Was ist ein Beispiel für Kontextsetzung?

Kontextsetzung heißt, die Hintergrundinformation herzustellen, die einen konkreten Inhalt deutbar macht. In Daten und KI entscheidet Kontextsetzung darüber, ob die Leserin eines Berichts, der Nutzer eines Dashboards oder ein KI-Modell versteht, was da vor ihm liegt. Eine Spalte namens „revenue“ bedeutet nichts, bis jemand festlegt: wiederkehrender Jahresumsatz, ohne Einmalgebühren, wie vom Finanzbereich berichtet, vierteljährlich aktualisiert. Diese Festlegung ist Kontextsetzung.

Das Prinzip ist allgemeingültig. Dickens eröffnete Eine Geschichte aus zwei Städten mit zeitlichem, geografischem und sozialem Kontext in seinen ersten Absätzen. Eine wissenschaftliche Arbeit beginnt damit, vom weiten Problem auf die konkrete Lücke zu verengen. Dieselbe Logik gilt, wenn ein BI-Dashboard „Q3-Umsatz um 12 % gesunken“ zeigt, ohne Vergleichsbasis, Währung oder Umfang der Geschäftseinheiten zu nennen. Wenn Sie zuerst eine Definition in einfacher Sprache brauchen, lesen Sie was Kontext einfach erklärt bedeutet.

TL;DR

Kontextsetzung heißt, den Hintergrund zu liefern, also Zeit, Umfang, Definitionen und Beziehungen, der Information deutbar macht. In Daten und KI ist Kontextsetzung das, was aus einer Spalte namens „rev_q3“ den „wiederkehrenden Jahresumsatz für Q3 2025, ohne Einmalgebühren, wie vom Finanzbereich berichtet“ macht. Ohne sie ziehen die Abnehmer von Daten falsche Schlüsse und KI-Modelle halluzinieren eher.

Was Kontextsetzung bedeutet

Kontextsetzung stellt den Bezugsrahmen her, bevor ein Inhalt vorgelegt wird. Sie beantwortet die Fragen, die eine Leserschaft oder ein System beantwortet braucht, bevor es den Kernpunkt deuten kann: Welcher Zeitraum? Welche Geschäftseinheiten? Welche Definitionen gelten? Wem gehören diese Daten?

In der alltäglichen Verständigung geschieht Kontextsetzung von selbst. Eine Kollegin, die sagt „die Verkäufe sind letzten Monat gesunken“, setzt den Kontext stillschweigend: dieses Unternehmen, der letzte Kalendermonat, verglichen mit dem Vormonat. Probleme entstehen, wenn dieser stillschweigende Kontext bricht, etwa wenn „Verkäufe“ für ein Team Auftragseingänge meint und für ein anderes realisierten Umsatz, oder wenn „letzter Monat“ eine Geschäftsjahresgrenze überschreitet.

In der Datenarbeit kann Kontext nicht stillschweigend bleiben. Ein Dashboard, das fünfzig Personen aus drei Abteilungen nutzen, braucht ausdrückliche Kontextsetzung: Definitionen der Kennzahlen, Zeiträume, angewandte Filter, Aktualität der Daten und Quellsysteme. Ohne sie projiziert jeder Abnehmer eigene Annahmen auf dieselbe Zahl und kommt zu einem anderen Schluss.

Kontextsetzung in Daten und Analyse

Wenn ein BI-Dashboard „Q3-Umsatz um 12 % gesunken“ zeigt, heißt saubere Kontextsetzung, festzulegen: verglichen mit welcher Basis? Welche Geschäftseinheiten sind enthalten? Welche Währung? Welcher Zeitraum definiert Q3? Ist das realisierter Umsatz oder Auftragseingang?

