt wird, warum die Marge in einer Region gesunken ist, kann nur dann richtig antworten, wenn die Zahlen, die es liest, bereits abgestimmt sind. Wir bauen diese Überleitungen vom Hauptbuch aus auf, aus demselben Grund, aus dem wir jedes Mandat bei Aufträgen, Hauptbüchern und Protokollen beginnen: Das Dashboard ist nur so gut wie die Datensätze darunter.

Im November 2026 eine Stichprobe echter Aufträge, Rechnungen und Lagerbewegungen durch alle Systeme verfolgen und jede Stelle auflisten, an der ein Datensatz neu erfasst, kopiert oder mit einer neuen Kennung versehen wird.

Vor Ende November in jeder Property die Aufbewahrung von Ereignisdaten in GA4 auf 14 Monate setzen und jede Property mit BigQuery verknüpfen, damit die Hauptsaison 2026 vollständig erhalten bleibt.

Bis Ende Dezember Eindeutigkeits- und Vollständigkeitsprüfungen für Kunden-, Produkt- und Auftragskennungen über alle Systeme durchführen und doppelte Artikelnummern bereinigen, bevor eine KI-Funktion oder ein Handelskatalog darauf aufbaut.

Für jede deutsche Gesellschaft vor dem 1. Januar 2027 klären, ob sie über der Schwelle von 800.000 € liegt und ob ihre Rechnungsstellung und Kundenstammdaten bereit sind, und die britische Pflicht auf demselben Datenmodell planen, sobald der Fahrplan veröffentlicht ist.

Ab dem Monatsabschluss Januar 2027 monatlich eine Überleitung vom Management-Reporting-Paket zum Hauptbuch veröffentlichen, mit benannten Abstimmungsposten und einer Schwelle für Restdifferenzen.

Bis Juni 2027 den ersten KI-Anwendungsfall auf Basis der abgestimmten Daten auswählen und seinen Ausgangswert aus denselben Datensätzen messen.