Datenqualität verbessern: Kriterien, Messung und 7 Maßnahmen

Was ist Datenqualität?

Datenqualität – oft auch Datengüte genannt – beschreibt, wie gut Daten für ihren Zweck taugen. Eine Kundenadresse hat dann eine hohe Qualität, wenn die Rechnung ankommt; eine Artikelnummer, wenn sie in Lager, Einkauf und Vertrieb dasselbe Teil meint. Perfekte Daten gibt es nicht – entscheidend ist, ob sie für die Entscheidungen und Abläufe ausreichen, die auf ihnen aufbauen.

Genau daran hapert es im Mittelstand häufig. Kundendaten liegen doppelt im CRM und im ERP, Preislisten in Excel, das Wissen über Sonderfälle in Köpfen. Jedes System funktioniert für sich – zusammen ergeben sie widersprüchliche Zahlen. Datenqualität ist deshalb weniger eine Frage der Software als die Frage, ob Daten einmal richtig erfasst, gepflegt und verbunden werden. Welche Rolle ein zentrales Datenmanagement dabei spielt, beschreibt unser Beitrag zum Datenmanagementsystem.

Die sechs Kriterien der Datenqualität

Damit „gute Daten" kein Bauchgefühl bleibt, hat sich ein Satz von sechs Kriterien bewährt. In der Fachliteratur heißen sie meist Dimensionen der Datenqualität; unter anderem verwendet sie das Data-Quality-Rahmenwerk der britischen Regierung [1]:

In der Praxis hängen die Kriterien zusammen: Eine Dublette verletzt die Eindeutigkeit und führt fast immer auch zu widersprüchlichen Werten. Für den Einstieg genügt es, die drei oder vier Kriterien zu messen, die in Ihren wichtigsten Abläufen den größten Schaden anrichten.

Was schlechte Datenqualität kostet

Die Kosten schlechter Daten sind selten sichtbar, weil sie sich über viele Arbeitsplätze verteilen: Rückfragen, doppelte Pflege, manuelle Korrekturen, falsch adressierte Rechnungen, Reklamationen. Gartner beziffert die durchschnittlichen Kosten schlechter Datenqualität auf 12,9 Millionen US-Dollar pro Jahr und Organisation [2]. Das ist ein Durchschnittswert, der sich nicht eins zu eins auf ein mittelständisches Unternehmen übertragen lässt – er zeigt aber die Größenordnung des Problems.

Hinzu kommt eine rechtliche Pflicht: Die DSGVO verlangt, dass personenbezogene Daten sachlich richtig und erforderlichenfalls auf dem neuesten Stand sind; Unternehmen müssen alle angemessenen Maßnahmen treffen, damit unrichtige Daten unverzüglich gelöscht oder berichtigt werden [3]. Für Kunden-, Bewerber- und Mitarbeiterdaten ist Datenqualität damit kein Komfortthema, sondern Teil der Compliance. Und wer KI einsetzen will, bekommt die Rechnung für schlechte Daten gleich doppelt – dazu weiter unten mehr.

Woher schlechte Daten kommen

Die Ursachen ähneln sich in fast allen Unternehmen:

• Manuelle Erfassung ohne Prüfregeln: Freitextfelder, in denen dieselbe Stadt dreimal anders geschrieben steht.
• Datensilos: Dieselben Daten werden in mehreren Systemen gepflegt – im ERP, im CRM und daneben in Excel-Listen oder Access-Datenbanken, abgeglichen per Copy-Paste oder Export.
• Fehlende Verantwortung: Niemand ist zuständig, also pflegt jeder ein bisschen – oder keiner.
• Alterung: Menschen ziehen um, Firmen firmieren um, Ansprechpartner wechseln. Ohne Pflege veralten Daten von selbst.
• Migrationen und Altsysteme: Beim Umzug in ein neues System wandern Altlasten mit, wenn vorher niemand aufräumt. Wie sich das vermeiden lässt, zeigt unser Beitrag zur Datenmigration aus Altsystemen.

