Nach der SAP S/4HANA Implementierung ist vor der KI-Transformation

andreas.halusa

9. Okt.

3 Min. Lesezeit

Darum geht's

Das Fundament für KI schaffen: Eine erfolgreiche S/4HANA-Transformation ist der erste Schritt. Erst hochwertige, konsistente und fachlich verständliche Daten ermöglichen den zuverlässigen Einsatz von KI.

Datenqualität als Erfolgsfaktor: Fehlerhafte, unvollständige oder veraltete Daten können KI-Ergebnisse beeinträchtigen. Eine systematische Datenqualitätsanalyse schafft die Grundlage für verlässliche Erkenntnisse und fundierte Entscheidungen.

KI nachhaltig ermöglichen: dataXcellence AG unterstützt Unternehmen dabei, ihre Daten gezielt zu analysieren, zu verbessern und dauerhaft abzusichern – für eine belastbare Basis erfolgreicher KI-Anwendungen.

Die nächste Transformationsphase hat begonnen

Viele Unternehmen haben die Migration von SAP ECC auf SAP S/4HANA erfolgreich abgeschlossen. Geschäftsprozesse wurden modernisiert, Systeme konsolidiert und Daten migriert.
Gleichzeitig integriert SAP zunehmend künstliche Intelligenz in Geschäftsprozesse und Anwendungen. Lösungen wie SAP Joule und KI-Agenten sollen Mitarbeitende unterstützen, Entscheidungen verbessern und Abläufe effizienter gestalten.
Damit KI Unternehmensprozesse sinnvoll unterstützen kann, benötigt sie mehr als leistungsfähige Modelle: Sie braucht verlässliche Daten, fachlichen Kontext und klare Governance.

Weitere Informationen bietet SAP in der Beschreibung der SAP Business AI Platform.

Für Unternehmen stellt sich deshalb eine entscheidende Frage: Ist die bestehende Datenbasis bereit für den produktiven Einsatz von KI?

S/4HANA ist ein wichtiger Meilenstein – aber keine Garantie für gute Daten

Eine erfolgreiche S/4HANA-Einführung schafft eine moderne technologische Grundlage. Sie garantiert jedoch nicht automatisch, dass die Daten vollständig, konsistent und fachlich korrekt sind.
Bei einer System Conversion wird ein bestehendes SAP-System technisch auf S/4HANA umgestellt, ohne dass damit zwangsläufig eine umfassende fachliche Datenbereinigung verbunden ist.
Eine Greenfield-Migration bietet hingegen die Chance, Daten gezielt zu bereinigen und mit einer hohen Datenqualität zu starten. Über die Zeit kann diese jedoch durch neue Daten, veränderte Prozesse und unzureichende Pflege wieder abnehmen.

Datenqualität ist deshalb keine einmalige Aufgabe, sondern ein kontinuierlicher Prozess. Regelmässige Prüfungen und gezielte Verbesserungen schaffen die Grundlage für verlässliche Auswertungen, fundierte Entscheidungen und KI-Anwendungen.

Warum KI die Anforderungen an Datenqualität verändert

Erfahrene Mitarbeitende erkennen häufig, wenn Zahlen unplausibel sind oder Ergebnisse nicht zum Geschäft passen. Sie kennen Prozesse, verstehen Ausnahmen und können widersprüchliche Informationen hinterfragen.

KI-Anwendungen analysieren grosse Datenmengen, erkennen Muster, erstellen Prognosen und unterstützen Geschäftsprozesse. Die Qualität ihrer Ergebnisse hängt wesentlich von den verfügbaren Informationen und deren fachlichem Kontext ab.

Typische Datenqualitätsprobleme sind:

Unvollständige Daten: Fehlende Attribute erschweren Analysen und führen zu unvollständigen Ergebnissen.
Dubletten: Mehrfach vorhandene Geschäftspartner oder Materialien können Kennzahlen verzerren.
Inkonsistente Daten: Widersprüchliche Angaben führen zu uneinheitlichen Ergebnissen.
Veraltete Daten: Überholte Informationen können zu unpassenden Empfehlungen führen.
Fehlerhafte Daten: Falsche Werte können Analysen und Folgeprozesse beeinträchtigen.

