DAllgemein

Data Quality (Datenqualität)

Richtigkeit, Vollständigkeit, Aktualität und Konsistenz von Daten.

Data Quality (Datenqualität) beschreibt, wie gut Daten für Entscheidungen und Prozesse geeignet sind – vor allem in Bezug auf Richtigkeit, Vollständigkeit, Aktualität und Konsistenz. Hohe Datenqualität sorgt dafür, dass Reports, Forecasts und Automatisierungen verlässliche Ergebnisse liefern. Schlechte Datenqualität führt dagegen zu falschen Kennzahlen, unnötigen Rückfragen im Team und teuren Fehlentscheidungen.

Was bedeutet Datenqualität konkret?

Im Alltag von KMU zeigt sich Datenqualität weniger in „schönen Datenmodellen“, sondern in ganz praktischen Fragen: Stimmen Umsätze im Dashboard mit der Buchhaltung überein? Sind Kundendaten so vollständig, dass Angebote ohne Nacharbeit rausgehen? Sind Lagerbestände aktuell genug, um Lieferzusagen einzuhalten?

Typische Dimensionen der Datenqualität sind:

  • Richtigkeit: Werte sind korrekt (z. B. richtige Preise, korrekte Steuersätze, richtige Zuordnung von Zahlungen).
  • Vollständigkeit: Pflichtfelder sind gefüllt (z. B. Ansprechpartner, Zahlungsziel, Produktkategorie).
  • Aktualität: Daten sind zeitnah und nicht veraltet (z. B. aktueller Pipeline-Status im CRM).
  • Konsistenz: Gleiche Sachverhalte sind in allen Systemen gleich (z. B. Kundennamen/IDs in Shop, CRM und ERP).
  • Eindeutigkeit: Keine Dubletten (z. B. „Müller GmbH“ doppelt mit leicht anderer Schreibweise).
  • Validität: Daten entsprechen Regeln/Formaten (z. B. E-Mail enthält „@“, PLZ hat korrekte Länge).

Wie funktioniert Data Quality in der Praxis? (einfacher Prozess)

  • 1) Anforderungen festlegen: Welche Kennzahlen sind geschäftskritisch (z. B. Rohertrag, Cashflow, Liefertermintreue)? Daraus leiten Sie ab, welche Daten „stimmen müssen“.
  • 2) Datenquellen und Verantwortlichkeiten klären: Wo entstehen die Daten (CRM, ERP, Shop, Excel)? Wer ist „Owner“ für welche Felder?
  • 3) Regeln definieren: z. B. „Jeder Lead braucht eine Quelle“, „Jede Rechnung braucht eine eindeutige Kundennummer“, „Produktkategorie ist Pflicht“.
  • 4) Messen & überwachen: Datenqualitäts-KPIs (z. B. Dublettenquote, Anteil fehlender Felder, Aktualitäts-Lag) regelmäßig prüfen – idealerweise automatisiert.
  • 5) Korrigieren & vorbeugen: Bereinigung (Deduplizierung, Standardisierung) plus Prozessanpassungen (Pflichtfelder, Plausibilitätschecks, Schulung).

Warum ist Datenqualität für KMU besonders wichtig?

KMU haben selten Zeit für „Datenprojekte um der Daten willen“. Genau deshalb ist Datenqualität ein Hebel: Wenn die Basis stimmt, werden Reporting und Planung schneller und verlässlicher. Schlechte Datenqualität wirkt wie Sand im Getriebe – sie erzeugt manuelle Nacharbeit, Misstrauen gegenüber Dashboards und Diskussionen über Zahlen statt über Maßnahmen.

Besonders kritisch wird Datenqualität, wenn Sie KI-Tools einsetzen: Ein Large Language Model (LLM) wie ChatGPT kann Texte und Analysen sehr überzeugend formulieren, aber es kann keine fehlenden oder falschen Unternehmensdaten „magisch“ korrigieren. Ohne saubere Daten steigt das Risiko von Fehlinterpretationen und – je nach Einsatz – auch von Halluzinationen (Hallucinations).

Beispiele aus dem Unternehmensalltag

  • Sales-Reporting: Wenn Abschlussdaten fehlen oder Deals doppelt erfasst sind, wirkt die Pipeline größer als sie ist – Forecasts werden unbrauchbar.
  • Finanzen: Uneinheitliche Kontierungen oder uneindeutige Kunden-IDs erschweren das Mahnwesen und verfälschen Deckungsbeiträge.
  • Operations/Lager: Veraltete Bestände führen zu falschen Lieferzusagen und unnötigen Expresskosten.
  • Marketing: Dubletten und ungültige E-Mails erhöhen Kosten und verschlechtern Zustellraten.

Was kostet Data Quality?

Die Kosten hängen weniger von „einem Tool“ ab, sondern vom Reifegrad und der Systemlandschaft. In KMU starten viele pragmatisch mit klaren Regeln, Pflichtfeldern und regelmäßigen Checks (wenig Budget, aber Disziplin). Höhere Investitionen entstehen durch Integration/Automatisierung (z. B. mit Automatisierung (Automation) oder n8n) und durch laufendes Monitoring – zahlen sich aber schnell aus, weil weniger manuelle Korrekturarbeit anfällt und Entscheidungen belastbarer werden.