• TEDAMOH

    Blog

Datenmodellierung als Wettbewerbsvorteil: Was gute Informationsmodelle wirklich wert sind

„Michael, ich habe eine einfache Frage." Silvia Seven, CFO von FastChangeCo, schiebt das Projektstatusdeck beiseite. „Wie viele Projekte haben in den letzten zwei Jahren das Thema ‚Kunde' von Grund auf neu definiert?" Michael Mueller schluckt. Er kennt die Antwort. Und sie ist unangenehm.

„Brauchen wir eigentlich noch Datenmodellierer, wenn KI das übernehmen kann?" Die Frage kam nach einer Coaching-Session. Ich habe kurz geschluckt. Nicht weil sie an sich falsch war – sondern weil es die falsche Frage war.

AI in the Data Modeling Workflow

Amal lehnt sich zurück und schaut auf ihr Notizbuch. Drei Seiten vollgeschrieben. Dazu vier Whiteboards voller Post-its aus dem Requirements-Workshop. Und irgendwo dazwischen stecken die Geschäftsobjekte, die sie für das neue Datenmodell braucht. „Diego", fragt sie, „wie lange hat das früher gedauert, bis du aus so einem Workshop wirklich wusstest, was modelliert werden muss?" Diego lächelt. „Früher? Manchmal eine Woche."

Why AI can't define your business objects

KI-Systeme benötigen perfekt strukturierte Daten, können aber die notwendigen Datenmodelle nicht selbst erstellen. Warum scheitert selbst die leistungsfähigste KI daran, zu verstehen, was ein "Kunde" oder ein "Produkt" in einem spezifischen Unternehmen bedeutet? Und warum ist genau diese Definitionsarbeit der Schlüssel zum Erfolg jeder KI-Implementierung?

The AI Paradox

Künstliche Intelligenz revolutioniert gerade nahezu jeden Geschäftsbereich. Doch bei aller Begeisterung für diese Technologien wird dabei oft ein fundamentales Paradox übersehen: KI benötigt hochwertige, strukturierte Daten, um überhaupt funktionieren zu können. Gleichzeitig ist ausgerechnet KI selbst nicht in der Lage, die Datenstrukturen zu schaffen, die sie zum Arbeiten braucht.

Einführung in Fact-Oriented Modeling

Wie kann ich natürliche Sprache in meinem Modellierungsprozess verwenden, um qualitativ hochwertige Informationsmodelle zu erstellen?

Dimension-Ids im Data Vault

Resiliente und temporal korrekte Dimension-Ids für Fakten- und Dimensionstabellen bei FastChangeCo

Sind in einem dimensionalen Datenmodell, aufbauend auf einem Data-Vault-Datenmodell, Integer-Werte als Dimension-Ids immer noch notwendig?