[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"blog-22-datenquellen-warum-mehr-daten-nicht-reichen":3},["null","category",4,"content",5,"date",6,"description",7,"faq",8,"ogTitle",9,"readTime",10,"slug",11,"tags",12,"title",9],"Technology","\u003Ch2 class=\"text-3xl font-bold mb-6\">Die Daten-Infrastruktur von CI\u003C\u002Fh2>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Contextual Intelligence aggregiert täglich Daten aus 22 öffentlichen Quellen. Diese\n              teilen sich in fünf Kategorien:\n            \u003C\u002Fp>\n\n            \u003Cdiv class=\"overflow-x-auto mb-8\">\n              \u003Ctable class=\"w-full border-collapse\">\n                \u003Cthead>\n                  \u003Ctr class=\"bg-slate-100 dark:bg-slate-800\">\n                    \u003Cth class=\"text-left font-semibold px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Kategorie\n                    \u003C\u002Fth>\n                    \u003Cth class=\"text-left font-semibold px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Beispiele\n                    \u003C\u002Fth>\n                    \u003Cth class=\"text-left font-semibold px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Update-Frequenz\n                    \u003C\u002Fth>\n                  \u003C\u002Ftr>\n                \u003C\u002Fthead>\n                \u003Ctbody>\n                  \u003Ctr class=\"border-b border-slate-200 dark:border-slate-700\">\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Regulierungsdatenbanken\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      FDA 510(k), EUDAMED, ClinicalTrials.gov\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Täglich\n                    \u003C\u002Ftd>\n                  \u003C\u002Ftr>\n                  \u003Ctr class=\"border-b border-slate-200 dark:border-slate-700\">\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Patente\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      USPTO, EPO, DPMA\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Wöchentlich\n                    \u003C\u002Ftd>\n                  \u003C\u002Ftr>\n                  \u003Ctr class=\"border-b border-slate-200 dark:border-slate-700\">\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Förderprogramme\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      BMBF, Bundesanzeiger, EU Funding & Tenders Portal\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Täglich\n                    \u003C\u002Ftd>\n                  \u003C\u002Ftr>\n                  \u003Ctr class=\"border-b border-slate-200 dark:border-slate-700\">\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Publikationen\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      PubMed, OpenAlex, CrossRef\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Wöchentlich\n                    \u003C\u002Ftd>\n                  \u003C\u002Ftr>\n                  \u003Ctr>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Unternehmensdaten\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Bundesanzeiger, Handelsregister, Unternehmensregister\n                    \u003C\u002Ftd>\n                    \u003Ctd class=\"px-4 py-3 border border-slate-200 dark:border-slate-700\">\n                      Monatlich\n                    \u003C\u002Ftd>\n                  \u003C\u002Ftr>\n                \u003C\u002Ftbody>\n              \u003C\u002Ftable>\n            \u003C\u002Fdiv>\n\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Insgesamt umfasst der Datenbestand (ORSD — Open Regulatory Signal Dataset) über 5.000\n              Unternehmen, ~50.000 regulatorische Signale, ~20.000 Patente und ~10.000 Clinical\n              Trials. Die Daten werden via Apache Airflow orchestriert und täglich aktualisiert.