fact ai fact data cleaner saugroboter

Stammdaten-Management mit dem KI-basierten Fact Data Cleaner (FDC)


"Stammdaten sind die Grundlage für praktisch jeden Geschäftsprozess. Ein einziger kleiner Fehler kann großen Schaden und hohe Kosten verursachen. Der Fact Data Cleaner findet diese Fehler automatisch und bietet dadurch sofort einen echten Mehrwert ."

Alfred Mayr, Projektmanager Fact AI
fact ai mitarbeiter alfred mayr

fact ai advisor punkte blobs design

Die drei Schritte der Stammdaten-Analyse

Image

Bessere Stammdaten schnell und einfach!
Der Fact Data Cleaner spart Zeit, Kosten und verringert Unternehmensrisiken. Er identifiziert mit Hilfe Künstlicher Intelligenz potenzielle Fehler in Form von auffälligen Daten ("outlier" = Ausreißer), erleichtert die Fehlerbehebung und führt sofort zu einer besseren Datenqualität der Stammdaten. Der FDC wird nach deinen Wünschen konfiguriert und verbessert seine Treffergenauigkeit im Laufe der Zeit immer mehr.

Ob als Web-App oder integriert in bestehende ERP-Systeme: Der Einsatz erfolgt rasch ohne Schulungen oder vorherige Definition von Regeln. Korrekturvorschläge gibt es sofort, die Letztverantwortung der Fehlerbehebung liegt aber immer beim User.

Entdecke den Fact Data Cleaner!

fact ai fact data cleaner vektorisierung

1. Vektorisierung

Nach der Datenübertragung an den Fact Data Cleaner per Upload oder API erzeugt dieser aus jeder Tabellen-Zeile einen Fingerprint (Vektor), d.h. eine Sammlung von Zahlen zwischen 0 und 1. Bei dieser Vektorisierung (Feature-Generation mittels Natural Language Processing, NLP) werden die Datensätze einem entsprechenden Vektor reeller Zahlen zugeordnet, Textinhalte werden in numerische Merkmalsvektoren konvertiert.  

fact ai fact data cleaner clustering

2. AI-Analyse & Clustering

Die Fingerprints / Vektoren werden in einem n-dimensionalen Raum analysiert. Der Clustering-Algorithmus ermittelt Datenobjekte (z.B. Produktmerkmale) mit ähnlichen Eigenschaften, gruppiert sie in verschiedene Cluster und setzt sie miteinander in Verbindung. Dadurch identifiziert der Fact Data Cleaner sofort Fehler, Ausreißer ("outlier"), auffällige Daten und Anomalien und macht sie sichtbar.

fact ai fact data cleaner fehler reporting

3. Fehler-Reporting

Der Fact Data Cleaner korrigiert keine Daten, sondern macht Vorschläge, er informiert Mitarbeiter über mögliche Fehler. Diese entscheiden selber und führen ggfs. Korrekturen durch. Das Feedback über angenommene und abgelehnte Vorschläge trainiert die KI  permanent weiter und macht sie immer besser. Durch die individuelle Feinjustierung auf die Stammdaten deines Unternehmens findet er auch kleine und gefährliche Fehler.

Vom Datensatz zum Vektor ...

Image

... über Cluster zu Ausreißern

Image
Image

Das Problem: unentdeckte Fehler
Die Lösung: der Fact Data Cleaner

fact ai data cleaner müll garbage

Garbage in – Garbage out

Wo man Müll reintut, kommt auch Müll raus. Im Qualitätsmanagement spricht man von der Zehnerregel ("rule of ten"): Kosten für einen unentdeckten Fehler erhöhen sich von Stufe zu Stufe der Wertschöpfung um den Faktor 10. 
-> Unentdeckte Fehler sind teuer und verursachen Schaden.

fact ai data cleaner lupe

Mit Fact Data Cleaner

Der FDC identifiziert potenzielle Fehler in Form von Ausreißern ("outlier"). Je früher ein Fehler beseitigt wird, desto zeitsparender und kostengünstiger ist dies für die Organisation.
-> Fehler werden entdeckt,  Schäden und Kosten vermieden, Risiken minimiert.