Nehmen wir einen konkreten Fall. Eine Produktmanagerin öffnet ein Dashboard und sieht eine Karte mit „Kunden-Churn: 4,2 %“. Ohne Kontextsetzung wirft diese Zahl mehr Fragen auf, als sie beantwortet:

Definition. Wird Churn nach Kundenzahl oder nach Umsatz gemessen? Zählt freiwillige und unfreiwillige Abwanderung mit?
Umfang. Alle Produkte oder eine bestimmte Produktlinie? Alle Regionen oder nur EMEA?
Zeitraum. Monatlich, vierteljährlich oder über die letzten zwölf Monate?
Vergleich. Sind 4,2 % gut oder schlecht? Wie hoch war der Wert im Vorquartal?
Quelle. Welches System hat diese Zahl erzeugt? Wann wurde sie zuletzt aufgefrischt?

Saubere Kontextsetzung beantwortet all das, bevor der Nutzer fragen muss. Sie macht aus einer nackten Kennzahl eine Einsicht, mit der sich arbeiten lässt: „Monatlicher Logo-Churn über alle SaaS-Produkte, Q3 2025, ohne Konten der kostenlosen Stufe. Quelle: Abrechnungssystem, täglich aufgefrischt. Vorquartal: 3,8 %.“

Kontextsetzung für KI-Systeme

KI-Modelle brauchen ausdrückliche Kontextsetzung, um geerdete Antworten zu erzeugen. Fragt ein Nutzer einen KI-Copiloten „Wie hoch ist unsere Churn-Rate?“, braucht das Modell Kontext: welches Produkt, welcher Zeitraum, welches Kundensegment und wie Churn in diesem Unternehmen definiert ist.

Ohne Kontextsetzung halluziniert die KI entweder eine plausibel klingende Zahl, liefert eine allgemeine Lehrbuchdefinition oder stellt eine Reihe von Rückfragen, die den Nutzer entnerven. Mit sauberem Kontext, geliefert über System-Prompts, Retrieval-Augmented Generation (RAG) (Lewis et al., 2020) oder das Nachschlagen von Metadaten, liefert das Modell die konkrete, gesteuerte Antwort.

Kontextsetzung für KI wirkt auf drei Ebenen:

Kontext auf Systemebene. Definitionen des Unternehmens, Glossarbegriffe und fachliche Regeln, fest im System-Prompt oder im Abrufindex der KI verankert
Kontext auf Sitzungsebene. Gesprächsverlauf, Rolle des Nutzers und aktuelle Aufgabe, die prägen, wie die KI jede Anfrage deutet
Kontext auf Datenebene. Spaltenbeschreibungen, Lineage, Zeitstempel zur Aktualität und Metadaten zur Verantwortung, die an den Datensätzen hängen, die die KI abfragt

Das Model Context Protocol (MCP) ist ein offenes Protokoll, das vereinheitlicht, wie sich KI-Anwendungen mit externen Datenquellen und Werkzeugen verbinden, darunter Kataloge und Glossare.

Zum Vergrößern klicken

Wie gute Kontextsetzung aussieht

Der Unterschied zwischen nützlichen und irreführenden Daten ist fast immer die Kontextsetzung. Hier ist dieselbe Kennzahl auf zwei Arten vorgelegt:

Zum Vergrößern klicken

Die Zahl ist identisch. Der Unterschied liegt vollständig in der Kontextsetzung. Die linke Fassung lädt zu Fehldeutung ein: Eine Marketingleitung könnte annehmen, dass Dienstleistungsumsatz enthalten ist, eine Regionalleitung könnte denken, es gehe nur um ihr Gebiet. Die rechte Fassung räumt die Mehrdeutigkeit aus, weil jede deutende Frage vorab beantwortet ist.

In Unternehmen mit einem Datenkatalog und einem Business Glossary wird diese Kontextsetzung nicht an jedem Dashboard von Hand erledigt. Sie wird einmal zentral gepflegt und Menschen ebenso wie MCP-fähigen Agenten bereitgestellt.

