Business Understanding:
Geschäftsziele in messbare Fragestellungen übersetzen
Business Understanding ist die erste Phase des Data-Science-Prozesses nach CRISP-DM: Geschäftsziele werden zu messbaren Fragestellungen. Wir definieren gemeinsam, welche Fragen Ihre Daten beantworten sollen.
Warum Business Understanding entscheidend ist
Ohne schriftliches Ziel gibt es nichts, woran ein Modell bestehen oder scheitern könnte.
Zieldefinition
Gemeinsame Erarbeitung klarer, messbarer Geschäftsziele mit definierten Erfolgskriterien.
Beteiligte einbinden
Einbindung aller relevanten Perspektiven, von der Fachabteilung bis zur Geschäftsführung.
Machbarkeit
Realistische Einschätzung von Datenverfügbarkeit und erwartetem Nutzen.
Vom Geschäftsziel zur analytischen Fragestellung
Ein Geschäftsziel ist eine Richtung: weniger Retouren, weniger ungeplante Stillstände, weniger Kündigungen. Ein Modell braucht eine Frage, die sich aus Daten beantworten lässt und genau eine Größe vorhersagt. Diese Übersetzung, die Zieldefinition, ist die eigentliche Arbeit im Business Understanding, der ersten Phase nach CRISP-DM. Drei Beispiele aus unseren durchgerechneten Anwendungsfällen, alle drei Modellrechnungen über fiktive Unternehmen:
| Geschäftsziel, wie es im Erstgespräch fällt | Analytische Fragestellung | Zielvariable |
|---|---|---|
| „Wir wollen weniger Retouren." | Welcher Anteil der Passform-Retouren bei Jeans lässt sich vermeiden, wenn der Kunde beim Kauf die richtige Größe empfohlen bekommt? | Die behaltene oder zurückgeschickte Größe je Kunde und Schnitt; Erfolgskriterium ist die Retourenquote je Kategorie |
| „Unsere Anlagen fallen zu oft ungeplant aus." | Welche Anlage fällt in den nächsten Wochen mit welcher Wahrscheinlichkeit aus, und wie viele Tage Vorwarnzeit bleiben für ein Wartungsfenster? | Der Ausfallzeitpunkt aus der Wartungshistorie, dazu der Sensorverlauf davor |
| „Uns kündigen zu viele Fahrer." | In welchen Fahrergruppen steigt das Kündigungsrisiko in den nächsten 90 Tagen? Ausgewertet wird nur auf Gruppenebene, mit dem Betriebsrat von Anfang an. | Die Kündigung innerhalb von 90 Tagen je Fahrer, berichtet je Gruppe |
Jede Zeile legt drei Dinge fest: die Zielvariable, also die Größe, die das Modell vorhersagen soll, die Population, für die die Vorhersage gilt, und den Zeithorizont. Was in der Zeile fehlt, fehlt später auch im Modell. Ist die Zielvariable nie erfasst worden, weil zum Beispiel niemand festgehalten hat, welche Größe der Kunde behalten hat, gibt es kein Modell, nur eine Statistik. Wie aus der ersten Zeile ein Modell im Bestellvorgang wird, zeigt der Anwendungsfall Retourenquote senken mit Größenempfehlung.
Predictive Maintenance: den Ausfall sehen, bevor er passiert Fahrerfluktuation vorhersagen: die kippende Gruppe erkennenErfolgskriterien: was ein gutes Modell für Ihr Geschäft heißt
Ein technisches Kriterium sagt, wie gut das Modell trifft: Trefferquote, Recall, mittlerer Fehler. Ein Geschäftskriterium sagt, was das für Sie bedeutet: vermiedene Retouren je Kategorie, geplante statt ungeplante Stillstandsstunden, verhinderte Kündigungen. In Phase 1 legen wir beide fest, samt der Übersetzung vom einen ins andere. Im Fahrerbeispiel heißt ein Recall von 60 Prozent: Das Modell erkennt drei von fünf bevorstehenden Kündigungen vorab. Ob diese Quote reicht, entscheidet nicht die Statistik, sondern Ihre Rechnung: was ein Abgang kostet und was eine Umplanung der Schichten kostet.
Die Baseline-Regel
Die zweite Festlegung ist die Baseline: Wie gut ist die heutige Lösung ohne Modell? Die Erfahrung des Disponenten, die Größentabelle im Shop, das feste Wartungsintervall. Wir schreiben in Phase 1 auf, wie gut diese Praxis heute ist. Sonst lässt sich der Erfolg des Modells nicht messen. Gegen „keine Unterstützung" gewinnt jedes Modell; deshalb messen wir gegen die bewährte Praxis. Das Ergebnis ist ein schriftlicher, vorab festgelegter Erfolgsendpunkt: welche Kennzahl auf welcher Population in welchem Zeitraum gegen welchen Vergleich. Geprüft wird er in Phase 5, unverändert.
Wie die Erfolgskriterien in Phase 5 geprüft werden Warum 95 % der GenAI-Pilotprojekte scheiternDer Discovery-Workshop: Ablauf, Teilnehmer, Ergebnis
Business Understanding beginnt bei uns mit einem kostenlosen Erstgespräch von 30 Minuten und geht in einen Discovery-Workshop über. Im Workshop sitzen die Menschen, die die Entscheidung heute treffen und die Daten kennen: der Fachbereich, der weiß, was ein Feld in der Warenwirtschaft tatsächlich bedeutet, und die Person, die das Vorhaben im Haus verantwortet. Beteiligte einbinden heißt hier: Wer die Vorhersage später nutzen soll, sitzt mit am Tisch.
