80% der Zeit in Data Science/ KI Projekten entfällt auf die Aufbereitung der Daten, um sie zum Training der Modelle im überwachten Lernen oder zur Mustererkennung im nichtüberwachten Lernen nutzen zu können. Die Datenaufbereitung ist ein essentieller Teil des Data Science Prozesses, da eine schlechte Datenaufbereitung zu falschen Modellen und somit zu falschen Entscheidungen führt. Umso wichtiger ist es in dieser entscheidenden Phase die Fehlerwahrscheinlichkeit zu minimieren. Fehler in der Datenaufbereitung können an verschiedenen Stellen passieren: Beim Export der Daten von einem System und Import der Daten in ein anderes System, bei der Transformation von Datenformaten, bei der Reduktion der Daten, bei der Zusammenführung verschiedener Datenquellen, bei der Berechnung neuer Variablen, beim Handling von Ausreißern und fehlenden Werten usw. Ziel der Abschlussarbeit ist es, aufzuzeigen welche Parameter in bestehenden Systemen geändert werden müssen oder wie ein neues System aussehen muss, um den zeitlichen Aufwand in der Datenerfassung und die Fehleranfälligkeit zu reduzieren und gleichzeitig die benutzerfreundliche Datenerfassung und die Nutzung der Daten für den ursprünglichen Sinn zu bewahren.