Datenqualität messen: Kennzahlen statt Bauchgefühl

Bevor Sie die Datenqualität verbessern, sollten Sie wissen, wo Sie stehen. Der erste Schritt ist ein Data Profiling: eine automatisierte Auswertung, die für jedes Feld zeigt, wie viele Werte fehlen, welche Formate vorkommen und wo Ausreißer liegen. Schon ein einfacher Durchlauf über die Kundenstammdaten fördert erfahrungsgemäß Überraschungen zutage.

Aus dem Profiling werden Kennzahlen, die Sie regelmäßig erheben – etwa die Vollständigkeits-, Dubletten- und Fehlerquote je Datenart. Wichtig ist weniger die Perfektion der Messung als ihre Regelmäßigkeit: Eine monatliche Ampel für die drei wichtigsten Kennzahlen macht Fortschritte sichtbar und Rückschritte früh erkennbar. Wie das für Stammdaten konkret aussieht, zeigt unser Beitrag zum Stammdatenmanagement.

Datenqualität verbessern: 7 Maßnahmen

1. Bestandsaufnahme: Daten prüfen statt raten

Beginnen Sie mit der Datenart, die den größten Schaden anrichtet – meist Kunden- oder Artikelstammdaten. Messen Sie die sechs Kriterien, priorisieren Sie nach Auswirkung auf das Geschäft und legen Sie fest, welche Werte Sie in drei Monaten erreichen wollen.

2. Bereinigen: Dubletten und Altlasten abbauen

Dubletten zusammenführen, Formate vereinheitlichen, Karteileichen archivieren: Diese Grundreinigung ist einmaliger Aufwand mit sofortiger Wirkung – und die Voraussetzung dafür, dass die folgenden Maßnahmen greifen. Wie wir dabei vorgehen, beschreibt unser Datenhygiene-Audit.

3. First Time Right: Fehler bei der Eingabe verhindern

Die günstigste Korrektur ist die, die nie nötig wird. Pflichtfelder, Auswahllisten statt Freitext, Formatprüfungen und eine Dublettenwarnung beim Anlegen sorgen dafür, dass neue Daten von Anfang an stimmen. Jede Prüfregel an der Quelle spart später ein Vielfaches an Nacharbeit.

4. Eine führende Quelle je Datenart festlegen

Für jede Datenart braucht es ein System, das führt – alle anderen übernehmen von dort. So entsteht der Golden Record, die eine verlässliche Fassung eines Kunden oder Artikels. Wie verstreute Datensätze dorthin zusammenfinden, zeigt unsere Leistung Datenkonsolidierung für Stammdaten.

5. Verantwortung klären: Data Owner und Data Steward

Datenqualität braucht Zuständige. Der Data Owner verantwortet eine Datenart fachlich und entscheidet über Regeln, der Data Steward kümmert sich im Alltag um Pflege und Prüfung. Im Mittelstand sind das keine neuen Stellen, sondern klar benannte Aufgaben. Wie das Rollenmodell aussieht, beschreibt unser Leitfaden zur Data Governance.

6. Silos verbinden statt Daten kopieren

Jede manuelle Übertragung zwischen Systemen ist eine Fehlerquelle. Schnittstellen, die Daten automatisch dorthin bringen, wo sie gebraucht werden, beseitigen Tippfehler, Versionschaos und veraltete Kopien – oft der schnellste Hebel überhaupt. Welche Werkzeuge dafür infrage kommen, zeigt unser Überblick über Datenintegrations-Tools.

7. Laufend messen, schulen und nachsteuern

Datenqualität ist kein Projekt mit Enddatum. Automatische Prüfungen melden Auffälligkeiten, bevor sie Schaden anrichten; regelmäßige Auswertungen zeigen, ob die Maßnahmen wirken. Und Ihr Team muss wissen, warum saubere Daten zählen: Eine kurze Schulung, die zeigt, welche Folgen ein Tippfehler hat, wirkt oft mehr als jede Regel.

Wie diese Schritte zusammenspielen, zeigt unsere Fallstudie aus dem Maschinenbau: vom Datenqualitäts-Audit über ein zentrales Stammdaten-Register bis zu automatischen Prüfungen in den ERP-Prozessen.