\n            \u003C\u002Fp>\n\n            \u003Ch2 class=\"text-3xl font-bold mb-6 mt-12\">Die Illusion der Datenmenge\u003C\u002Fh2>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Mehr Daten klingt nach besseren Ergebnissen. In der Praxis gilt: Datenmenge ohne\n              Kontext ist Rauschen.\n            \u003C\u002Fp>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Ein einfaches Beispiel: Die FDA-Datenbank enthält jede 510(k)-Zulassung seit 1976 —\n              über 200.000 Einträge. Eine Keyword-Suche nach „PCR\" findet davon ~5.000. Welche\n              dieser 5.000 sind relevant für einen Hersteller von Real-Time-PCR-Kits im Jahr 2026?\n              Welche sind veraltet (technologisch überholt)? Welche signalisieren aktuelle\n              Marktaktivität?\n            \u003C\u002Fp>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Ohne semantischen Kontext und zeitliche Einordnung bleibt die Antwort: „Das müssen\n              Sie selbst herausfinden.\"\n            \u003C\u002Fp>\n\n            \u003Ch2 class=\"text-3xl font-bold mb-6 mt-12\">Vom Datensilo zum Wissensgraph\u003C\u002Fh2>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Der entscheidende Unterschied bei CI liegt nicht in der Anzahl der Datenquellen —\n              sondern in ihrer Verknüpfung in einem semantischen Wissensgraph.\n            \u003C\u002Fp>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Die Daten aus allen 22 Quellen werden nicht einfach in einer Datenbank gesammelt.\n              Stattdessen werden sie als Graph modelliert (Dgraph + PostgreSQL), in dem jede\n              Entität mit anderen verbunden ist:\n            \u003C\u002Fp>\n            \u003Cul class=\"space-y-3 text-slate-600 dark:text-slate-400 mb-8 list-disc pl-6\">\n              \u003Cli>Eine FDA-Zulassung ist mit dem Hersteller verbunden\u003C\u002Fli>\n              \u003Cli>Der Hersteller ist mit seinen Patenten verbunden\u003C\u002Fli>\n              \u003Cli>Die Patente sind mit den zugrundeliegenden Technologien verbunden\u003C\u002Fli>\n              \u003Cli>Die Technologien sind mit Förderprogrammen verbunden, die diese adressieren\u003C\u002Fli>\n            \u003C\u002Ful>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Diese Struktur ermöglicht Graph-Traversal: Statt einer flachen Liste von Treffern\n              erhält der Nutzer einen kontextuellen Pfad — zum Beispiel „FDA-Clearance für\n              Hersteller X → dessen Patent Y → Förderschwerpunkt Z, der zur Technologie passt\".\n            \u003C\u002Fp>\n\n            \u003Ch2 class=\"text-3xl font-bold mb-6 mt-12\">Open Data als Standard\u003C\u002Fh2>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Alle Rohdaten von CI sind als ORSD (Open Regulatory Signal Dataset) offen lizenziert\n              (ODbL v1.0 für die Datenbank, CC0 1.0 für Inhalte). Jeder kann die Daten kostenlos\n              nutzen, herunterladen und darauf aufbauen.\n            \u003C\u002Fp>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Die Strategie: Offene Rohdaten etablieren ORSD als Standard im\n              Regulatory-Intelligence-Bereich. Je mehr Nutzer die Daten verwenden, desto mehr\n              Verbesserungen fließen durch die ODbL-Reziprozität zurück in den Datensatz.\n            \u003C\u002Fp>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              Das Premium-Produkt von CI liegt nicht in den Daten selbst — sondern in der\n              kontextuellen Bewertung, dem semantischen Matching und der Priorisierung. Außerdem\n              betreibt CI die gesamte Pipeline auf selbst-gehosteten Foundation Models (NVIDIA DGX\n              Spark) — kein Datenabfluss, keine US-Cloud-Abhängigkeit, vollständig DSGVO- und\n              EU-AI-Act-konform.\n            \u003C\u002Fp>\n\n            \u003Ch2 class=\"text-3xl font-bold mb-6 mt-12\">Fazit\u003C\u002Fh2>\n            \u003Cp class=\"text-slate-600 dark:text-slate-400 mb-6 leading-relaxed\">\n              22 Datenquellen sind ein guter Ausgangspunkt. Aber erst die semantische Verknüpfung\n              in einem Wissensgraph macht aus diesen Daten verwertbare Business-Intelligence. Wer\n              nur Daten sammelt, hat viel Information — aber wenig Erkenntnis.