Datenqualitätsmanagement: Aufgaben, Prozess und Rollen

Was ist Datenqualitätsmanagement (Data Quality Management)?

Datenqualitätsmanagement – englisch Data Quality Management, kurz DQM – umfasst alle Regeln, Rollen, Abläufe und Werkzeuge, mit denen ein Unternehmen die Qualität seiner Daten dauerhaft sichert. Es beantwortet drei Fragen: Welche Qualität brauchen unsere Prozesse? Wie gut sind die Daten tatsächlich? Und wer sorgt dafür, dass das so bleibt?

Der Unterschied zur Datenqualität ist der zwischen Zustand und Aufgabe. Datenqualität beschreibt, wie vollständig, korrekt und widerspruchsfrei Daten sind – welche Kriterien dabei zählen und mit welchen Maßnahmen sich der Zustand verbessern lässt, zeigt unser Leitfaden Datenqualität verbessern. Datenqualitätsmanagement ist die Daueraufgabe, diesen Zustand zu messen, zu steuern und zu halten. Für Produktionsbetriebe passt ein vertrauter Vergleich: Was das Qualitätsmanagement für Produkte leistet, leistet das Datenqualitätsmanagement für Daten.

Welche Aufgaben hat das Datenqualitätsmanagement?

Im Kern sind es sechs Aufgaben:

• Anforderungen festlegen: Welche Daten sind für welche Prozesse kritisch, und welche Qualität brauchen sie?
• Regeln definieren: Aus den Anforderungen werden prüfbare Datenqualitätsregeln, etwa „Jeder Firmenkunde hat eine gültige USt-ID".
• Messen und überwachen: Kennzahlen zeigen, wie viele Datensätze die Regeln erfüllen – einmal zum Start und danach laufend.
• Fehler und Ursachen beheben: Falsche Datensätze werden korrigiert. Wichtiger ist, die Ursache abzustellen, damit derselbe Fehler nicht wieder entsteht.
• Verantwortung zuweisen: Für jede Datenart ist klar, wer die Regeln festlegt und wer im Alltag für die Pflege sorgt.
• Berichten: Geschäftsführung und Fachbereiche sehen regelmäßig, wo die Datenqualität steht und ob sie besser wird.

Der Prozess: Datenqualitätsmanagement als Regelkreis

Viele Vorgehensmodelle gehen auf den Ansatz des Total Data Quality Management (TDQM) am MIT zurück. Richard Y. Wang beschrieb ihn 1998 als Kreislauf aus vier Phasen, angelehnt an den Deming-Kreis aus dem Qualitätsmanagement [1]:

Danach beginnt der Kreis von vorn. Neue Systeme, neue Prozesse und schlicht die Zeit verändern die Daten: Kunden ziehen um, Artikel laufen aus, Ansprechpartner wechseln. Andere Modelle unterteilen die Phasen feiner, etwa mit eigenen Schritten für Überwachung und Berichtswesen – der Kern bleibt derselbe. Datenqualitätsmanagement ist deshalb kein Projekt mit Enddatum, sondern ein Regelkreis.

Datenqualitätsregeln: So wird Qualität messbar

Eine Datenqualitätsregel ist eine Aussage, die sich für jeden Datensatz automatisch mit Ja oder Nein prüfen lässt. Gute Regeln sind fachlich begründet und technisch prüfbar:

Aus jeder Regel wird eine Kennzahl: der Anteil der Datensätze, die sie erfüllen. Mit einem Zielwert und einer Warnschwelle entsteht eine Ampel, die zeigt, wo gehandelt werden muss. Entscheidend ist die Auswahl, denn nicht jedes Feld ist gleich wichtig. Beginnen Sie mit den kritischen Datenelementen – den Feldern, ohne die eine Rechnung, eine Lieferung oder eine Zahlung scheitert. Wie Sie die Kennzahlen erheben, beschreibt unser Leitfaden Datenqualität verbessern im Abschnitt zur Messung.

Rollen: Wer ist für Datenqualität verantwortlich?

