Daten, Datenanalyse und RAG

Datenqualität klingt abstrakt. Sie lässt sich aber mit fünf Fragen prüfen.

Vollständig: Sind alle Pflichtfelder gefüllt? Eine Bestellung ohne Menge ist wertlos. Korrekt: Stimmt der Wert? Ein Schlauch für minus 24,50 Euro ist kein Schnäppchen, sondern ein Fehler. Einheitlich: Heißt die Filiale überall gleich? Für dich sind „Süd“ und „Sued“ dasselbe. Für eine Auswertung sind das zwei verschiedene Filialen.

Aktuell: Weißt du, von wann die Daten sind? Eine Kundenliste von 2019 bringt dir 2026 wenig. Eindeutig: Steht ein Datensatz nur einmal drin? Eine doppelte Bestellung verdoppelt deinen Umsatz, auf dem Papier. Eine solche doppelte Zeile heißt Dublette.

Rate zuerst selbst: Welche Zeile, welches Merkmal? Nimm dir fünf Minuten, bevor du weiterliest.

Die Lösung: K03 schreibt „Rot-Milan“ mit Bindestrich. Für eine Auswertung ist das eine eigene Art, also fehlt es an Einheitlichkeit. K04 meldet minus zwei Kiebitze. Negative Vögel gibt es nicht, der Wert ist nicht korrekt. Bei K05 fehlt die Koordinate, die Beobachtung ist auf keiner Karte zu finden: nicht vollständig.

K06 trägt das Jahr 2019 in einer Kartierung von 2026: nicht aktuell. Und K07 steht zweimal da: nicht eindeutig. Genau diese fünf Fehlerarten findest du in fast jeder echten Tabelle wieder, meist öfter.

Deck die Spalten „Lösung“ und „Warum“ ab und rate zuerst selbst. Sechs Datenquellen aus Planung und Geodaten, und bei jeder fragst du: strukturiert, unstrukturiert oder halbstrukturiert?

Die Attributtabelle eines Shapefiles hat feste Spalten pro Fläche, sie ist strukturiert. Das Luftbild besteht aus Pixeln ohne feste Bedeutung. Eine KI kann daraus Klassen machen, etwa Wald, Wasser, Acker, aber das Bild selbst ist unstrukturiert. Das Gutachten als PDF ist freier Text.

Die Excel-Liste der kartierten Arten ist strukturiert, solange alle dieselben Spalten nutzen. Die E-Mail der Behörde ist halbstrukturiert. Und das Sprachmemo aus dem Gelände ist Ton: erst ein Transkript, dann die Auswertung.

Fünf Datenarten begegnen dir in jedem Unternehmen. Stammdaten ändern sich selten: der Kunde, das Produkt, der Preis. Bewegungsdaten entstehen ständig: jede Bestellung, jede Buchung, jedes Support-Ticket.

Personenbezogene Daten sind alles, womit sich ein Mensch identifizieren lässt. Name, E-Mail, auch ein Kürzel, wenn man weiß, wer dahintersteht. Wie die DSGVO damit umgeht, zeigt Teil 6. Metadaten beschreiben andere Daten: Wer hat die Datei erstellt, wann, in welcher Version? Bei Geodaten gehört das Koordinatensystem dazu. Ohne das ist eine Koordinate wertlos.

Und dann das Wissen: Handbücher, Richtlinien, Protokolle. Das ist das Futter für RAG, dazu kommst du weiter hinten in diesem Teil.

Daten haben ein Verfallsdatum, und zwar in beide Richtungen. Manche musst du aufbewahren. Das regeln Paragraf 257 im Handelsgesetzbuch und Paragraf 147 AO im Steuerrecht. Bücher und Jahresabschlüsse zehn Jahre. Buchungsbelege wie Rechnungen seit 2025 nur noch acht Jahre, vorher waren es zehn; verkürzt hat das das Bürokratieentlastungsgesetz IV. Handels- und Geschäftsbriefe sechs Jahre.

Andere Daten musst du löschen. Die DSGVO sagt in Artikel 5, dass personenbezogene Daten nur so lange gespeichert werden, wie es für den Zweck nötig ist. Artikel 17 gibt Menschen ein Recht auf Löschung.

Für KI ist das wichtig: Wenn du Daten in ein KI-System lädst, musst du wissen, ob du sie dort auch wieder löschen kannst. Im echten Projekt klärst du das mit Datenschutz und Steuerberatung. Einordnung, keine Rechtsberatung.

ChatGPT und Copilot können Tabellen lesen. Du lädst eine CSV- oder Excel-Datei hoch und stellst Fragen in normaler Sprache. Welche Filiale hat den meisten Umsatz? Zeig mir den Verlauf pro Woche als Diagramm. Welche Werte fallen aus der Reihe? Erklär mir diese Excel-Formel.