Image

Schnell & einfach丨Vielseitig丨Out of the Box丨Neutral


facr advisor einfach 2 zeilen code

Schnell & einfach

Der Fact Data Cleaner ist als Web-App sofort einsatzbereit. Nach wenigen Minuten sind die Daten eingelesen und analysiert, Ergebnisse gibt es sofort.

Jetzt ausprobieren
fact advisor online berater

Vielseitig

Artikelstamm, Stücklisten, Kundenstamm, Lieferantenstamm usw. Fehlerkosten können überall entstehen. Der Fact Data Cleaner verbessert alle Stammdaten.
 

Zu den Use Cases
fact advisor startseite produktseite onlineshop

Out of the Box

Der Fact Data Cleaner steht unmittelbar zur Verfügung. Er liefert sofort Ergebnisse, die  durch Konfigurationen verbessert werden können.

Zu den Paketen
facr advisor einfach 2 zeilen code

Neutral

Als externe Lösung liest der Fact Data Cleaner alle Daten unabhängig von bestehenden Systemen ein und bietet dadurch eine neutrale Sicht von außen.

Live-Demo anfordern

Pakete


Quick Check

Bessere Stammdaten
Schnell, einfach & günstig



Stammdaten-Schnell-Analyse

CSV Dateien hochladen und sofort Ergebnisse sehen

Mehr als 100 Spalten und bis zu 100.000 Zeilen


  • Bericht Identifizierung von Ausreißern
  • Bericht Fehlerwahrscheinlichkeit jedes Ausreißers
  • Bericht Visualisierung der Cluster und Ausreißer
  • Bericht Identifizierung von Dubletten (optional)
  • Einschätzung jedes Datensatzes
  • Einfache oder umfangreiche Berichtsdarstellung
  • Beratung bzgl. Tabellen-Export (optional)
  • Klickbare Clusterdarstellung als html (optional)

Preis auf Anfrage
Meistgewählt

Fact Data Cleaner

Ganzheitliche Stammdaten-Analyse mit voller AI-Power



Stammdaten-Deep-Analyse

Einbindung ins ERP-System

Bis zu 1.000 Spalten und bis zu 100.000.000 Zeilen


  Zusätzlich zu Paket Quick Check:

  • Implementierung von bis zu 6 Schnittstellen
  • Bereitstellung der AI Infrastruktur
  • Real-time Feedback beim Editieren der Stammdaten im ERP-System (optional)
  • Customizable Reports des Tages / der Woche / des Monats
  • Finetuning durch Fact AI
  • Finetuning mittels Parameter (optional)

Preis auf Anfrage

Vielfältige Einsatzbereiche
für bessere Stammdaten

Lieferverzug in Metallverarbeitung

Image
  • Ein Spediteur wurde für den Transport eines Halbfertig-Produkts beauftragt, um dieses zum Nitrieren zu bringen.

  • Bei der Abholung am nächsten Tag merkte der LKW-Fahrer: Das Werkstück ist zu lang und kann nicht auf den LKW geladen werden.

  • Bei der Ursachenanalyse stellte sich heraus, dass der Artikel kopiert wurde und beim Kopieren vergessen wurde, die Maße anzupassen.

  • Die Spedition musste neu beauftragt werden, der Kundenauftrag wurde dadurch verspätet ausgeliefert.


Mehrkosten bei Anlagenbauer

  • Eine neue Verpackungsmaschine wurde dem Kunden geliefert und sollte am Wochenende montiert werden.

  • Als die Anlage montiert werden sollte, stellte sich heraus, dass Dichtungsringe im Wert von 300 € fehlten.