Wie gut sind Ihre Daten wirklich? Mit unserer Datenreifegrad-Prüfung messen wir Qualität, Silos und Zuständigkeiten und liefern einen priorisierten Fahrplan. Am schnellsten geht es im direkten Gespräch: 30-Minuten-Kennenlernen buchen.

Welche Software hilft bei der Datenqualität?

Eine Software, die Datenqualität auf Knopfdruck herstellt, gibt es nicht. Wirksam ist das Zusammenspiel von Systemen, die Fehler an der Quelle verhindern, und Werkzeugen, die den Bestand prüfen und pflegen. Bewährt haben sich diese Softwaregruppen:

Prüfen Sie zuerst, was vorhandene Systeme schon können: Viele CRM- und ERP-Systeme bringen Pflichtfelder, Prüfregeln und Dublettenprüfungen mit – wie sich das im Vertrieb nutzen lässt, zeigt unser Beitrag zur CRM-Prozessautomatisierung. Zusätzliche Software lohnt sich erst, wenn feststeht, welche Regel sie durchsetzen soll. Sonst automatisiert sie nur das Chaos.

Datenqualität und KI: erst die Daten, dann die KI

KI verstärkt, was sie vorfindet. Ein Assistent, der auf widersprüchliche Kundendaten zugreift, gibt widersprüchliche Antworten; eine Prognose auf lückenhaften Verkaufsdaten liefert Scheingenauigkeit. Deshalb steht die Datenqualität am Anfang jedes KI-Vorhabens – nicht am Ende. Mehr dazu in unserem Beitrag über Datenmanagement als Grundlage für KI-Projekte.

Umgekehrt hilft KI inzwischen auch beim Aufräumen: Sie erkennt Dubletten trotz abweichender Schreibweise, schlägt Zuordnungen vor und findet Ausreißer in großen Beständen. Entscheidend bleibt der Mensch, der die Regeln festlegt und die Vorschläge prüft.

Häufige Fragen zur Datenqualität

Was ist Datenqualitätsmanagement?

Datenqualitätsmanagement umfasst die Regeln, Rollen, Abläufe und Werkzeuge, mit denen ein Unternehmen die Qualität seiner Daten dauerhaft sichert: messen, bereinigen, Fehler verhindern und Verantwortung zuweisen. Es ist Teil der Data Governance. Der Unterschied zur Datenqualität: Datenqualität beschreibt den Zustand der Daten, Datenqualitätsmanagement die Daueraufgabe, diesen Zustand zu messen und zu verbessern.

Was bedeutet Datenintegrität?

Datenintegrität bedeutet, dass Daten über ihren gesamten Lebenszyklus vollständig, korrekt und widerspruchsfrei bleiben – auch wenn sie gespeichert, übertragen oder geändert werden. In Datenbanken sichern Integritätsregeln das ab, etwa eindeutige Schlüssel oder die Vorgabe, dass jeder Auftrag auf einen bestehenden Kunden verweist.

Wie lange dauert es, die Datenqualität zu verbessern?

Eine Bestandsaufnahme mit ersten Kennzahlen dauert Tage, die Bereinigung der wichtigsten Datenart meist einige Wochen. Spürbar wird der Effekt, sobald Prüfregeln bei der Eingabe greifen: Ab dann wächst der Bestand an sauberen Daten von selbst. Brennt es akut, stabilisiert unsere Daten-Notaufnahme die Lage kurzfristig.

Fazit

Datenqualität verbessern heißt nicht, alle Daten perfekt zu machen. Es heißt, die wichtigsten Daten messbar, eindeutig und verantwortet zu machen – und Fehler dort zu verhindern, wo sie entstehen. Wer mit einer Datenart beginnt, sie bereinigt, eine führende Quelle festlegt und die Eingabe absichert, sieht die Wirkung in Wochen. Und schafft nebenbei die Grundlage für Automatisierung und KI.

References

1. (UK Government Data Quality Hub – Meet the data quality dimensions)
2. (Gartner – How to Improve Your Data Quality)
3. (Art. 5 DSGVO – Grundsätze für die Verarbeitung personenbezogener Daten)