Wie ein ASEAN-Hersteller sein Dateninfrastrukturproblem vor dem KI-Einsatz löste

Ein ASEAN-Hersteller, der KI im großen Maßstab einsetzt, lernte dies früh: Probleme mit der Dateninfrastruktur verschwinden nicht, wenn KI ankommt. Sie werden zum Grund, warum KI scheitert. Dies ist der Bericht darüber, wie ein regionaler Health-Tech-Hersteller mit Tätigkeit in über 100 Märkten sein Dateninfrastrukturproblem löste, bevor er sich zum KI-Einsatz verpflichtete, und was diese Entscheidung möglich machte.

Kontext: Die Dateninfrastruktur eines ASEAN-Herstellers vor dem KI-Einsatz

Das Unternehmen betreibt eine Health-Tech-Commerce-Plattform in mehr als 100 Märkten. Zu dem Zeitpunkt, als diese Arbeit begann, verarbeitete die Plattform Transaktionen in einem Umfang, der etwa 400 Millionen US-Dollar GMV jährlich entsprach. Das Engineering-Team war fähig, aber die Datenschicht war organisch gewachsen, ohne eine einheitliche Architektur.

Das Unternehmen musste KI-Funktionen einsetzen, um die Nachfrageprognose und das Bestandsmanagement zu verbessern. Bevor das geschehen konnte, musste ein grundlegendes Problem angegangen werden.

Das Dateninfrastrukturproblem, das den KI-Einsatz blockierte

Daten waren über marktspezifische Systeme fragmentiert. Jeder Markt hatte seine eigenen Datenverarbeitungspraktiken entwickelt. Bestandssignale, Transaktionsaufzeichnungen und Kundenverhaltensdaten flossen nicht in eine einzige Wahrheitsquelle.

Das Synchronisationsfenster zwischen regionalen Systemen betrug 15 Minuten. Für Echtzeit-KI-Inferenz, die Art, die für Live-Bestandsentscheidungen benötigt wird, machte eine Verzögerung von 15 Minuten die Daten betrieblich nutzlos. Das KI-Modell würde auf Basis bereits veralteter Informationen handeln.

Es gab eine weitere Einschränkung. Der Betrieb in EU-, UK- und US-Märkten erforderte die Einhaltung regulatorischer Vorgaben zu Datenverarbeitungsstandards in jeder Rechtsprechung. Jede Neugestaltung der Dateninfrastruktur musste diese Anforderungen von Anfang an berücksichtigen, nicht nachträglich.

Was getan wurde

Schritt 1: Datenaudit über alle Märkte hinweg

Das Engineering-Team, verstärkt durch Gradion-Ingenieure, führte ein vollständiges Audit der Datenquellen über die Präsenz in über 100 Märkten durch. Das Audit kartierte Datenherkunft, Format, Latenz, Eigentümerschaft und aktuelle Nutzungsmuster. Dies dauerte sechs Wochen und erzeugte einen Abhängigkeitsgraphen, der zuvor nicht existiert hatte.

Schritt 2: Design eines einheitlichen Datenschemas

Ein kanonisches Datenschema wurde entworfen, um marktspezifische Variationen zu berücksichtigen, ohne die marktübergreifende Vergleichbarkeit zu opfern. Felder, die je nach Markt variierten, wurden als strukturierte Attribute statt als Freitextfelder dargestellt, was konsistente Abfragen über den gesamten Datensatz ermöglichte.

Schritt 3: Neugestaltung der Pipeline

Das 15-minütige Synchronisationsfenster wurde behoben, indem die Batch-Synchronisation durch ereignisgesteuerte Datenpipelines ersetzt wurde. Änderungen an Bestands- und Transaktionsaufzeichnungen wurden als Ereignisse veröffentlicht und nahezu in Echtzeit konsumiert. Die Ziel-Synchronisationslatenz nach der Neugestaltung lag unter 30 Sekunden.

Diese Änderung erforderte die Zusammenarbeit der marktspezifischen Engineering-Teams und eine sorgfältige Sequenzierung, um Störungen des laufenden Betriebs während der Migration zu vermeiden.

Schritt 4: Compliance-Architektur

Datenresidenz-Anforderungen für EU-, UK- und US-Märkte wurden durch regionale Speichergrenzen erfüllt. Daten, die in einer bestimmten Rechtsprechung entstanden, verblieben innerhalb dieser. Marktübergreifende Analysen nutzten anonymisierte oder aggregierte Darstellungen, die keine regulierten personenbezogenen Daten über Grenzen hinweg trugen.

Diese Architektur wurde vor Beginn der KI-Entwicklung gegen die DSGVO (EU), die UK-DSGVO und die geltenden Datenanforderungen der US-Bundesstaaten validiert.

