Warum der Aufbau einer KI-bereiten Grundlage nicht bei der Technologie aufhört
von Aly McGue
Kraken, das KI-gestützte Betriebssystem hinter einigen der weltweit größten Versorgungsunternehmen, verwaltet über 90 Millionen Kundenkonten in 27 Ländern für Kunden wie EDF, E.ON, National Grid und Tokyo Gas. Kraken nutzt Databricks als interne Datenplattform und arbeitet mit Databricks zusammen, um Kunden dabei zu helfen, den Wert der Daten, die sie über eine sichere, skalierbare Datenverteilung erhalten, zu maximieren.
Kristy Mayer-Mejia ist Global Head of Data Transformation bei Kraken, wo ihr Team Versorgungsunternehmen dabei unterstützt, die von Kraken bereitgestellten Daten zu verstehen, zu übernehmen und daraus Wert zu schöpfen. Ihr Auftrag ist zweifach: die Zeit zu verkürzen, die Kunden für die Nutzung der Daten benötigen, und den Wert zu steigern, den sie daraus ziehen.
Ich habe mich mit Kristy zusammengesetzt, um zu verstehen, wie Daten als Geschäftsressource fungieren und die Grundlage einer erfolgreichen KI-Strategie bilden. Ein wichtiger Punkt unseres Gesprächs ist, dass datengesteuert zu werden ebenso sehr von sauberen, vereinheitlichten Daten abhängt wie von einem tiefen Geschäftskontext und der Datenhoheit. Plattformen wie Kraken und Databricks lösen das, was Kristy das grundlegende Vereinheitlichungsproblem nennt, die Voraussetzung, die alles andere praktikabel macht. Aber sobald dieses Fundament gelegt ist, wird der Teil, den die meisten Führungskräfte unterschätzen, der Geschäftskontext, der vereinheitlichte Daten nutzbar macht.
Aly McGue: Warum bleiben Ihrer Erfahrung nach isolierte Daten und fragmentierte Systeme ein großes Hindernis für Unternehmen, die versuchen, aus ihren Investitionen Wert zu schöpfen?
Kristy Mayer-Mejia: Was wir bei unseren Kunden immer wieder sehen, ist, dass minderwertige, isolierte Daten der größte einzelne Blocker sind, um aus anderen Investitionen Wert zu schöpfen. Solange die Daten nicht an einem Ort sind, funktioniert nichts anderes im großen Maßstab, und genau dieses Problem soll die Kraken-Plattform lösen. Und das habe ich auch als Datenmanagerin in all meinen früheren Rollen erlebt. Ihr Team verbringt 80 % seiner Zeit mit der Datenbereinigung, und das ist einfach keine wertvolle Arbeit. Es ist nicht notwendig.
Der eigentliche Durchbruch ist Self-Service, aber er ist nur möglich, wenn die zugrunde liegenden Daten sauber, vereinheitlicht und zugänglich sind. Besonders im Zeitalter der KI ist Self-Service im großen Maßstab möglich. Sie werden sich als Unternehmen niemals schnell bewegen, innovieren oder tägliche datengesteuerte Entscheidungen treffen können, wenn jede Frage vom Datenteam beantwortet werden muss. Aber wenn die Daten über Systeme verstreut sind, ohne Dokumentation und ohne klare Möglichkeit, sie zu verbinden, ist Self-Service unmöglich. Die Vereinheitlichung ist dieser grundlegende Durchbruch, der alles andere praktikabel macht: die Analysen, die KI, die Geschwindigkeit der Entscheidungsfindung. Es ist eine Grundvoraussetzung.
Aly: Wir alle waren schon in Meetings, in denen die Führungsebene mehr Zeit damit verbracht hat, zu diskutieren, 'welche Zahl richtig ist', als tatsächlich eine Entscheidung zu treffen. Was sind die versteckten Kosten dieses mangelnden Vertrauens in die Daten?
Kristy: Ich gebe dieses Beispiel ständig, und es war in jedem Unternehmen, in dem ich je gearbeitet habe, wahr. Bevor man vereinheitlichte Daten hat, lautet die klassische Frage: Wie viele Kunden haben wir? Und niemand weiß es genau. Man kennt die grobe Größenordnung. Aber wenn ich dieses Beispiel gebe, lachen die Leute jedes Mal, weil sie wissen, dass es stimmt.
Das führt zu einem Mangel an Vertrauen in die Daten. Und einer der wichtigsten frühen Werte, die vereinheitlichte Daten bieten, ist die Geschwindigkeit der Entscheidungsfindung, die Fähigkeit, datengesteuertes Denken in die DNA des Unternehmens einzubetten. Man kann sich nicht schnell bewegen, wenn man jedes Mal, wenn man eine Zahl abruft, denkt: „Bin ich sicher, dass das stimmt?“ Lassen Sie mich fünf andere Stellen überprüfen. Lassen Sie mich jemanden fragen. Und dann ist es anders. Und dann muss man herausfinden, warum es anders ist. Plötzlich sind es zwei Wochen oder ein Monat später, und man hätte genauso gut eine zufällige Richtung wählen und einfach weitermachen können.
