Das Datenfundament

Vollständiger Quellennachweis dieses Dossiers. Die Links führen zu den Originalquellen.

1. Ryseff, J., De Bruhl, B. F. & Newberry, S. J. (2024). The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI. RAND Corporation, Research Report RR-A2680-1, August 2024. https://www.rand.org/pubs/research_reports/RRA2680-1.html
2. Statistisches Bundesamt (Destatis) (2025). Unternehmen, die Technologien der künstlichen Intelligenz nutzen. Tabelle zur IKT-Erhebung 2025, Stand: 24.11.2025. https://www.destatis.de/DE/Themen/Branchen-Unternehmen/Unternehmen/IKT-in-Unternehmen-IKT-Branche/Tabellen/ikti-unternehmen-kuenstliche-intelligenz.html
3. Statistisches Bundesamt (Destatis) (2025). Gründe gegen die Nutzung künstlicher Intelligenz in Unternehmen. Tabelle zur IKT-Erhebung 2025, Stand: 24.11.2025. https://www.destatis.de/DE/Themen/Branchen-Unternehmen/Unternehmen/IKT-in-Unternehmen-IKT-Branche/Tabellen/ikti-gegen-nutzung-kuenstliche-intelligenz.html
4. Statistisches Bundesamt (Destatis) (2024). Künstliche Intelligenz: Fehlendes Wissen häufigstes Hemmnis für den Einsatz in Unternehmen. Pressemitteilung Nr. 444 vom 25.11.2024. https://www.destatis.de/DE/Presse/Pressemitteilungen/2024/11/PD24_444_52911.html
5. Gartner (2025). Gartner Survey: Lack of AI-Ready Data Puts AI Projects at Risk. Pressemitteilung vom 26.02.2025. (Prognose: 60 % Projektabbruch ohne AI-ready data bis Ende 2026; Umfrage Q3/2024, n = 248.) https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
6. Gartner (2024). Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025. Pressemitteilung vom 29.07.2024. https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025
7. Sakpal, M. (2021). How to Improve Your Data Quality. Smarter With Gartner, 14.07.2021. (Gartner-Analystenschätzung 2020: durchschnittlich 12,9 Mio. US-Dollar pro Jahr; Methodik nicht veröffentlicht.) https://www.gartner.com/smarterwithgartner/how-to-improve-your-data-quality
8. Redman, T. C. (2017). Seizing Opportunity in Data Quality. MIT Sloan Management Review, 27.11.2017. (Expertenschätzung: Kosten schlechter Daten bei 15–25 % des Umsatzes.) https://sloanreview.mit.edu/article/seizing-opportunity-in-data-quality/
9. Nagle, T., Redman, T. C. & Sammon, D. (2017). Only 3% of Companies’ Data Meets Basic Quality Standards. Harvard Business Review (Digital Article), 11.09.2017. (Friday Afternoon Measurement, 75 Führungskräfte; zudem Quelle der „rule of ten“.) https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards
10. Redman, T. C. (2016). Bad Data Costs the U.S. $3 Trillion Per Year. Harvard Business Review (Digital Article), 22.09.2016. (Ursprung der Zitierkette zur unbelegten IBM-Zahl; vgl. Kapitel 3.) https://hbr.org/2016/09/bad-data-costs-the-u-s-3-trillion-per-year
11. Labovitz, G., Chang, Y. S. & Rosansky, V. (1992). Making Quality Work: A Leadership Guide for the Results-Driven Manager. New York: HarperBusiness. (Ursprung der 1-10-100-Faustregel; nie empirisch validiert.)
12. CrowdFlower (2016). 2016 Data Science Report. Anbieterumfrage unter rund 80 Data Scientists. PDF-Mirror: https://www2.cs.uh.edu/~ceick/UDM/CFDS16.pdf
13. Press, G. (2016). Cleaning Big Data: Most Time-Consuming, Least Enjoyable Data Science Task, Survey Says. Forbes, 23.03.2016. https://www.forbes.com/sites/gilpress/2016/03/23/data-preparation-most-time-consuming-least-enjoyable-data-science-task-survey-says/
14. Anaconda (2020). Anaconda Releases 2020 State of Data Science Survey Results. Pressemitteilung vom 30.06.2020 (2 360 Befragte; 45 % der Zeit für Laden und Bereinigen von Daten). https://www.globenewswire.com/news-release/2020/06/30/2055578/0/en/Anaconda-Releases-2020-State-of-Data-Science-Survey-Results.html
15. Anaconda (2021). 2021 State of Data Science Report. S. 14 (n = 2 030 von 4 299 Befragten). https://know.anaconda.com/rs/387-XNW-688/images/Anaconda-2021-SODS-Report-Final.pdf
16. Anaconda (2022). 2022 State of Data Science Report. 3 493 Befragte. https://www.anaconda.com/resources/whitepaper/state-of-data-science-report-2022
17. Ng, A. (2021). A Chat with Andrew on MLOps: From Model-centric to Data-centric AI. DeepLearning.AI-Webinar, 24.03.2021. https://www.youtube.com/watch?v=06-AZXmwHjo
18. Strickland, E. (2022). Andrew Ng: Unbiggen AI. IEEE Spectrum, 09.02.2022. https://spectrum.ieee.org/andrew-ng-data-centric-ai
19. Press, G. (2021). Andrew Ng Launches A Campaign For Data-Centric AI. Forbes, 16.06.2021. (Quelle der von Ng popularisierten 80/20-Formulierung zur Datenaufbereitung.)
20. Barnett, S., Kurniawan, S., Thudumu, S., Brannelly, Z. & Abdelrazek, M. (2024). Seven Failure Points When Engineering a Retrieval Augmented Generation System. Proceedings of CAIN 2024 / arXiv:2401.05856. DOI: 10.48550/arXiv.2401.05856.
21. Seagate / IDC (2020). Rethink Data: Seagate’s Report Reveals That 68% of Data Available to Businesses Goes Unleveraged. Von Seagate beauftragte IDC-Befragung unter 1 500 Führungskräften, Pressemitteilung vom 15.07.2020. https://www.seagate.com/news/news-archive/seagates-rethink-data-report-reveals-that-68-percent-of-data-available-to-businesses-goes-unleveraged-pr-master/
22. Askham, N. et al. / DAMA UK Working Group (2013). The Six Primary Dimensions for Data Quality Assessment. White Paper, DAMA UK, Oktober 2013. Mirror: https://files.fluxicon.com/Cafe/The-Six-Primary-Dimensions-for-Data-Quality-Assessment.pdf
23. Europäische Union (2016). Verordnung (EU) 2016/679 des Europäischen Parlaments und des Rates (Datenschutz-Grundverordnung). Art. 5 Abs. 1 lit. d und Abs. 2. Amtsblatt der EU, L 119 vom 04.05.2016. https://eur-lex.europa.eu/eli/reg/2016/679/oj
24. DAMA International (2017). DAMA-DMBOK: Data Management Body of Knowledge. 2. Auflage. Basking Ridge, NJ: Technics Publications. ISBN 978-1-63462-234-9.
25. Dehghani, Z. (2022). Data Mesh: Delivering Data-Driven Value at Scale. Sebastopol, CA: O’Reilly Media. ISBN 978-1-4920-9239-1.
26. Reis, J. & Housley, M. (2022). Fundamentals of Data Engineering: Plan and Build Robust Data Systems. Sebastopol, CA: O’Reilly Media. ISBN 978-1-098-10830-4.