Praxisbericht Veolia: Datenautomatisierung steht vor dem KI-Projekt

Wenn Unternehmen KI-Projekte ohne saubere Datenbasis starten, sind diese fast immer zum Scheitern verurteilt: Laut einer gemeinsamen Studie von Precisely und dem LeBow College of Business der Drexel University (Philadelphia, USA) bringen 95 Prozent der KI-Vorhaben wegen mangelhafter Datenqualität nicht den gewünschten Erfolg. Dass es auch anders geht, zeigt das Datenautomatisierungsprojekt von Veolia Deutschland. Der Umweltdienstleister baut mithilfe von Precisely eine solide Datenbasis für KI-Anwendungen auf. Unser Praxisbericht verdeutlicht, wie das Projektteam dabei vorgegangen ist und warum es sich lohnen kann, in puncto Automatisierung klassische Technologien nicht von vorneherein auszuschließen.

Wie Veolia den Rahmen für KI-Einsatz geschaffen hat

Genau an dieser Stelle setzt die Zusammenarbeit von Veolia und Precisely an: Mithilfe von Stammdatenautomatisierung, Autocomplete-Funktionen und Low-Code-Workflows aus dem Precisely-Portfolio hat Veolia Deutschland eine solide Datenbasis für KI-Anwendungen geschaffen.

Den Ausgangspunkt dafür bildete die Konsolidierung der historisch gewachsenen Systemlandschaft zu einem harmonisierten S/4HANA-System über mehr als 70 deutsche Gesellschaften hinweg. Parallel etablierte Veolia eine unternehmensweite Stammdaten-Governance mit klaren Berechtigungen und Regeln. Je nach Datenobjekt gilt diese zentral für alle Gesellschaften oder wird dezentral vor Ort festgelegt. Bei hochvolumigen, gesellschaftsübergreifenden Stammdaten wie Geschäftspartnern ersetzte das Projektteam die manuelle Erfassung zudem durch eine automatisierte Datenbereitstellung über externe Data Broker.

Auch organisatorisch wurde der Weg hin zu autonomen Prozessen von Beginn an sorgfältig begleitet: Um Ängste der Belegschaft vor Arbeitsplatzverlust abzubauen, setzte Veolia auf offene Kommunikation über monatliche „KI-Cafés“ und band auch den Betriebsrat frühzeitig ein.

Wo Datenautomatisierung den größten Effekt zeigt

Bei der Datenautomatisierung selbst gingen Precisely und Veolia systematisch vor und priorisierten Prozesse mit hohem Volumen und klaren Regeln. Den Anfang machten Geschäftspartner- und Controlling-Stammdaten. Schließlich bilden sie die Grundlage für sämtliche Auswertungen und Zuordnungen. Zudem sei das Thema Compliance bei Geschäftspartnerdaten ein Dauerbrenner, verweist Donner: „Allein durch Lieferkettensorgfaltspflichten kommt gefühlt jedes Jahr eine neue Anforderung hoch.

Dank der Low-Code-/No-Code-Werkzeuge von Precisely ist Veolia dafür heute bestens gerüstet. Autocomplete-Funktionen schlagen im Rahmen automatisierter Workflows Werte mit definierter Wahrscheinlichkeit vor und validieren sie direkt regelbasiert. So müssen Mitarbeitende nur noch dort manuell eingreifen, wo die Wahrscheinlichkeit für einen Wert unter der definierten Schwelle liegt. Alles andere läuft automatisiert und zuverlässig im Hintergrund.

Bei den Bewegungsdaten setzte das Projektteam dort an, wo die Stückzahlen am größten waren, etwa beim elektronischen Kontoauszug oder beim Thema Intercompany-Abstimmung. „Wir haben in Deutschland rund 70, weltweit sogar mehr als 1.000 Gesellschaften, die fast alle miteinander Geschäft machen“, erklärt Donner. Entsprechend wichtig ist es, dass sämtliche Daten sauber miteinander matchen. Um dies zu gewährleisten, muss allerdings nicht zwingend KI zum Einsatz kommen. Viele Prozesse – wie beispielsweise die E-Rechnung – lassen sich laut Donner bereits mithilfe klarer Regelwerke automatisieren.

Ob und wie die Automatisierung voranschreitet, misst der Umweltdienstleister anhand konkreter KPIs: Wie viele Datensätze werden automatisiert angelegt? Wie viele Rechnungen kommen noch ohne Bestellbezug rein? An einigen Stellen ist der erzielte Mehrwert bereits deutlich erkennbar: So erreicht Veolia Deutschland beim Abgleich von Zahlungseingängen mit offenen Posten mittlerweile automatisierte Matching-Quoten von bis zu 95 Prozent.

Welche KI-Use-Cases sich nicht rechneten

Allerdings überstand nicht jede vielversprechende Idee die Praxis. So hatte das Projektteam beispielsweise kurz nach dem S/4HANA-Go-live einen Automatisierungspiloten im Bereich der Materialstammdaten gestartet, diesen jedoch zügig wieder eingestellt. Durch die im Rahmen des S/4HANA-Umstiegs bereits eingeführte Governance hatte sich die Zahl der Materialstammanlagen von über 1.000 auf rund 200 reduziert. „Wir kommen an dieser Stelle mit der normalen organisatorischen Governance aus“, resümiert Donner.