Aly: Wir sprechen oft davon, dass Daten die KI antreiben, aber Sie haben angedeutet, dass KI tatsächlich eine 'treibende Kraft' für bessere Daten sein könnte. Wie verändert der Vorstoß für KI die Art und Weise, wie Organisationen Dokumentation und Kontext angehen?
Kristy: KI war tatsächlich eine treibende Kraft. Die Eingaben, die KI benötigt, sind dieselben Eingaben, die Menschen benötigen: klare Daten, Dokumentation, Kontext darüber, was Spalten bedeuten und wie Dinge zusammenpassen. Wenn Daten schwer zu verwenden sind, fühlen sich Self-Service-Analysen wie ein „Nice-to-have“ an, weil der Wert schwer zu fassen ist. Es sind ein paar Stunden, die hier und da bei einzelnen Entscheidungen gespart werden, was isoliert betrachtet nicht überzeugend wirkt. Aber über die gesamte Organisation hinweg summiert es sich enorm. Es ist nur schwer zu erkennen.
KI hat diesen Wert sichtbar gemacht und saubere Daten & Dokumentation zu einer Grundvoraussetzung gemacht. Sie nimmt das, was jeder schon immer wusste, dass es nötig ist, und macht es unverhandelbar. Und auf der anderen Seite bietet die KI selbst die Werkzeuge, um Analysen freizuschalten. Dinge wie konversationelle Schnittstellen, die es Menschen ermöglichen, Daten abzufragen, ohne SQL schreiben zu müssen. Es ist also sowohl die treibende Kraft, die die Vereinheitlichung vorantreibt, als auch der Nutzen, der daraus entsteht.
Aly: Sie haben über die Notwendigkeit gesprochen, Daten zu vereinheitlichen und zu dokumentieren. Aber wenn es speziell um KI geht, reicht eine Dokumentation in einer Wissensdatenbank oder einem PDF aus?
Kristy: Das war einmal so. Wir haben unsere Datendokumentation so geteilt, wie es die meisten Unternehmen tun: ein PDF oder eine Seite auf einer Website, die ein Datenanalyst bei Bedarf als Kontext heranziehen konnte. Das funktioniert gut genug für Menschen. Für KI funktioniert es nicht.
Jeder Kunde, mit dem ich jetzt spreche, stellt dieselbe Frage: Können Sie die Metadaten im Kontext, zusammen mit den Daten selbst, teilen, damit wir sie tatsächlich in Modelle einspeisen und diese verstehen können, womit sie arbeiten? Diese Verschiebung von Dokumentation als Referenzartefakt zu Dokumentation als Live-Eingabe ist eine der unterschätzteren Veränderungen, die die KI erzwingt. Mit Unity Catalog und Delta Sharing können wir diesen Kontext zusammen mit den Daten teilen und nicht getrennt davon. Für unsere Kunden ist das oft der Unterschied zwischen einer KI, die über die Daten nachdenken kann, und einer KI, die dies nicht kann.
Aly: Wie sieht 'Datenvereinheitlichung' in der Praxis aus? Wie verändert die Sichtbarkeit in nahezu Echtzeit den täglichen Betrieb?
Kristy: Einige Beispiele unserer Kunden stechen hervor. Eines ist der Callcenter-Betrieb, der eine massive Funktion für Versorgungsunternehmen darstellt. Wir hatten einen Kunden, der von monatlichen Berichten über das Anrufvolumen, die so mühsam zu erstellen waren, zu Dashboards überging, die sich alle paar Stunden aktualisieren, mit einem prädiktiven Modell, das darüber liegt, welche Anrufe sie voraussichtlich in Zukunft sehen werden. Diese Fähigkeit, den Betrieb in nahezu Echtzeit zu optimieren, anstatt einmal im Monat zurückzublicken, ist eine völlig andere Art, das Geschäft zu führen.
Ein weiterer Bereich ist die Produktinnovation. Im Versorgungsbereich legen Kunden fest, welche Produkte und Tarife sie anbieten, um Kunden zu gewinnen und zu binden. Das ist eine Entscheidung, die mit Daten tiefgreifend optimiert werden kann. Saubere, klare Daten ermöglichen Kunden einfache Einblicke und schnelle Test-und-Lern-Zyklen zur Optimierung ihrer Produktangebote – und die Kraken-Plattform ermöglicht es ihnen dann, diese neuen Tarife schnell einzuführen.
