Einleitung
Suresh Mehta fand denselben Adapter in seiner alten Warenwirtschaft unter drei Namen. Einmal mit Bindestrich, einmal mit falscher Spannung, einmal als „Sonderposten“. Damals war es nur eine lästige Tabelle. Später verstand er, dass solche Kleinigkeiten eine Firma in die falsche Richtung rechnen können.
Suresh lebt in Zürich und arbeitet heute als Datenqualitätsmanager für Handelsprozesse. Sein Einstieg in KI begann nach einer Pleite, die er nicht sauberreden will.
Geschichte des Weges in die KI
Sein Importgeschäft scheiterte an mehreren Dingen: Lieferkettenproblemen, Währungsrisiken, zu optimistischen Bestellungen. Rückblickend sah Suresh aber auch ein stilleres Problem. Stammdaten waren veraltet, Lieferanten doppelt angelegt, Produktcodes uneinheitlich. Entscheidungen wirkten mutig, standen aber auf brüchigen Tabellen.
Er begann mit Datenbereinigung statt mit großen Modellen. Dubletten, Klassifikation, Qualitätsmetriken, einfache Prüfregeln. In Kursen fühlte er sich manchmal zu alt und zu sehr nach Kaufmann, doch seine Fehlererfahrung half. Sein erstes KI-nahes Projekt war ein Tool, das Lieferantendaten auf fehlende Felder, widersprüchliche Bezeichnungen und mögliche Dubletten prüft. Bei einem Test führte das System zwei unterschiedliche Produkte zusammen, weil die Namen ähnlich waren. Suresh erkannte den Unterschied sofort: andere Norm, anderes Risiko. Seitdem enthält sein Prozess immer eine fachliche Stichprobe.
Aktuelle Arbeit
Heute bereitet Suresh Daten für Einkaufsprognosen und Sortimentsentscheidungen vor. Bei einem Pilotprojekt stoppte er eine Nachfrageprognose, weil Artikelnummern aus zwei Ländern falsch gemappt waren. Das war kein dramatischer Fund, eher ein trockener Satz in einer Besprechung. Trotzdem sparte er dem Team eine falsche Bestellung.
Seine Arbeit macht Modelle stabiler, ohne selbst glänzend auszusehen. Suresh sagt offen, dass Datenqualität schwer zu verkaufen ist, bis etwas schiefgeht. Genau darin liegt die Grenze: Wer nur Modellleistung misst, übersieht oft die schmutzige Vorarbeit, die Leistung erst möglich macht.
Persönlicher Rat
„Bevor du KI bewunderst, prüfe die Tabelle, auf der sie steht“, sagt Suresh. Für ihn ist das kein Zynismus. Es ist die Erfahrung eines Mannes, der gelernt hat, dass schlechte Daten sehr überzeugend aussehen können.
Schlüsselfakten
Alter und Ort: 48, Zürich.
Hintergrund: Firmenpleite, internationale Lieferketten, kaufmännischer Neustart.
Einstieg in KI: Tool zur Prüfung von Lieferantendaten und Produktcodes.
Schwerpunkt heute: Datenqualität für Handels- und Einkaufs-KI.
Typische Werkzeuge: Data Cleaning, Klassifikation, Qualitätsmetriken.
Werkstattnotiz
Suresh druckt manchmal fehlerhafte Tabellen aus und legt sie neben Modellberichte. Auf Papier sieht man die Schieflage schneller: leere Spalten, doppelte Namen, zu hübsche Durchschnittswerte. Ein Modell war einmal nur deshalb „genau“, weil es denselben Fehler in Trainings- und Testdaten wiederfand.