Das ist ein echter Gewinn. Du musst keine Pivot-Tabelle bauen können, um eine erste Antwort zu bekommen.

Aber es ist eine erste Antwort, keine letzte. Wie du sie prüfst, zeigen die nächsten Folien.

So kann es aussehen, wenn du die Verkaufstabelle aus dem Beispiel in ChatGPT lädst. Über das Plus-Symbol im Eingabefeld fügst du die Datei hinzu. Erster Prompt: „Wie hoch ist der Umsatz pro Filiale? Gib eine Tabelle aus.“ Zweiter Prompt: „Erstelle dazu ein Balkendiagramm.“ Die Zahlen oben sind die echten Summen der Rohdaten aus der Beispieldatei.

Das Diagramm sieht professionell aus, und genau das ist das Problem. Der Laden hat drei Filialen, im Diagramm sind es fünf. „Sued“ und „nord“ sind für die KI eigene Filialen. Frag deshalb nach: „Hast du Werte verändert oder zusammengefasst? Liste jede Änderung auf.“ Manche Werkzeuge bereinigen still und sagen es nicht.

Dann kommt der wichtigste Schritt: Du rechnest selbst nach. Datei in Excel öffnen, Spalte mit dem Umsatz markieren, unten in der Statusleiste steht die Summe. In der Beispieldatei sind es 3.686,59 Euro. Stimmt das mit der KI überein?

Hier trainierst du Schritt drei, die Größenordnung. Deck die Spalten „Lösung“ und „Warum“ ab und rate zuerst selbst.

Hundert Bremsreparaturen an einem Tag sind ein Tippfehler, der Umsatz von 135 Euro passt zu drei Reparaturen. Einen Schlauch für minus 24,50 Euro gibt es nicht. Vielleicht war es eine Gutschrift, dann gehört sie anders gebucht. Der Punkt 52,52 Grad Nord, 13,40 Grad Ost ist Berlin-Mitte. Vertauscht man die beiden Werte, landet man im Meer.

Vierzig Rotmilan-Paare auf zwei Hektar sind unplausibel, Greifvögel brauchen große Reviere. Vielleicht wurde die Art verwechselt, eher Feldlerche? Eine Bestellung vom 31. Oktober gehört nicht in den Septemberbericht, und im Beispiel lag sie sogar in der Zukunft. Die 19 Grad im Juli in Berlin dagegen liegen im üblichen Bereich.

Eine Grenze, bevor du loslegst. Echte Kundendaten, Personaldaten, Gesundheitsdaten oder Geschäftsgeheimnisse gehören nicht in ein privates KI-Konto.

Ob ein Unternehmens-Copilot oder ein Business-Tarif das darf, entscheidet dein Arbeitgeber mit dem Datenschutz, nicht du allein. Zum Üben nimmst du deshalb nur erfundene oder anonymisierte Daten. Die Verkaufstabelle aus diesem Teil ist komplett ausgedacht.

Wie das rechtlich genau aussieht, zeigt Teil 6. Einordnung, keine Rechtsberatung.

RAG klingt nach großem IT-Projekt. Das Prinzip benutzt du aber schon. Wenn du in Copilot eine Datei hochlädst und Fragen dazu stellst, antwortet das Modell aus dieser Datei. Probier es aus: Lade die Beispieltabelle hoch und frag „Was steht in der Datei zu Filiale Mitte? Nenne die Bestell-IDs.“

In Unternehmen kann Copilot auch auf SharePoint und Postfächer zugreifen, sofern Lizenz und Rechte das hergeben. ChatGPT hat Projekte mit eigenen Dokumenten. Gemini arbeitet mit Dateien aus Google Drive. Und Google hat NotebookLM, das nur aus deinen Quellen antwortet.

Wie das intern technisch umgesetzt ist, legen die Anbieter nicht immer offen. Behaupte also nicht, welches Verfahren genau läuft. Das Prinzip ist dasselbe: erst nachschlagen, dann antworten.

Jetzt bist du der RAG-Detektiv. Eine Beschäftigte fragt den Firmen-Bot nach dem Kilometergeld für Dienstfahrten mit dem Privatauto. Die Suche findet drei Stellen. Deck die Spalte „Bewertung“ ab und überleg: Welche Antwort gibt der Bot? Und welche sollte er geben?

Fundstelle A ist die Richtlinie von 2021. Sie ist veraltet und gehört ins Archiv oder ganz raus aus dem Suchbereich. Fundstelle B ist die aktuelle, die richtige, wenn die KI sie wählt. Garantiert ist das nicht, solange A daneben liegt. Fundstelle C passt zum Wort „Fahrzeug“, aber nicht zur Frage.

Die Lösung ist keine bessere KI. Die Lösung ist Aufräumen.