Das Ergebnis ist ein Zielbild, die KI-Potenzialanalyse für genau einen Anwendungsfall: das Geschäftsziel, die analytische Fragestellung, die Zielvariable, die Erfolgskriterien mit Baseline, eine erste Einschätzung der Datenverfügbarkeit und der Projektrahmen. Ob sich das Vorhaben rechnet, steht als Business Case daneben: Was kostet die Umsetzung, was bringt sie, ab wann trägt sie sich? Liegt eine KI-Strategie für den Mittelstand vor, bringt sie diese Rechnung mit, und Phase 1 macht sie messbar. Ohne Strategie hält das Zielbild zunächst die Einschätzung des erwarteten Nutzens fest. Mit dem Zielbild beginnt Phase 2, in der das Dateninventar die Einschätzung prüft.
Unser Vorgehen
Discovery & Zielfindung
In strukturierten Workshops identifizieren wir gemeinsam Schmerzpunkte, Chancen und strategische Prioritäten.
Problem Framing
Wir übersetzen Geschäftsfragen in präzise, analytisch adressierbare Fragestellungen.
Erfolgskriterien & Scope
Gemeinsam legen wir fest, welche Kennzahlen den Projekterfolg definieren.
Typische Ergebnisse
Häufige Fragen zum Business Understanding
Was ist Business Understanding im Data-Science-Prozess?
Business Understanding ist die erste der sechs Phasen von CRISP-DM. Sie übersetzt ein Geschäftsziel in eine analytische Fragestellung mit Zielvariable, Population und Zeithorizont und legt fest, woran der Erfolg gemessen wird. Das Ergebnis ist ein Zielbild mit Erfolgskriterien und einer Einschätzung, ob die Daten die Frage tragen.
Welche Fragen klärt ein Discovery-Workshop?
Welche Entscheidung soll besser werden, wer trifft sie heute und womit? Welche Größe müsste ein Modell vorhersagen, für wen und wie weit im Voraus? Welche Daten liegen im Haus, und wer würde die Vorhersage im Alltag nutzen? Die Baseline, gegen die das Modell antreten muss, wird im selben Workshop beziffert.
Wie macht man Geschäftsziele für ein KI-Projekt messbar?
Mit einem schriftlichen Erfolgsendpunkt, der vor dem Projekt feststeht: welche Kennzahl, auf welcher Population, in welchem Zeitraum, gegen welchen Vergleich. Aus „weniger Retouren" wird so die Retourenquote je Kategorie, gemessen vor und nach der Einführung einer Größenempfehlung, verglichen mit der Größentabelle ohne Empfehlung.
Was kostet Phase 1 und wie lange dauert sie?
Das 30-minütige Erstgespräch ist kostenlos. Eine pauschale Dauer für Phase 1 nennen wir bewusst nicht; sie hängt davon ab, wie viele Kandidaten Sie mitbringen und wie klar die Datenlage ist. Wer die Machbarkeitsprüfung als abgegrenztes Paket möchte, bekommt sie im AI Readiness Assessment zum Festpreis.
Was passiert, wenn sich in Phase 1 zeigt, dass das Projekt nicht machbar ist?
Dann steht das im Zielbild, mit Begründung und mit dem Vorschlag, was vorher zu tun ist: eine fehlende Zielgröße erfassen, Historie aufbauen oder den Prozess klären, der die Vorhersage nutzen soll. Ein Nein nach Phase 1 ist günstig; ein Nein nach der Modellierung hat die Datenaufbereitung, die aufwendigste Phase, schon hinter sich.
Brauchen wir vor Phase 1 eine KI-Strategie?
Nicht zwingend. Für den Einstieg reichen ein konkretes Problem mit spürbaren Kosten, Prozesse, die dazu bereits Daten erzeugen, und eine Person im Haus, die das Vorhaben verantwortet. Eine KI-Strategie klärt zusätzlich die Reihenfolge mehrerer Kandidaten und den Business Case je Vorhaben; Phase 1 nimmt diese Vorarbeit auf, wo sie existiert.
Welche Unterlagen sollten wir zum Erstgespräch mitbringen?
Keine Präsentation. Hilfreich sind drei Dinge: die Entscheidung, die besser werden soll, in einem Satz. Außerdem die Systeme, in denen die Daten dazu liegen, etwa ERP, Warenwirtschaft, Telematik oder Leitsystem. Und die Person, die das Ergebnis im Alltag nutzen würde. Ihre Ausgangslage und die Datenquellen fragt unser Fragebogen vor dem Gespräch ab. Die Entscheidung und die Person bringen Sie mit.
Vertiefung
Predictive Maintenance: den Ausfall sehen, bevor er passiert Fahrerfluktuation vorhersagen: die kippende Gruppe erkennen Wie die Erfolgskriterien in Phase 5 geprüft werden Warum 95 % der GenAI-Pilotprojekte scheitern AI Readiness Assessment: Daten, Zielvariable und Use Case vor dem Projekt prüfen Datenakquise in Phase 2: das Dateninventar prüft das ZielbildLassen Sie uns über Ihr Projekt sprechen
Bringen Sie die Entscheidung mit, die besser werden soll, und die Systeme, in denen die Daten dazu liegen. Das Erstgespräch dauert 30 Minuten.
Kostenloses Erstgespräch buchen