Filialumsatz, Vorstandsfragen und Forecasting auf Basis einheitlicher Definitionen
Handel
Ein Händler mit Microsoft Fabric im Produktivbetrieb wollte Forecasting, Copilot-Fragen und Anomalieerkennung auf Basis seiner Daten nutzen. Wir haben zuerst die Definitionen konsistent gemacht, dann die KI-Arbeit darauf aufgebaut und dafür gesorgt, dass sie konsistent bleiben.
Die Fabric-Plattform des Händlers war täglich im Einsatz, mit semantischen Modellen hinter dem Reporting und bereits einströmendem Filialumsatz. Einige Definitionen in diesen Modellen waren von dem abgewichen, was der Fachbereich vereinbart hatte, und ein Assistent oder ein Forecast, der sie liest, hätte die Abweichung geerbt. Also wurden die Definitionen geprüft und angeglichen, bevor irgendeine KI vorbereitet wurde, und ein fester Review-Rhythmus hält sie im Gleichklang.
KI-Anwendungsfälle, jeder auf Daten, die schon in der Plattform liegen
3
Stufen: drei in Folge, Stewardship begleitend
4
Review-Takte: monatlich und vierteljährlich
2
Monate Projektlaufzeit
9
Für dieses Projekt werden keine Ergebniszahlen veröffentlicht: Es gibt nichts, womit Sie sie prüfen könnten, also steht hier stattdessen vollständig, was gebaut wurde. Nach Branche und Größe anonymisiert, denn die Vertraulichkeit, die diesen Kunden schützt, würde auch Sie schützen. Branche und Ergebnisse sind echt, die identifizierenden Details nicht.
Vorher und nachher
Abdriftend
Semantische Modelle im täglichen EinsatzEinige Definitionen wichen vom Vereinbarten ab
KPIs nicht mit ihren Verantwortlichen geprüftKein Takt, um Abweichungen zu bemerken
KI-Ideen ohne Fundament mit GovernanceJede hätte eigene Daten gebraucht
Angeglichen
Definitionen angeglichenBerichte und KI lesen dieselben Zahlen
Monatliche und vierteljährliche ReviewsAbweichungen werden planmäßig bemerkt
3 KI-Anwendungsfälle auf der semantischen SchichtForecasting, Copilot-Fragen, Anomalieerkennung
Von einer semantischen Schicht, die ohne Review abdriftet, zu einer, die angeglichen ist, planmäßig geprüft wird und von der KI-Arbeit gelesen wird.
Das Projekt im Detail
Kunde
Ein Händler mit 500 bis 1.000 Mitarbeitenden, mit Microsoft Fabric im Produktivbetrieb, semantischen Modellen über Direct Lake und einem Filialumsatz-Stream.
Ausgangslage
Einige Definitionen in diesen Modellen waren von dem abgewichen, was der Fachbereich vereinbart hatte, und niemand prüfte das. Ein Assistent oder ein Forecast, der sie liest, hätte die Abweichung geerbt, und ein Assistent, der uneinheitlich antwortet, ist schwerer zu korrigieren als ein Bericht.
Auftrag
Die semantische Schicht prüfen und ihre Definitionen konsistent machen, KI-Anwendungsfälle darauf statt daneben vorbereiten und die Architektur der Plattform betreuen.
Was wir gebaut haben
FoundationEin Review der semantischen Modelle und der KPIs zusammen, mit nach Priorität geordneten Befunden und 3 identifizierten KI-Anwendungsfällen.
ActivationDie abgedrifteten Definitionen wieder angeglichen und das Executive-Modell so vorbereitet, dass Copilot in denselben Begriffen antwortet, die der Vorstand nutzt.
AccelerationBedarfsprognose, Copilot-Fragen und Anomalieerkennung als Erweiterungen der semantischen Schicht vorbereitet statt daneben, jeweils auf Daten, denen das Unternehmen bereits vertraut.
StewardshipEin monatlicher Review der semantischen Modelle und ein vierteljährliches KPI-Review mit dem Fachbereich, durchgehend mit Runbooks und Monitoring.