Dabei ist nicht jede Auffälligkeit ein Fehler. Ein ungewöhnlicher Wert kann ebenso eine seltene, geschäftlich relevante Situation abbilden. Deshalb müssen Datenprobleme fachlich bewertet und nachvollziehbar behandelt werden.

Viele Unternehmen beschäftigen sich bereits mit konkreten KI-Anwendungsfällen: Wo kann KI Mitarbeitende entlasten? Wie können Prognosen verbessert und Entscheidungen fundierter getroffen werden?

SAP verfolgt mit Lösungen wie der SAP Business AI Platform, der SAP Business Data Cloud und dem SAP Knowledge Graph das Ziel, Unternehmensdaten besser für KI verfügbar zu machen und ihre fachlichen Zusammenhänge abzubilden.

Bevor diese Potenziale ausgeschöpft werden können, muss jedoch die Datenbasis stimmen. Denn KI ist nur so zuverlässig wie die Daten, auf denen sie aufbaut, und der fachliche Kontext, in dem sie diese interpretiert.

Der Aufbau dieses Fundaments belastbarer Datenqualität umfasst fünf zentrale Schritte:

Datenqualität transparent machen: Datenbestände systematisch analysieren, Qualitätsprobleme sichtbar machen und den Handlungsbedarf messbar bestimmen.
Auffälligkeiten erkennen und bewerten: Dubletten, fehlende Werte, Inkonsistenzen und veraltete Informationen identifizieren und fachlich einordnen.
Daten gezielt verbessern: Qualitätsprobleme priorisieren und dort beheben, wo sie Geschäftsprozesse und geplante KI-Anwendungen besonders beeinflussen.
Datenqualität nachhaltig absichern: Klare Verantwortlichkeiten und regelmässige Kontrollen etablieren, damit die Qualität auch bei laufenden Veränderungen erhalten bleibt.
Daten für KI vorbereiten: Sicherstellen, dass Datenquellen, fachliche Zusammenhänge, Qualitätsanforderungen und Zugriffsrechte zum jeweiligen Anwendungsfall passen.

Das Fundament für erfolgreiche KI besteht deshalb aus hochwertigen Daten, einem klaren fachlichen Kontext und einer nachhaltigen Sicherung der Datenqualität. Unternehmen, die diese Grundlagen frühzeitig schaffen, verbessern die Voraussetzungen dafür, KI-Anwendungen zuverlässig, nachvollziehbar und mit echtem geschäftlichem Mehrwert einzusetzen.

Wie dataXcellence AG Unternehmen KI-ready macht

Wir unterstützen Unternehmen dabei, ihre Datenqualität systematisch zu analysieren, Schwachstellen transparent zu machen und gezielte Verbesserungsmassnahmen abzuleiten.

Unser Ansatz verbindet drei Perspektiven:

Analysieren: Den tatsächlichen Zustand der Daten sichtbar machen und Qualitätsprobleme messbar bestimmen.
Verbessern: Fehler, Dubletten und Inkonsistenzen gezielt bearbeiten und fachlich korrekt einordnen.
Absichern: Regeln und Kontrollen etablieren, damit die Datenqualität langfristig erhalten bleibt.

Auch KI kann dabei helfen, ungewöhnliche Muster zu erkennen und potenzielle Fehler für eine fachliche Prüfung zu priorisieren. Entscheidend bleibt eine nachvollziehbare Bewertung der Ergebnisse.

So wird Datenqualität vom isolierten IT-Thema zu einem strategischen Baustein der digitalen Weiterentwicklung.

Fazit: Erst das Fundament, dann die nächste Stufe

Die S/4HANA-Transformation schafft die Grundlage für eine moderne IT-Landschaft. Der nächste Schritt besteht darin, diese Grundlage für KI-gestützte Analysen, intelligente Assistenzsysteme und zunehmend automatisierte Geschäftsprozesse zu nutzen.

Dafür müssen Unternehmen wissen, ob ihre Daten ausreichend zuverlässig sind, ob fachliche Zusammenhänge verständlich abgebildet werden und ob Qualitätsprobleme rechtzeitig erkannt werden.

Eine systematische Datenqualitätsanalyse schafft Transparenz. Gezielte Verbesserungen reduzieren Schwachstellen. Kontinuierliche Kontrollen sichern die Qualität langfristig ab.