DAllgemein

Data Quality Management (DQM)

Methoden/Prozesse zur Sicherung von Datenkorrektheit und Vollständigkeit.

Data Quality Management (DQM) umfasst Methoden, Prozesse und Verantwortlichkeiten, um Daten im Unternehmen dauerhaft korrekt, vollständig, konsistent und aktuell zu halten. Ziel ist, dass Reports, Automatisierungen und KI-Anwendungen auf verlässlichen Informationen basieren – statt auf Dubletten, Tippfehlern oder veralteten Stammdaten.

Was bedeutet Data Quality Management (DQM)?

DQM ist der organisatorische und technische Rahmen, mit dem Datenqualität messbar gemacht und systematisch verbessert wird. Es geht nicht nur um „Daten bereinigen“, sondern um klare Regeln (Standards), Kontrollen (Checks) und kontinuierliche Verbesserung entlang des gesamten Datenlebenszyklus – von der Erfassung bis zur Nutzung.

Wie funktioniert Data Quality Management (DQM)?

  • 1) Qualitätsanforderungen definieren: Was bedeutet „gut“? Typische Dimensionen sind Vollständigkeit (z. B. Pflichtfelder), Korrektheit (z. B. gültige USt-IdNr.), Konsistenz (gleiche Werte in CRM und ERP), Aktualität und Eindeutigkeit (keine Dubletten).
  • 2) Datenstandards & Datenmodelle festlegen: Einheitliche Schreibweisen, Formate, Codes (z. B. Länder-ISO, Datumsformat), eindeutige Schlüssel und klare Definitionen („Was ist ein Kunde?“).
  • 3) Daten prüfen (Profiling & Validierung): Automatische Regeln erkennen Ausreißer und Fehler, z. B. fehlende Postleitzahlen, ungültige E-Mail-Adressen, negative Mengen oder widersprüchliche Statuswerte.
  • 4) Daten bereinigen & anreichern: Dubletten zusammenführen, Schreibweisen normalisieren, Adressen korrigieren, fehlende Werte ergänzen (z. B. per Referenzdaten) – idealerweise nachvollziehbar dokumentiert.
  • 5) Ursachen abstellen (Prevention): Validierungen direkt in Eingabemasken, Pflichtfelder, Plausibilitätsprüfungen, klare Rollen (z. B. Data Owner) und Schulungen, damit Fehler gar nicht erst entstehen.
  • 6) Monitoring & kontinuierliche Verbesserung: Qualitäts-KPIs (z. B. Dublettenquote, Anteil vollständiger Datensätze), regelmäßige Reports und Eskalationswege, wenn Grenzwerte überschritten werden.

Warum ist DQM wichtig – gerade für kleine Unternehmen?

In kleinen Firmen sind Daten oft auf wenige Systeme verteilt (z. B. CRM, Buchhaltung, Shop, Excel). Schon kleine Qualitätsprobleme verursachen spürbare Kosten: falsche Rechnungsadressen, Rückläufer im Versand, unzuverlässige Umsatzreports oder Doppelansprachen im Marketing. DQM schafft eine belastbare Entscheidungsgrundlage für Geschäftsführung und Teams – und reduziert operative Reibung.

DQM als Basis für Automatisierung und KI

Automatisierung funktioniert nur so gut wie die zugrunde liegenden Daten. Wenn z. B. der Kundenstatus oder die Produktkategorie inkonsistent ist, laufen Workflows falsch. Auch KI-Anwendungen wie RAG (Retrieval-Augmented Generation) oder Unternehmenssuche profitieren direkt: Schlechte Metadaten, Dubletten oder veraltete Dokumente erhöhen das Risiko von falschen Antworten und Halluzinationen (Hallucinations). DQM ist damit ein praktischer Baustein von Governance – ähnlich wie AI Governance für KI-Prozesse.

Beispiele aus der Praxis

  • CRM: Dubletten ("Müller GmbH" vs. "Mueller GmbH") führen zu doppelten Angeboten und unklaren Pipeline-Zahlen.
  • ERP/Lager: Falsche Artikelstammdaten (Einheiten, Gewichte) verursachen Fehlbestände oder falsche Versandkosten.
  • Finanzen: Unvollständige Kostenstellen oder uneinheitliche Kontierung macht Auswertungen und Budgetplanung unzuverlässig.

Was kostet Data Quality Management (DQM)?

Die Kosten hängen stark von Datenmenge, Systemlandschaft und gewünschter Automatisierung ab. In kleinen Unternehmen startet DQM oft als Prozess- und Rollenprojekt (Standards, Verantwortlichkeiten, einfache Checks) und wächst bei Bedarf um Tools für Profiling, Dublettenabgleich und Monitoring. Typische Kostentreiber sind Schnittstellen, Regelkomplexität und die Bereinigung historischer Datenbestände.