Ergebnis

Der Infrastruktur-Umbau dauerte etwa fünf Monate. Am Ende dieses Zeitraums verfügte das Unternehmen über:

• Eine einheitliche, abfragbare Sicht auf Bestands- und Transaktionsdaten über alle Märkte hinweg
• Datenaktualität von unter 30 Sekunden für zentrale betriebliche Signale
• Eine compliance-validierte Datenarchitektur über die Rechtsprechungen EU, UK und USA hinweg
• Einen dokumentierten Datenvertrag zwischen vorgelagerten Systemen und den geplanten KI-Modellen

Die Entwicklung von KI-Funktionen erfolgte anschließend auf einem Fundament, das Echtzeit-Inferenz unterstützen konnte. Das Nachfrageprognosemodell arbeitete nach der Bereitstellung mit Daten, die sowohl aktuell als auch vertrauenswürdig waren.

Lehren für ASEAN-Hersteller, die KI in Erwägung ziehen

Drei Lehren aus diesem Engagement lassen sich breit auf die Herausforderungen der Engineering-Kapazität in der ASEAN-Fertigung und im Health-Tech-Sektor übertragen:

• KI verstärkt Ihre Datenqualität, in beide Richtungen: Eine gute Datengrundlage macht KI wertvoll. Eine schlechte macht KI-Ausgaben unzuverlässig und potenziell irreführend.
• Regulatorische Anforderungen sind Infrastrukturanforderungen: Compliance kann nicht nachträglich angebaut werden, nachdem die Datenarchitektur gebaut wurde. Sie muss von der Design-Phase an eingebettet sein.
• Das Audit ist kein Overhead, es ist die eigentliche Arbeit: Das sechswöchige Datenaudit war die wertvollste Phase des Engagements. Es deckte Abhängigkeiten und Risiken auf, die andernfalls während des KI-Einsatzes zu Fehlschlägen geführt hätten.

Projekte zur Softwareentwicklung in der Fertigung in der APAC-Region, die die Infrastrukturphase überspringen, kehren tendenziell nach einem teuren KI-Einsatz-Fehlschlag zu ihr zurück. Sie zuerst zu lösen, ist durchweg der schnellere Weg.

Häufig gestellte Fragen: Dateninfrastruktur eines ASEAN-Herstellers und KI-Einsatz

Wie entschied das Unternehmen, dass die Dateninfrastruktur vor der KI kommen musste?

Während einer anfänglichen technischen Scoping-Übung versuchte das Engineering-Team zu definieren, welche Daten das KI-Modell konsumieren würde. Diese Übung offenbarte die 15-minütige Synchronisationslatenz und die Fragmentierung über Marktsysteme hinweg. Die KI-Anforderungen machten das Infrastrukturproblem in konkreten Begriffen sichtbar.

Was sind die typischen Kosten für einen Dateninfrastruktur-Umbau in diesem Maßstab?

Die Kosten variieren erheblich, basierend auf der Anzahl der Datenquellen, dem Grad der Fragmentierung und den beteiligten Compliance-Anforderungen. Engagements dieses Umfangs und dieser Komplexität erfordern typischerweise ein anhaltendes Engineering-Team über drei bis sechs Monate. Gradion kann nach einem ersten Datenaudit eine umfangsbasierte Schätzung liefern.

Hätte das Unternehmen KI einsetzen können, ohne zuerst die Dateninfrastruktur zu reparieren?

Technisch, ja. In der Praxis hätte das KI-Modell auf veralteten und inkonsistenten Daten operiert und unzuverlässige Ausgaben produziert. Das operative Risiko, auf Basis fehlerhafter KI-Empfehlungen im Maßstab von 400 Millionen US-Dollar GMV zu handeln, machte diesen Ansatz für die Unternehmensführung inakzeptabel.

Wie gilt dies für Hersteller außerhalb von Health-Tech?

Die Kernherausforderung, fragmentierte Daten, Batch-Synchronisation und Compliance-Einschränkungen, ist bei ASEAN-Herstellern in den Bereichen Logistik, Konsumgüter und Industrieausrüstung verbreitet. Die spezifischen Vorschriften unterscheiden sich, aber das Infrastrukturmuster und der Sanierungsansatz sind weitgehend übertragbar.

Welche Rolle spielte das Vietnam-Engineering-Team?

Die in Vietnam ansässigen Ingenieure von Gradion waren für die Dauer des Dateninfrastruktur-Umbaus in das Team des Kunden eingebettet. Sie trugen zum Audit, zum Schema-Design, zur Pipeline-Entwicklung und zur Compliance-Validierung bei. Dies verschaffte dem Kunden zusätzliche Engineering-Kapazität ohne einen langwierigen lokalen Einstellungsprozess, ein entscheidender Faktor angesichts des Zeitdrucks der KI-Einsatz-Roadmap.