Aly: Der 'Analysten-Engpass' ist ein klassischer Schmerzpunkt für Führungskräfte. Wie verändern natürliche Sprachschnittstellen, wie Databricks Genie, die Kultur vom wochenlangen Warten auf einen Bericht zum Erhalt von Antworten in Minuten?
Kristy: Die meisten unserer Genie-Kunden befinden sich noch in den frühen Phasen. Aber was wir sehen, ist, dass es ihre Startzeit um Wochen oder mehr beschleunigt. Sie müssen die Daten nicht so tiefgreifend modellieren, wie man es tun würde, um sie in ein traditionelles BI-Tool einzuspeisen. Sie benötigen eine klare Dokumentation, den Kontext, die Daten an einem Ort, aber sie müssen sie nicht so präzise strukturieren, dass ein Benutzer sie über eine starre Schnittstelle erkunden kann.
Doch jenseits der Geschwindigkeit gibt es einen wirklich deutlichen kulturellen Dominoeffekt. Eine der größeren Barrieren für den Datenwert ist der kulturelle Wandel, Daten zu einem Teil der eigenen DNA zu machen. Und ich bin fest davon überzeugt, dass einer der Schlüssel dazu ist, es unglaublich einfach und intuitiv zu gestalten. Wenn die Hürde niedrig ist und Menschen schnell Zugang finden, folgen die Kultur und der sich verstärkende Wert.
Aly: Was ist das größte Missverständnis von C-Level-Führungskräften, wenn sie ihre IT-Abteilungen damit beauftragen, 'die Daten für KI vorzubereiten'?
Kristy: Daten sind ein Geschäftsvermögen. Und der größte Fehler, den ich bei Führungskräften sehe, ist, sie wie eine IT-Plattform zu behandeln. Sie trennen sie vom Geschäft und sagen: „Okay, IT, bereitet unsere Daten vor.“ Aber der Schlüssel zum Aufbau einer soliden Datengrundlage ist der tiefe Geschäftskontext. Wie werden die Daten generiert? Wie werden sie genutzt? Wie interpretieren Menschen sie? Was bedeutet dieses Feld eigentlich? Sobald die technische Grundlage geschaffen ist, wird der schwierigste Teil dieser tiefe Geschäftskontext. Und die überwiegende Mehrheit dieser Arbeit liegt beim Geschäft, nicht beim Datenteam.
Mein Rat ist also, Daten im Geschäft zu verankern. Die Roadmap, um Ihre Daten für KI vorzubereiten, ist eine gemeinsame Roadmap. Es ist eine Geschäfts-Roadmap ebenso wie eine technische.
Aly: Kraken verfügt über einen großen Teil der Daten der Versorgungsbranche. Wohin werden KI und Daten Ihre Kunden in den nächsten drei bis fünf Jahren führen?
Kristy: Was ich am interessantesten finde, ist, wie schnell KI die Möglichkeiten erweitert, was Kunden tun können, sobald sie eine solide Datengrundlage haben. Lange Zeit war die Frage: Wie bekommen wir unsere Daten in einen nutzbaren Zustand? Diese Arbeit ist immer noch real und sie braucht immer noch Zeit. Aber die Frage verschiebt sich hin zu: Was wird möglich, jetzt wo die Grundlage da ist? Und die Antwort darauf erweitert sich ständig. KI verändert den Ausgangspunkt für Kunden und was als Erfolg gilt. Kunden, die vor zwei Jahren einen monatlichen Bericht als Erfolg betrachtet hätten, betreiben jetzt stündliche Dashboards mit darauf aufbauenden prädiktiven Modellen und streben schnell eine breite Nutzung von agentischer KI an.
Diejenigen, die frühzeitig in ihre Datenfähigkeiten investiert haben – und zwar nicht nur in ihre Technologie, sondern auch in ihre Fähigkeiten und Kultur – sind diejenigen, die sich jetzt am schnellsten bewegen, und die Kluft zwischen ihnen und allen anderen wird sich nur noch vergrößern.
Kristys Perspektive fügt der Diskussion über Dateninfrastruktur eine oft fehlende Ebene hinzu. Die Plattform und die von ihr ermöglichte Vereinheitlichung sind der grundlegende Schlüssel. Aber wo sie die meisten Organisationen ins Stocken geraten sieht, ist die Arbeit, die danach kommt: das Geschäftswissen, das Daten nutzbar macht, die Dokumentation, die KI ermöglicht, und der kulturelle Wandel, der Self-Service real macht.
Während Sie Ihre Roadmap zur Integration von KI in Ihre Organisation und Produkte entwickeln, laden Sie den Databricks State of AI Agents herunter, um Ihre Investitionen zu bewerten.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.