  • Bei der Ursachenanalyse stellte sich heraus, dass am Dichtungsring die falsche Warengruppe hinterlegt war und dadurch in der Stückliste ein anderer Artikel verwendet wurde.

  • Die Verpackungsmaschine konnte erst am darauffolgenden Tag montiert werden. Es entstanden Mehrkosten in der Höhe von 12.000 €.


Image

Produktionsausfall in Tischlerei

  • Ein für die Reparatur einer CNC Fräse dringend benötigtes Ersatzteil wurde geliefert und im ERP-System gebucht.

  • Als die Reparatur der CNC Fräse durchgeführt werden sollte, stellte sich heraus, dass das Ersatzteil im Lager nicht vorhanden war.

  • Bei der Ursachenanalyse stellte sich heraus, dass die Artikelbezeichnung falsch war und der falsche Artikel zugebucht wurde.

  • Die CNC Fräse konnte erst am darauffolgenden Tag repariert werden. Es entstand ein Produktionsausfall in der Höhe von 140.000 €.

Verspätete Verschiffung medizinischer Geräte

  • Medizinische Geräte, die für den Nahen Osten bestimmt waren, sollten per LKW nach Genua transportiert werden, um dort auf das Schiff verfrachtet zu werden.

  • Im Hafen von Genua wurde die Fracht nicht abgefertigt, weil die Ware falsch deklariert war.

  • Bei der Ursachenanalyse stellte sich heraus, dass die Zolltarifnummer nicht korrekt gepflegt war.

  • Durch die verspätete Verschiffung in der darauffolgenden Woche entstanden Mehrkosten in der Höhe von 44.000 €.


Abverkauf beim Online-Händler

  • Der gesamte Jahresbedarf eines neuen technischen Consumer Produkts wurde beschafft und online beworben.

  • Bei der Auswertung der Umsätze stellte sich heraus, dass die Umsätze um 80% unter denen des Vorgängermodells lagen.

  • Bei der Ursachenanalyse stellte sich heraus, dass beim Artikel eine falsche technische Beschreibung hinterlegt war und daher der Artikel in der Onlinesuche nicht gefunden wurde.

  • Ein Teil der Ware musste zu einem reduzierten Preis abverkauft werden. Der Deckungsbeitrag  des Produkts war um 60.000 € niedriger als geplant.


Notbetrieb bei Ampel

  • Eine ausgefallene Ampel an einer stark befahrenen Kreuzung sollte am Wochenende montiert werden.

  • Bei der Montage stellte sich heraus, dass für die Montage und Installation kein Elektriker anwesend war.

  • Bei der Ursachenanalyse stellte sich heraus, dass bei der Personaleinsatzplanung ein falsches Schichtmodell hinterlegt war.

  • Die Kreuzung musste bis zum Eintreffen des Elektrikers durch die Polizei geregelt werden.


Verwarnung im Krankenhaus

  • In der Abteilung Medizintechnik wurde eine Revision durchgeführt.

  • Dabei fiel auf, dass die Prüfung einer Herz-Lungenmaschine nicht wie vorgeschrieben durchgeführt wurde.

  • Bei der Ursachenanalyse stellte sich heraus, dass beim Gerätetyp ein falsches Zeitintervall eingegeben wurde.

  • Der technische Leiter des Krankenhauses erhielt eine schriftliche Verwarnung.


Kundenbeschwerden beim Einzelhändler

Image
  • Ein Aktionsartikel wurde beschafft und sollte im Flugblatt beworben werden.

  • Bei der Qualitätskontrolle stellte sich heraus, dass die Anzahl der Größen und Farben nicht mit der geplanten Aktion übereinstimmte.

  • Bei der Ursachenanalyse stellte sich heraus, dass der Artikel kopiert wurde und vergessen wurde die Maße und Farben anzupassen.

  • Ein Teil der Filialen konnte nicht beliefert werden, und es gab zahlreiche Kundenbeschwerden.