Trade Fair Data Platform

Die Herausforderung

Für ein Messebau-Unternehmen entscheidet der Kalender über das Geschäft: Aufbaufristen, Deadlines für technische Richtlinien, Laufzeiten, Abbautermine. Diese Daten stammen von hunderten Veranstaltern und liegen in völlig unterschiedlicher Form vor — Fließtext, Tabellen, wechselnde Layouts, mehrsprachig, teils in nachgelagerten Dokumenten.

Bislang recherchierte sie jeder selbst. Sobald ein Projekt anstand, trug der zuständige Projektleiter die Termine zusammen — dieselbe Messe oft parallel zu Kollegen, die für ihr Projekt genau dasselbe taten. Bei gefragten Messen saßen so bis zu fünf Projektleiter über derselben Recherche, jeder mit 15 bis 30 Minuten Aufwand, bei mittlerweile über 650 relevanten Messen. Und das waren nur die Termine. Die technischen Richtlinien einer Messe umfassen regelmäßig 10 bis 15 Seiten, lesen sich wie AGB und sind dicht mit Vorgaben gepackt — ihre Auswertung kostet ein Vielfaches der Terminrecherche.

Teurer als der Zeitaufwand war die Uneinheitlichkeit: Die Ergebnisse wichen voneinander ab. Unterschiedliche Auslegungen, unterschiedliche Stände, unterschiedliche Quellen. Am Ende diskutierten zwei Projektleiter darüber, welches Aufbaudatum denn nun stimmt.

Und es blieb nicht bei Diskussionen. Fristen wurden verpasst. Material und Transportmittel wurden auf Basis falsch recherchierter Termine bestellt — mit allen Folgekosten, die das in einem terminkritischen Gewerk auslöst. Verschärft wurde das durch die Pflege: Termine verschieben sich, Fristen werden nachgezogen, neue Veranstaltungsjahre kommen hinzu. Eine einmal recherchierte Tabelle veraltet still.

Dazu kommt ein zweiter Nutzerkreis mit ganz anderem Interesse: der Vertrieb. Für ihn ist eine Messe kein Termin, sondern eine Gelegenheit — wer weiß, dass eine Messe in einigen Monaten stattfindet, kann rechtzeitig auf Unternehmen zugehen, die dort einen Stand planen. Der Ansatzpunkt war hier weniger das Vorgehen als die Grundlage: eine vollständige, aktuelle Übersicht über die relevanten Messen und ein verlässlicher Anstoß zum richtigen Zeitpunkt. Beides steckte zuvor in individuellen Listen und im Erfahrungswissen Einzelner.

Gesucht war deshalb nicht nur Automatisierung, sondern eine gemeinsame, verlässliche Quelle, auf die sich beide Nutzerkreise berufen können.

Unser Ansatz

Wir haben eine vollständig serverlose Plattform auf AWS entwickelt — exklusiv für diesen Kunden, der die Lösung bewusst als eigenen Wettbewerbsvorteil und nicht als Standardprodukt am Markt wollte. Kern ist eine mehrstufige Verarbeitungspipeline, in der zwei KI-Agents mit unterschiedlichen Strategien die relevanten Informationen aus dem Quellmaterial herausarbeiten, in ein einheitliches Datenschema überführen und laufend auf Abweichungen prüfen.

KI-Agents: zwei Strategien statt einer

Klassische Regeln oder Templates scheitern an Quellmaterial, das in Aufbau, Formulierung und Detailtiefe von Fall zu Fall komplett anders aussieht. Wir setzen deshalb auf LLM-gestützte Extraktion gegen ein fest definiertes Feldschema — und haben bewusst zwei Agents mit unterschiedlichem Vorgehen gebaut, die sich gegenseitig absichern:

• Primär-Agent — breite Erfassung in einem Durchgang: Erfasst das verfügbare Quellmaterial in der Breite und extrahiert daraus die Zieldaten. Schnell und kostengünstig für den Regelfall, arbeitet unter einem harten Budgetdeckel pro Lauf.
• Fallback-Agent — iterative, zielgerichtete Suche: Eine Eigenentwicklung in Python. Statt alles auf einmal zu verarbeiten, prüft er nach jeder Runde, welche Pflichtfelder noch fehlen, und entscheidet gezielt, wo er als Nächstes weitersucht. Er läuft ohne Kreditlimit und bricht erst ab, wenn die Daten vollständig sind oder die maximale Iterationszahl erreicht ist — genau die Fälle, an denen der Primär-Agent sein Budget aufbraucht.

Scheitert der Primär-Agent, übernimmt der Fallback-Agent automatisch denselben Auftrag. Die Kette bleibt dabei bewusst auf zwei Glieder begrenzt und läuft nicht in Endlosschleifen.