Foundation: der Review
Der Review betrachtete die Modelle und die KPIs zusammen, denn eine abgedriftete Definition zeigt sich als KPI, den sein Verantwortlicher nicht mehr wiedererkennt. Die semantischen Modelle im Produktivbetrieb wurden Kennzahl für Kennzahl gelesen, die KPIs mit ihren fachlichen Verantwortlichen daran geprüft, wie das Unternehmen gesteuert wird, und die Befunde wurden schriftlich festgehalten und nach Priorität geordnet: wo Definitionen abgewichen waren, und 3 KI-Anwendungsfälle, die sich vorzubereiten lohnten.
Activation: das Executive-Modell für Copilot
Mit den angeglichenen Definitionen wurde das Executive-Modell so vorbereitet, dass Copilot in denselben Begriffen antwortet, die der Vorstand nutzt: jede Kennzahl in klarer Sprache über Anmerkungen beschrieben, die Begriffe des Vorstands als Dimensionssynonyme auf das Modell abgebildet und eine einfache Row-Level-Security für diesen Nutzerkreis.
Die 4 Stufen
KI wurde erst vorbereitet, nachdem die Definitionen, die sie liest, im Activation Sprint angeglichen waren.
FoundationReview und Befunde
Activation SprintDefinitionen angeglichen
AccelerationKI-Anwendungsfälle vorbereitet
StewardshipReviews nach Plan
Stewardship: der Review-Rhythmus
Der gesetzte Rhythmus: ein Modell-Review monatlich, ein KPI-Review vierteljährlich, durchgehend Runbooks und Monitoring.
Review der semantischen ModelleMonatlich
KPI-ReviewVierteljährlich, mit dem Fachbereich
Runbooks und MonitoringLaufend
Die Architektur
Die Berichte und die 3 KI-Anwendungsfälle lesen dieselbe geprüfte semantische Schicht. Nichts wurde daneben gestellt, das eigene Daten mitbringt.
Architekturentscheidungen
Entscheidung
Verworfene Alternative
Warum
Definitionen vor jeder KI angleichen
Die KI-Arbeit sofort beginnen
Ein Assistent, der abgedriftete Definitionen liest, antwortet uneinheitlich und ist schwerer zu korrigieren als ein Bericht.
KI als Erweiterung der semantischen Schicht
KI-Anwendungsfälle als eigene Projekte
Forecasting und Copilot lesen Daten mit Governance, die es bereits gibt, und bringen keine eigenen mit.
Anomalieerkennung auf dem Filialumsatz-Stream
Ein neuer Feed nur für die KI
Der Stream war bereits da, also liest die Erkennung Daten, denen das Unternehmen schon vertraut.
Copilot zuerst auf dem Executive-Modell
Copilot auf allen Modellen zugleich
Ein vorbereitetes Modell liefert verlässliche Antworten, bevor der Umfang wächst.
Was der Kunde heute hat
Ein schriftlicher Review der semantischen Modelle und KPIs, mit nach Priorität geordneten Befunden.
Angeglichene Definitionen, sodass Berichte und KI dieselben Zahlen lesen.
Ein Executive-Modell, das auf Copilot-Fragen vorbereitet ist.
Bedarfsprognose und Anomalieerkennung auf dem Filialumsatz-Stream, auf Daten mit Governance vorbereitet.
Monatliche Modell-Reviews, vierteljährliche KPI-Reviews, Runbooks und Monitoring.
Wohin es geführt hat
Copilot, der Forecast und die Prüfungen des Filialumsatzes lesen dieselben Definitionen wie die Berichte, und der monatliche Review hält sie im Gleichklang.
Ein mittelgroßer Händler mit 50 bis 250 Mitarbeitenden, der ein Reporting brauchte, dem Finanzwesen und Vertrieb gleichermaßen trauen konnten, gebaut auf Microsoft Fabric.
Ein Industriehersteller, der über ein Produktionsnetz mit mehreren Standorten berichtete, von denen jeder seine eigene Sicht darauf hatte, was gerade lief.
Eine Handelsgruppe mit mehreren Marken, jede mit eigenen Systemen, eigenen Reporting-Gewohnheiten und einer eigenen Antwort darauf, was eine Marge ist.
Eine kostenlose 60-minütige Beratung. Kein Verkaufsgespräch, keine Rechnung. Danach wissen Sie, ob Ihre Daten bereit für KI sind und ob wir zueinander passen.