Erfahrungsgemäß scheitert Datenqualitätsmanagement selten an der Technik, sondern an unklarer Zuständigkeit. Bewährt hat sich eine einfache Rollenverteilung:

• Geschäftsführung: setzt die Ziele, gibt Zeit und Budget frei und lässt sich die Kennzahlen regelmäßig zeigen.
• Data Owner: verantwortet eine Datenart fachlich – etwa die Vertriebsleitung die Kundendaten – und entscheidet über Regeln und Zielwerte.
• Data Steward: kümmert sich im Alltag um Pflege und Prüfung, klärt Fehlerfälle und schult Kollegen.
• Alle, die Daten erfassen: sorgen dafür, dass Daten beim ersten Mal richtig ins System kommen.
• IT: setzt Prüfregeln, Schnittstellen und Auswertungen technisch um – verantwortet aber nicht den Inhalt.

Ein häufiger Fehler ist, Datenqualität allein der IT zu übertragen. Die IT kann eine Regel technisch durchsetzen, aber nur der Fachbereich weiß, ob eine Anschrift oder ein Preis stimmt. Im Mittelstand sind die Rollen deshalb keine neuen Stellen, sondern klar benannte Aufgaben bestehender Mitarbeiter. Eine eigene Stelle als Datenqualitätsmanager lohnt sich meist erst bei sehr großen Datenbeständen. Wie das Rollenmodell in die übrige Data Governance eingebettet ist, zeigt unser Leitfaden zur Data Governance.

Abgrenzung: Datenqualitätsmanagement, Data Governance und Datenmanagement

Die Begriffe werden oft vermischt. So hängen sie zusammen:

Datenqualitätsmanagement setzt damit die Qualitätsvorgaben der Data Governance um: Es macht Qualität messbar und hält sie. Am wirkungsvollsten ist es bei den Stammdaten – mehr dazu in unserem Beitrag zum Stammdatenmanagement. Den Rahmen für das Datenmanagement insgesamt beschreibt unser Beitrag zum Datenmanagementsystem.

Welche Software unterstützt das Datenqualitätsmanagement?

Für jede Phase des Regelkreises gibt es passende Softwaregruppen:

• Definieren: Ein Datenkatalog dokumentiert Begriffe, Regeln und Verantwortliche an einer Stelle.
• Messen: Data-Profiling- und Monitoring-Werkzeuge prüfen die Regeln automatisch und melden, wenn eine Kennzahl unter die Schwelle fällt. Neuere Werkzeuge fassen das unter dem Begriff Data Observability zusammen.
• Analysieren: Die Datenherkunft (Data Lineage) zeigt, über welche Systeme und Schnittstellen ein fehlerhafter Wert gewandert ist. Unser intelligenter Datenkatalog verbindet beides: automatische Metadatenerfassung und Data Lineage.
• Verbessern: Dublettenprüfung und Matching, Prüfregeln in CRM und ERP sowie KI-gestützte Anreicherung beheben Fehler und verhindern neue.

Für den Einstieg reicht oft weniger als gedacht: eine Abfrage je Regel, eine Übersicht mit den wichtigsten Kennzahlen und ein fester Termin, an dem Fehlerfälle geklärt werden.

Datenqualitätsmanagement einführen: in fünf Schritten

Ein Datenqualitätsmanagement muss nicht als großes Programm starten. Bewährt hat sich ein schrittweiser Aufbau:

1. Eine Datenart auswählen: die mit dem größten Schaden – meist Kunden- oder Artikelstammdaten.
2. Kritische Felder und Regeln festlegen: Für den Anfang genügen fünf bis zehn Regeln.
3. Verantwortliche benennen: einen Data Owner und einen Data Steward für diese Datenart.
4. Messen und sichtbar machen: die Kennzahlen einmal erheben und dann monatlich als Ampel berichten.
5. Ursachen abstellen und ausweiten: Prüfregeln an der Quelle einführen, dann die nächste Datenart angehen.

Wie das in der Praxis aussieht, zeigt unsere Fallstudie aus dem Maschinenbau: Datenqualitäts-Audit, zentrales Stammdaten-Register, automatische Prüfungen in den ERP-Prozessen und Schulung des Teams – also genau dieser Regelkreis.

