黑料传送门

Institut f眉r Business Analytics

Data Quality

Die Qualit盲t von Daten wertorientiert Messen, steuern und verbessern

Im Zuge der Digitalisierung stehen Organisationen heutzutage sehr umfangreiche und immer weiter wachsende Mengen an Daten zur Verf眉gung (Stichwort: 鈥濨ig Data鈥�). Allerdings zeigt die Empirie, dass die analysierten und genutzten Daten h盲ufig durch eine geringe Datenqualit盲t charakterisiert sind 鈥� selbst in unternehmensinternen Kundendatenbanken sind durchschnittlich ca. 30% der gespeicherten Datenwerte nicht korrekt. Auf diese Weise entstehen bspw. f眉r ein durchschnittliches amerikanisches Unternehmen j盲hrlich Mehrkosten in H枚he von 15 Millionen Dollar. Mangelnde Datenqualit盲t stellt allerdings nicht nur in Unternehmen ein gro脽es Problem dar 鈥� auch in Politik und Gesellschaft steigt in Zeiten von 鈥濬ake News鈥� der Bedarf an zuverl盲ssigen Informationen. Deshalb werden quantitative Methoden zur Messung, Steuerung und Verbesserung der Datenqualit盲t ben枚tigt.

Besonders kritisch wirkt sich diese Problematik im Zeitalter der K眉nstlichen Intelligenz (KI) aus, in dem mangelhafte Datenqualit盲t unmittelbar zu Unsicherheit f眉hrt. Werden diese zugrundeliegenden Unsicherheiten bei KI-Prognosen ignoriert 鈥� etwa indem fehlende Werte schlicht durch Durchschnittswerte ersetzt werden 鈥�, geben KI-Systeme oft 眉berm盲脽ig selbstsichere und mitunter inkorrekte Empfehlungen ab. F眉r menschliche Entscheidungstr盲ger in Mensch-KI-Teams birgt dies enorme Risiken: Es entsteht eine tr眉gerische Illusion von Sicherheit, die zu unangebrachtem Vertrauen (Overreliance) und potenziell schwerwiegenden Fehlentscheidungen f眉hren kann. Um das transformative Potenzial von KI verantwortungsvoll und vertrauensw眉rdig nutzbar zu machen, ist es daher essenziell, Unsicherheiten aus Datenqualit盲tsdefekten quantitativ zu erfassen, sie transparent abzubilden und den Nutzern offenzulegen.

#Datenqualit盲t #Data Quality #Fake News

Projekte