Die Befragten der Global Data Transformation Survey 2019 von McKinsey gaben an, im Schnitt 30 % ihrer gesamten Arbeitszeit im Unternehmen auf Tätigkeiten ohne Wertbeitrag zu verwenden, weil Datenqualität und Datenverfügbarkeit mangelhaft waren.

- McKinsey, Designing data governance that delivers value (2020)

Bausteine wirksamer Kontextsetzung

Ob Sie eine wissenschaftliche Arbeit schreiben, ein Dashboard bauen oder ein KI-System einrichten, wirksame Kontextsetzung hat stets dieselben Bausteine, hier auf Daten und Data Governance übertragen.

Einschlägige Definitionen. Jede Kennzahl, jede Dimension und jeder Fachbegriff in der Ausgabe braucht eine klare, dokumentierte Definition. „Aktiver Kunde“ bedeutet in verschiedenen Systemen Verschiedenes. Kontextsetzung löst das auf, indem sie auf die kanonische Definition im Business Glossary verweist.

Angemessener Umfang. Kontextsetzung legt fest, was enthalten ist und was nicht. Ein Umsatz-Dashboard sollte sagen, ob es alle Produktlinien abdeckt oder eine Auswahl, alle Regionen oder eine, Brutto- oder Nettozahlen. Ausgelassene Angaben zum Umfang sind eine häufige Ursache für Streit zwischen Teams über nicht übereinstimmende Zahlen.

Bewusstsein für die Zielgruppe. Ein Dashboard für einen CFO braucht anderen Kontext als eines für eine Dateningenieurin. Ein KI-Agent, der Fragen aus dem Vertrieb beantwortet, braucht anderen Kontext als einer, der Fragen einer Prüferin beantwortet. Wirksame Kontextsetzung richtet Tiefe und Rahmung an der Zielgruppe aus.

Zuordnung der Verantwortung. Zu wissen, wem eine Kennzahl gehört, also wer sie definiert hat, wer sie bestätigt und wen man anspricht, wenn sie falsch aussieht, ist eine Form der Kontextsetzung, die Vertrauen aufbaut. Kennzahlen ohne Verantwortliche sind Kennzahlen ohne Vertrauen.

Hinweise zur Aktualität. Daten, die vor zwei Stunden aufgefrischt wurden, und Daten, die vor zwei Wochen aufgefrischt wurden, verlangen unterschiedlichen Umgang. Zur Kontextsetzung gehört, wann Daten zuletzt aktualisiert wurden, damit ihre Abnehmer beurteilen können, wie belastbar sie für zeitkritische Entscheidungen sind.

Kontextsetzung mit Dawiso

Der Datenkatalog und das Business Glossary von Dawiso liefern systematische Kontextsetzung für die Datenbestände, die Sie dokumentieren. Statt sich darauf zu verlassen, dass einzelne Menschen beim Bau eines Dashboards Definitionen, Angaben zum Umfang und Verantwortlichkeiten von Hand ergänzen, pflegen Unternehmen diesen Kontext einmal in Dawiso, wo er Menschen ebenso wie MCP-fähigen Agenten bereitsteht.

Der MCP-Server von Dawiso lässt einen Agenten über MCP den Katalog durchsuchen, Definitionen und Verantwortlichkeiten an einem Objekt lesen und die Lineage verfolgen. Trifft ein KI-Agent auf eine Frage zum „Umsatz“, kann er nach dem Begriff suchen, seine Attribute und verbundenen Objekte lesen und die ihm zugeordneten Nutzer sehen. Diese Erdung verringert das Raten, das zu Halluzination führt.

Kontextsetzung ist kein einmaliges Projekt. Definitionen entwickeln sich, Verantwortlichkeiten wechseln, neue Datenquellen kommen hinzu. Dawiso pflegt Kontext als lebende Schicht aus Metadaten, sodass Menschen und Agenten dieselben gesteuerten Definitionen lesen.