Dass sich der Aufwand für den zweiten Agent lohnt, zeigt der Betrieb: Vor seiner Einführung blieben konstant rund 20 % der Messen unverarbeitet — sie scheiterten schlicht am Budgetdeckel des Primär-Agents und mussten manuell nachgearbeitet werden. Genau diese Fälle fängt der iterative Agent heute auf.

Weitere Merkmale der KI-Schicht:

• Austauschbare Modelle: Modellanbindung über eine Abstraktionsschicht, Modellwahl pro Lauf konfigurierbar — kein Lock-in auf einen Anbieter
• Prompts und Feldschema als Konfiguration: Fachliche Anpassungen an Prompts, Extraktionsfeldern und Instruktionen ohne neuen Build der Agent-Bibliothek
• Nachvollziehbarkeit: Jeder Lauf liefert neben dem Ergebnis auch Fundstelle, Iterationszahl, Abbruchgrund und die entstandenen Kosten
• Container-basiertes Deployment: Der Fallback-Agent läuft als Docker-Container-Lambda aus ECR, weil seine Verarbeitungsumgebung nicht in ein klassisches Lambda-Paket passt

Warum man den Daten trauen kann

Eine KI, die Termine liefert, ist nur so viel wert wie das Vertrauen in ihre Ergebnisse. Deshalb ist die Plattform so gebaut, dass automatisch erfasste Daten überprüfbar und korrigierbar bleiben:

• Kein stilles Überschreiben: Findet ein automatischer Lauf einen anderen Wert als den, den ein Nutzer zuvor manuell gesetzt hat, wird die Abweichung übernommen und als Konflikt gemeldet. Der Nutzer erfährt also gezielt von genau den Fällen, in denen seine Korrektur und der neue Fund auseinandergehen — statt still überstimmt zu werden oder umgekehrt auf einem veralteten Wert sitzen zu bleiben.
• Lücken werden ausgewiesen: Jede Messe trägt einen Erfassungsstatus. Unvollständige Datensätze sind sichtbar und können gezielt nachbearbeitet werden — niemand arbeitet unbemerkt mit Teildaten.
• Jede Angabe ist rückverfolgbar: Zu jedem Ergebnis wird festgehalten, woher die Information stammt und wie sie zustande kam.
• Ein Stand für alle: Statt paralleler Einzelrecherchen greifen alle Rollen auf denselben Datensatz zu. Diskussionen über abweichende Termine entfallen.

Architektur-Highlights

• Asynchrone Verarbeitungspipeline: Entkoppelte Lambda-Stufen über SQS mit Job-Tracking, Backoff, Retries, Dead-Letter-Queues und automatischer Übergabe an den Fallback-Agent, wenn der Primärweg scheitert
• Strukturierung unstrukturierter Daten: Konvertierung heterogener Quellformate — inklusive PDF — und Extraktion der fachlich relevanten Termine und Fristen in ein normalisiertes Schema, inklusive mehrfacher Zeiträume pro Feld
• Datenqualitäts-Modell: Getrennte Dimensionen für technischen Verarbeitungsstatus und fachliche Datenvollständigkeit (INCOMPLETE / MINIMUM / COMPLETE), damit Nutzer sofort sehen, welche Messe noch Handarbeit braucht
• DynamoDB Single-Table-Design: Alle Entitäten in einer Tabelle, Zugriffsmuster über Global Secondary Indexes — Mandantenisolation, Abonnements, Fälligkeiten und Cascade-Deletes ohne Scans
• Änderungserkennung: Neue Ergebnisse werden gegen den Bestand abgeglichen; verschobene Termine und Konflikte mit manuellen Korrekturen lösen gezielte Benachrichtigungen aus
• Infrastructure-as-Code mit AWS CDK: Mehrstufige Umgebungen plus kurzlebige, vollständig isolierte Entwicklungsumgebungen per Pipeline-Knopfdruck
• Testbarkeit trotz KI: Ein austauschbarer Mock-Provider liefert deterministische Ergebnisse an derselben Schnittstelle wie die echten Agents. Dadurch lassen sich sämtliche Anwendungsfälle — inklusive der Fehlerfälle, die im Echtbetrieb nur selten auftreten — als wiederholbare, automatisiert laufende Tests festschreiben und die Qualität langfristig absichern

Zwei Nutzerkreise, eine Datenbasis

Projektleiter und Vertrieb schauen aus entgegengesetzten Richtungen auf dieselbe Messe. Statt zwei Werkzeuge zu bauen, bekommt jeder Nutzer denselben Datenbestand — aber seine eigene Vorlaufzeit:

• Projektleiter planen rückwärts vom Termin. Sie werden an Aufbaufristen und den Ablauf technischer Richtlinien erinnert, typischerweise zwei Monate vorher.
• Der Vertrieb plant vorwärts auf die Gelegenheit. Er wird Monate vor Messebeginn benachrichtigt — die Vorlaufzeit ist frei konfigurierbar — und kann Unternehmen, die dort einen Stand planen, mit ausreichend Vorlauf und abgestimmt ansprechen.