Wo steht Ihr Datenqualitätsmanagement? Mit unserer Datenreifegrad-Prüfung messen wir Qualität, Silos und Zuständigkeiten und liefern einen priorisierten Fahrplan. Das Datenhygiene-Audit zeigt, wo Ihre Bestände bereinigt werden müssen. Am schnellsten geht es im direkten Gespräch: 30-Minuten-Kennenlernen buchen.

Datenqualitätsmanagement und KI

KI-Anwendungen brauchen nicht nur einmal bereinigte, sondern dauerhaft saubere Daten. Ein Assistent, der heute korrekte Antworten gibt, liefert falsche, sobald die Daten darunter veralten. Für Hochrisiko-KI-Systeme schreibt der EU AI Act Datenqualität sogar vor: Artikel 10 verlangt Verfahren der Daten-Governance sowie Trainings-, Validierungs- und Testdaten, die relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sind [2]. Ein funktionierendes Datenqualitätsmanagement schafft dafür die Grundlage – wo Sie bei den übrigen Pflichten stehen, klärt unsere EU-AI-Act-Readiness.

Häufige Fragen zum Datenqualitätsmanagement

Was ist der Unterschied zwischen Datenqualität und Datenqualitätsmanagement?

Datenqualität ist der Zustand der Daten – wie vollständig, korrekt und widerspruchsfrei sie sind. Datenqualitätsmanagement ist die Daueraufgabe, diesen Zustand zu messen, zu verbessern und zu halten.

Was ist der Unterschied zwischen Datenmanagement und Datenqualitätsmanagement?

Datenmanagement ist der Oberbegriff für alles, was mit dem Erfassen, Speichern, Verbinden und Nutzen von Daten zu tun hat. Datenqualitätsmanagement ist der Teil davon, der sich um die Qualität kümmert: Regeln festlegen, messen, Fehler beheben und Verantwortung klären.

Welche Prozesse umfasst das Datenqualitätsmanagement?

Den Regelkreis aus Definieren, Messen, Analysieren und Verbessern, dazu laufende Überwachung und regelmäßige Berichte. Die Norm ISO 8000-61 ordnet die Prozesse ähnlich: Planung, Steuerung, Sicherung und Verbesserung der Datenqualität, ebenfalls als Kreislauf nach dem PDCA-Prinzip [3].

Wie wird Datenqualitätsmanagement umgesetzt?

Schrittweise: eine Datenart auswählen, Regeln festlegen, Verantwortliche benennen, messen und Ursachen abstellen – dann die nächste Datenart. Die fünf Schritte oben sind ein bewährter Einstieg.

Braucht ein mittelständisches Unternehmen einen Datenqualitätsmanager?

Meist nicht als eigene Stelle. Wichtiger ist, dass für jede wichtige Datenart ein Data Owner und ein Data Steward benannt sind – und dass sie dafür Zeit bekommen. Fehlt diese Zeit intern, lässt sich die Rolle auch zeitweise von außen besetzen.

Gibt es Normen für Datenqualität?

Ja. ISO 8000 ist die internationale Normenreihe zur Datenqualität: Teil 61 beschreibt ein Prozess-Referenzmodell für das Datenqualitätsmanagement, weitere Teile regeln die Qualität von Stammdaten beim Austausch zwischen Unternehmen [3]. ISO/IEC 25012 definiert ein Datenqualitätsmodell mit 15 Merkmalen, unterteilt in inhärente und systemabhängige Qualität [4]. Für den Mittelstand sind beide eher Orientierung als Pflicht.

Fazit

Datenqualitätsmanagement klingt nach Großunternehmen, ist im Kern aber einfach: festlegen, welche Qualität die wichtigsten Daten brauchen, regelmäßig messen, Ursachen abstellen und Verantwortung klar verteilen. Wer mit einer Datenart und wenigen Regeln beginnt, kann in wenigen Wochen einen ersten funktionierenden Regelkreis haben – und damit die Grundlage für verlässliche Prozesse, Auswertungen und KI.

References

1. (Wang, R. Y. – A Product Perspective on Total Data Quality Management, Communications of the ACM 41(2), 1998)
2. (Verordnung (EU) 2024/1689 (KI-Verordnung), Artikel 10 – Daten und Daten-Governance)
3. (ISO 8000-61 – Data quality management: Process reference model)
4. (ISO/IEC 25012 – Data Quality Model)