Die Herausforderung
Die Geschichte begann mit einem klassischen Problem: Einer unserer Kunden erhielt von seinen Endkunden Daten, die nicht immer vollständig waren oder nicht dem erwarteten Format entsprachen.
Sobald ein Fehler auftrat, löste dies eine tagelange Kette von Rückfragen aus, die mehrere Teams band:
Endkunde → Kundenservice-Team → Analytics-Team → Kundenservice-Team → Endkunde
Diese Schleife wiederholte sich jede Woche. Das Kundenservice-Team musste zuerst verstehen, was schiefgelaufen war, bevor es dem Endkunden das Problem erklären konnte. Oft fehlte dem Team jedoch das nötige Datenverständnis. Das Analytics-Team musste unterdessen einspringen und Vorfälle untersuchen, die von außen oft trivial wirkten. Dadurch wurde es von seiner Kernaufgabe – der Produktanalyse – abgezogen.
Das Ergebnis:
- Höhere Belastung für das Kundenservice-Team
- Stärkere Abhängigkeit vom Analytics-Team
- Häufigere Rückfragen bei Endkunden
- Verzögerungen, bis Daten tatsächlich für Erkenntnisse genutzt werden konnten
Uns wurde klar: Die eigentliche Lücke war nicht nur die Datenqualität. Es war das fehlende Datenwissen.
Der Ansatz
Geschäftsdaten enthalten Kontextwissen, das in herkömmlichen Metadaten nicht sichtbar ist. Zu wissen, dass eine Spalte Text oder Zahlen enthält, reicht nicht aus. Wer mit den Daten arbeitet, muss verstehen:
- Was stellt dieses Feld dar?
- Welche Werte werden hier regulär erwartet?
- Wie hängt es mit anderen Daten zusammen?
- Was bedeuten die konkreten Werte?
- Welches Format ist vorgegeben?
Für erfahrene Datenprofis ist vieles davon implizites Wissen. Für Personen, die neu mit den Daten arbeiten, kann es Wochen oder Monate dauern, dieses Verständnis aufzubauen.
Mit explai wird dieser Wissensaufbau nicht zu einem eigenen Onboarding-Projekt: Er geschieht direkt beim Upload der Daten.
Beim Hochladen analysiert explai die Daten automatisch und baut das nötige Datenwissen auf, um sie zu verstehen und direkt mit ihnen zu arbeiten. Nutzer müssen weder ein separates Wissenspaket vorbereiten noch wochenlang Datenstrukturen erklären.
Was wir gebaut haben
Wir haben den Datenupload-Prozess direkt um intelligente Analysefähigkeiten erweitert. Sobald Daten in explai einfließen, leitet der Agent Wissen sowohl aus der Struktur als auch aus dem Inhalt der Daten ab. Das geht weit über klassische Metadaten wie Datentypen, Formate, Beispielwerte, Spaltennamen und Tabellenschemata hinaus: explai erfasst auch die fachliche Bedeutung und die Zusammenhänge innerhalb der Daten, um ein tiefes Verständnis dafür aufzubauen, wie sie sich interpretieren und nutzen lassen.
So erlangt explai von Beginn an ein fundiertes Verständnis der Daten und macht Folgendes unmittelbar sichtbar:
- Ob eingehende Daten der erwarteten Struktur entsprechen
- Fehlende oder unerwartete Informationen
- Was die einzelnen Felder fachlich bedeuten
- Wie verschiedene Datenelemente zusammenhängen
- Kontextwissen, das Nutzer benötigen, aber nicht zwingend von sich aus dokumentieren würden
Es gibt keine separate Phase, in der jemand die Daten erst manuell dokumentieren muss, bevor das System mit ihnen arbeiten kann.
So sieht das an einer Beispieldatei aus. Während des Uploads liest explai die Datei, prüft die Datenqualität, erstellt Tabellenprofile, bildet Beziehungen ab und extrahiert KPIs:
Nach Abschluss der Prüfung weist explai beispielsweise darauf hin, dass fünf klinische Spalten die Zahl 0 als Platzhalter für fehlende Werte nutzen – ein Problem, das manuell leicht übersehen wird:
Menschliche Kontrolle
Automatische Wissensgenerierung bedeutet nicht, dass Nutzer die Kontrolle abgeben. Nutzer können jederzeit:
- Das vom Agenten erzeugte Wissen prüfen
- Es korrigieren oder aktualisieren
- Bei Bedarf zusätzliche Informationen ergänzen
- Festlegen, welches Wissen der Agent nutzen soll
Der Agent übernimmt die zeitintensive Entdeckungsarbeit – der Nutzer behält die Kontrolle. Das ist besonders wertvoll für Personen ohne tiefere Datenkenntnisse: Statt vor einer leeren Seite zu stehen, erhalten sie einen fundierten Ausgangspunkt, den sie lediglich prüfen und verfeinern müssen.
Warum es funktioniert
Die zentrale Erkenntnis lautet: Datenverständnis wird Teil des Datenuploads. Statt den Wissensaufbau als separate Aufgabe zu behandeln, verbindet explai beides in einem Schritt. So entfällt Aufwand, der sonst manuelle Untersuchungen, Dokumentation und Wissenstransfer erfordern würde. Das Ergebnis:
- Weniger manuelle Datenaufbereitung
- Geringere Abhängigkeit vom Analytics-Team
- Schnellere Erkennung möglicher Datenprobleme
- Weniger Rückfragen zwischen Teams
- Ein schnellerer Weg von hochgeladenen Daten zu nützlichen Antworten
Der Mehrwert geht über die reine Datenqualität hinaus: Das beim Upload erzeugte Wissen wird zur Grundlage für die künftige Arbeit des Agenten. Es versetzt explai in die Lage, Fragen zu beantworten, die ein echtes Verständnis der Bedeutung der Daten erfordern – und nicht nur das bloße Abrufen von Einzelwerten.
Vom Einzelprojekt zur Standardfunktion
Was mit dem Problem eines einzelnen Kunden begann, wurde zu einer zentralen Produkterkenntnis:
Schnelles Onboarding setzt voraus, dass das System die Daten versteht – und sich nicht nur technisch mit ihnen verbindet.
Wir haben diese Erkenntnis fest in den Standardumfang von explai integriert und bei weiteren Enterprise-Kundenprojekten eingeführt, darunter Cockpit Launch. Heute ist der Ablauf denkbar einfach:
Laden Sie Ihre Daten hoch. Anschließend:
- explai analysiert die Daten
- explai baut das Datenwissen auf
- Der Nutzer prüft und verfeinert es
- Der Agent nutzt das Wissen für spätere Anfragen
Was früher eine langwierige Phase des Datenverständnisses und Wissenstransfers erforderte, geschieht jetzt automatisch beim Upload.