CRISP-DM für KI-Projekte

Kernfrage für Unternehmen

CRISP-DM beschreibt KI- und Datenprojekte als iterativen Kreislauf von Geschäftsverständnis, Datenverständnis, Datenvorbereitung, Modellierung, Evaluation und Deployment (Niessner 2026).

Das Fraunhofer-Vorgehensmodell ergänzt diese Datenprojektlogik um eine stärker arbeits- und organisationsbezogene Sicht: Ziele und Anforderungen, Projektstart, Konzepte und Entwicklung sowie Nutzbarmachung der Ergebnisse verbinden Datenarbeit mit Stakeholdern, Recht, Qualifikation und Prozessveränderung (Kutzias, Dukino und Leuteritz 2023).

Abbildung: Das CRISP-DM-Modell zeigt, dass KI-Projekte nicht linear von Idee zu fertigem Modell laufen. Teams wechseln zwischen Geschäftsverständnis, Datenverständnis, Datenvorbereitung, Modellierung, Evaluation und Deployment, bis Geschäftsziele und Datenrealität zusammenpassen. Quelle: eigene Darstellung nach Niessner 2026.

Typische Stolpersteine

Unternehmen behandeln KI-Projekte oft wie normale Softwareprojekte. Sie planen eine Lösung, bauen sie und erwarten danach Nutzen. CRISP-DM macht sichtbar, dass ein Team erst lernen muss, ob Daten, Regeln, Wissensstrukturen, Modellverhalten und Geschäftsanforderungen zusammenpassen. Der Fraunhofer-Leitfaden macht zusätzlich sichtbar, dass Teams auch beim Zusammenspiel von Mensch, Technik und Organisation lernen und zurückspringen müssen (Niessner 2026; Kutzias, Dukino und Leuteritz 2023).

Ein häufiger Fehler liegt darin, „Modell gebaut“ mit „Projekt fertig“ zu verwechseln. Nach der Modellierung muss das Team prüfen, ob die Geschäftsziele erreicht werden. Danach braucht das Unternehmen Schulung, neue Aufgaben, Monitoring, Pflege und eine klare Betriebsverantwortung (Niessner 2026).

Bewährte Vorgehensweisen

Beginnen Sie mit Business Understanding. Das Team übersetzt Unternehmensziele in eine KI-Problemdefinition, legt Ziel-KPIs fest und erstellt einen vorläufigen Projektplan. Diese Phase schützt vor Projekten, die technisch spannend wirken, aber keinen messbaren Nutzen liefern (Niessner 2026).

Prüfen Sie danach Data Understanding und Data Preparation bewusst getrennt. Das Team muss Datenquellen verstehen, Qualitätsprobleme finden, Hypothesen bilden und den endgültigen Datensatz oder die Wissensbasis vorbereiten. Bei KI-Projekten können „Daten“ auch Regeln, Grammatiken, Axiome oder Dokumentstrukturen sein (Niessner 2026).

Modellierung und Evaluation gehören eng zusammen. Ein Modell kann aus technischer Sicht gut aussehen und trotzdem das Geschäftsproblem nicht lösen. Darum sollte das Team fachliche Testfälle, Fehlertypen, Abnahmekriterien und Kosten falscher Ergebnisse vor dem Go-live festlegen (Niessner 2026).

Deployment ist keine Schlussfolie. Es umfasst Nutzer:innen-Schulung, Übergabe an den Betrieb, Monitoring, Wartung und laufende Verbesserung. Wenn sich Daten, Kundenverhalten oder Rahmenbedingungen ändern, muss das Team Modell, Prompt, Wissensbasis oder Prozess anpassen (Niessner 2026).

Prüfen Sie vor dem Übergang in den Betrieb ausdrücklich, ob das Projekt neue Rollen, Qualifikationen oder Aufgabenverteilungen erzeugt. Fraunhofer behandelt Qualifikation und Prozessveränderung als Teil der Nutzbarmachung, nicht als Change-Kommunikation nach Projektende (Kutzias, Dukino und Leuteritz 2023).

Einstiegspunkte für die Umsetzung

Fragen Sie in jeder Phase: Welches Geschäftsziel prüfen wir? Welche Daten oder Wissensquellen brauchen wir? Welche Qualitätsprobleme sehen wir? Welche Fehler wären teuer? Wer entscheidet fachlich über Abnahme? Was passiert nach dem Go-live, wenn die Leistung sinkt (Niessner 2026)?

Für die organisationsbezogene Projektlogik siehe KI-ULTRA Vorgehensmodell für KI-Projekte. Für Datenfragen siehe Datenqualität und Drift bei KI. Für laufende Steuerung siehe KPIs und Monitoring für KI-Projekte. Für die MTO-Perspektive siehe Menschenzentrierte KI-Projekte (Niessner 2026; Kutzias, Dukino und Leuteritz 2023).