\n            \u003C\u002Fp>\n\n            \u003C!-- FAQ -->\n            \u003Ch2 class=\"text-3xl font-bold mb-6 mt-12\">Häufig gestellte Fragen\u003C\u002Fh2>\n\n            \u003Cdiv class=\"space-y-4 my-8\">\n              \u003Cdiv class=\"card bg-slate-50 dark:bg-slate-800 p-6\">\n                \u003Ch3 class=\"text-lg font-bold mb-2\">\n                  Welche 22 Datenquellen nutzt Contextual Intelligence?\n                \u003C\u002Fh3>\n                \u003Cp class=\"text-slate-600 dark:text-slate-300\">\n                  CI aggregiert Daten aus fünf Kategorien: Regulierungsdatenbanken (FDA 510(k),\n                  EUDAMED, ClinicalTrials.gov), Patente (USPTO, EPO, DPMA), Förderprogramme (BMBF,\n                  Bundesanzeiger, EU Funding & Tenders Portal), Publikationen (PubMed, OpenAlex,\n                  CrossRef) und Unternehmensdaten (Bundesanzeiger, Handelsregister,\n                  Unternehmensregister).\n                \u003C\u002Fp>\n              \u003C\u002Fdiv>\n              \u003Cdiv class=\"card bg-slate-50 dark:bg-slate-800 p-6\">\n                \u003Ch3 class=\"text-lg font-bold mb-2\">\n                  Warum reichen mehr Daten allein nicht für bessere Ergebnisse?\n                \u003C\u002Fh3>\n                \u003Cp class=\"text-slate-600 dark:text-slate-300\">\n                  Datenmenge ohne Kontext ist Rauschen. Ohne semantische Verknüpfung und zeitliche\n                  Einordnung bleiben selbst umfangreiche Datensätze wie die FDA-Datenbank mit über\n                  200.000 Einträgen eine unstrukturierte Ansammlung, aus der sich relevante Signale\n                  nur mit hohem manuellem Aufwand extrahieren lassen.\n                \u003C\u002Fp>\n              \u003C\u002Fdiv>\n              \u003Cdiv class=\"card bg-slate-50 dark:bg-slate-800 p-6\">\n                \u003Ch3 class=\"text-lg font-bold mb-2\">\n                  Was ist der ORSD und wie ist er lizenziert?\n                \u003C\u002Fh3>\n                \u003Cp class=\"text-slate-600 dark:text-slate-300\">\n                  Der Open Regulatory Signal Dataset (ORSD) ist der offene Datenbestand von CI,\n                  lizenziert unter ODbL v1.0 für die Datenbank und CC0 1.0 für die Inhalte. Die\n                  Daten können kostenlos genutzt und heruntergeladen werden. Verbesserungen fließen\n                  durch die ODbL-Reziprozität zurück in den Datensatz.\n                \u003C\u002Fp>\n              \u003C\u002Fdiv>\n              \u003Cdiv class=\"card bg-slate-50 dark:bg-slate-800 p-6\">\n                \u003Ch3 class=\"text-lg font-bold mb-2\">\n                  Wie unterscheidet sich CI von herkömmlichen Datenplattformen?\n                \u003C\u002Fh3>\n                \u003Cp class=\"text-slate-600 dark:text-slate-300\">\n                  CI modelliert Daten aus allen Quellen als semantischen Wissensgraph (Dgraph +\n                  PostgreSQL), in dem Entitäten wie FDA-Zulassungen, Hersteller, Patente,\n                  Technologien und Förderprogramme miteinander verknüpft sind. Statt flacher\n                  Keyword-Suche ermöglicht dies Graph-Traversal und kontextuelle Pfade. Die\n                  gesamte Pipeline läuft auf selbst-gehosteten Foundation Models ohne\n                  US-Cloud-Abhängigkeit.\n                \u003C\u002Fp>","2026-01-01","Contextual Intelligence aggregiert Daten aus 22 öffentlichen Quellen. Der entscheidende Unterschied liegt nicht in der Menge, sondern in der semantischen Verknüpfung.",null,"22 Datenquellen — Warum mehr Daten allein nicht reichen",3,"22-datenquellen-warum-mehr-daten-nicht-reichen",[13],"technology"]