Entscheidend ist, dass jeder Nutzer seine eigenen Messen abonniert und die Erinnerungen selbst einstellt — Vertrieb wie Projektleitung. Aus einer gemeinsamen Datenbasis wird so für jeden ein persönlicher Arbeitsvorrat, ohne dass jemand zentral Listen verteilt oder nachhält, wer wann woran erinnert werden muss.

Kernfunktionen

• Elegante Oberfläche, die ohne Schulung funktioniert: Ein modernes, aufgeräumtes Interface, in dem Statuswerte, Rollen und Aktionen konsequent als Icons visualisiert und durchgängig mit Tooltips hinterlegt sind. Nutzer erschließen sich die Funktionen im Arbeiten selbst, statt in einer Anleitung nachzuschlagen — bei einer Anwendung, die nur wenige Male pro Woche geöffnet wird, entscheidet das über die Akzeptanz. Die Oberfläche bekommt von den Anwendern durchweg sehr gutes Feedback
• Erinnerungen statt Nachschauen: Abonnements pro Messe und Rolle mit frei konfigurierbaren Vorlaufzeiten, mehrere Erinnerungen je Messe möglich
• Rollengerechte Sicht: Rechtemodell mit vier Rollen, propagiert über Cognito und JWT
• Self-Service Single Sign-On: Administratoren binden ihren Microsoft-Entra-Tenant per OIDC selbst an — ohne Redeploy; Bestandskonten werden beim ersten SSO-Login automatisch verknüpft
• Automatisierter Saisonwechsel: Abgelaufene Messen werden archiviert und für das nächste Veranstaltungsjahr automatisch neu erfasst
• Ereignisgetriebene Benachrichtigungen über eine eigene Queue, entkoppelt vom Request-Pfad
• Wir hören nicht beim Deployment auf: Monitoring und Alarmierung sind fester Bestandteil der Lösung — CloudWatch-Dashboards und Metriken für jede Verarbeitungsstufe, Alarme mit Weiterleitung nach Microsoft Teams. Störungen fallen uns auf, bevor Nutzer sie melden

Ergebnisse

• Über 650 Messen werden automatisch aktuell gehalten — ohne dass jemand sie manuell nachpflegt
• Mehrfachrecherche entfällt: Dieselbe Messe wurde zuvor je nach Projektlage von bis zu fünf Projektleitern parallel recherchiert, mit 15 bis 30 Minuten pro Durchgang. Heute arbeiten alle auf einem gemeinsamen Stand — Abweichungen werden als Konflikt gemeldet statt unbemerkt übernommen
• Verpasste Fristen und Fehlbestellungen abgestellt: Terminänderungen werden erkannt und aktiv gemeldet, bevor Material und Transport darauf gebucht werden
• Der Vertrieb kann koordiniert und frühzeitig ansprechen: vollständige Übersicht über die relevanten Messen, dazu eine rechtzeitige Erinnerung je Messe — abonniert und eingestellt von jedem Vertriebsmitarbeiter selbst
• Rund 20 % zuvor unverarbeitbare Messen sind heute abgedeckt — der iterative Fallback-Agent schließt genau die Lücke, die feste Verarbeitungslimits hinterlassen haben
• Seit 2025 produktiv im Einsatz und laufend erweitert — der Kunde beauftragt kontinuierlich neue Funktionen
• Exklusiv für den Kunden umgesetzt — die Plattform bleibt sein Wettbewerbsvorteil und wird nicht an Dritte weitergegeben

Ausblick

Die nächste Ausbaustufe nimmt sich den aufwendigsten verbliebenen Handgriff vor: die Auswertung der technischen Richtlinien.

Diese Dokumente sind das genaue Gegenteil eines Datenblatts. 10 bis 15 dicht gepackte Seiten pro Messe, im Duktus von AGB, mit Vorgaben zu Standbau, Materialien, Sicherheit, Logistik und Fristen. Nur ein Teil davon ist für den Kunden überhaupt relevant — dieser Teil dafür umso mehr. Erschwerend kommt hinzu, dass sich einzelne Vorgaben von einem Veranstaltungsjahr zum nächsten ändern: Wer das Dokument nur überfliegt, weil es “letztes Jahr schon gelesen” wurde, übersieht genau die Änderung, die dieses Jahr zählt.

Entsprechend aufwendig ist die Auswertung heute — deutlich zeitintensiver als die 15 bis 30 Minuten Terminrecherche, und das bei über 650 Messen. Genau hier setzt der nächste KI-gestützte Auswertungsschritt an: die für den Kunden relevanten Vorgaben herausarbeiten, statt jedes Dokument vollständig zu lesen, und Abweichungen zum Vorjahr sichtbar machen, statt sie überlesen zu lassen. Von allen Ausbaustufen ist das die mit dem größten Hebel.