Was ist Datenqualität? Definition für KMU

Datenqualität beschreibt den Grad, in dem Daten geeignet sind, den Zweck zu erfüllen, für den sie erhoben und genutzt werden. Gemessen wird das an Kriterien wie Richtigkeit, Vollständigkeit, Aktualität, Konsistenz und Eindeutigkeit. Hohe Datenqualität bedeutet: Eine Entscheidung, die auf diesen Daten basiert, führt zum richtigen Ergebnis.

Datenqualität ist keine Eigenschaft, die man einmal herstellt. Sie ist das Ergebnis eines kontinuierlichen Prozesses, vergleichbar mit der Sauberkeit in einer Werkstatt: ohne Pflege verschlechtert sie sich.

Der Zusammenhang ist pragmatisch: Jede Automatisierung, jedes Dashboard und jedes KI-Modell ist nur so gut wie die Daten, auf denen es aufbaut.

Die fünf Dimensionen der Datenqualität

Datenqualität lässt sich nicht an einem einzigen Wert festmachen. Für die Bewertung werden häufig fünf Dimensionen getrennt betrachtet:

1. Richtigkeit (Accuracy): Entspricht der gespeicherte Wert der Realität? Die gespeicherte Adresse existiert tatsächlich und ist korrekt.
2. Vollständigkeit (Completeness): Sind alle erforderlichen Felder gefüllt? Eine Kundendatei ohne Telefonnummer ist unvollständig, wenn der Vertrieb anrufen muss.
3. Aktualität (Timeliness): Sind die Daten noch gültig? Ein Preisstand von 2023 ist im Juli 2026 nicht mehr aktuell.
4. Konsistenz (Consistency): Widersprechen sich Daten an verschiedenen Stellen? Die Kundennummer im CRM muss mit der im ERP übereinstimmen.
5. Eindeutigkeit (Uniqueness): Gibt es jeden Datensatz nur einmal? Doppelt angelegte Kunden sind ein klassischer Mittelstandsfehler.

Datenqualität bedeutet nicht „perfekte Daten", sondern Daten, die für ihren konkreten Zweck verlässlich genug sind.

Was schlechte Datenqualität kostet

Schlechte Datenqualität ist kein abstraktes Problem. Welche Kosten daraus entstehen, hängt vom jeweiligen Prozess, der Datenmenge und den Folgen einer Fehlentscheidung ab.

Konkrete Auswirkungen im Mittelstand:

• Zeitverlust: Mitarbeiter suchen, korrigieren und dublettenprüfen manuell.
• Fehlentscheidungen: Berichte auf Basis veralteter oder falscher Daten führen zu falschen Schlüssen.
• Automatisierung scheitert: Workflows, die auf unvollständige Daten treffen, brechen ab oder produzieren fehlerhafte Ausgaben.
• Kundenunzufriedenheit: Falsche Rechnungsdaten oder Doppelansprache schädigen die Beziehung.

Datenqualität wird relevant, sobald unvollständige, widersprüchliche oder veraltete Informationen Entscheidungen und Abläufe beeinträchtigen.

Datenqualität als Voraussetzung für KI und Automatisierung

Künstliche Intelligenz und Automatisierung funktionieren nur mit verlässlichen Daten. Ein Klassifikationsmodell, das mit fehlerhaften Trainingsdaten arbeitet, liefert falsche Ergebnisse. Ein automatisierter Workflow, der unvollständige Felder verarbeitet, bricht ab oder produziert unsinnige Ausgaben.

Datenqualität sollte vor dem Einsatz von KI und Automatisierung geprüft werden, nicht erst danach: erst die Basis, dann das Modell.

Wer ein KI-Projekt plant, sollte zuerst folgende Fragen klären:

• Woher kommen die Trainingsdaten?
• Wer ist für deren Pflege verantwortlich?
• Wie hoch ist die aktuelle Fehlerquote?

Ohne Antworten auf diese Fragen bleibt jedes KI-Projekt ein Lotteriespiel.

Typische Datenqualitätsprobleme im Mittelstand

Im Mittelstand entstehen Datenqualitätsprobleme meist nicht durch mangelnde Technologie, sondern durch gewachsene Strukturen und unklare Verantwortlichkeiten:

Von der Definition zur Messung von Datenqualität

Datenqualität lässt sich mit konkreten Kennzahlen bewerten. Die ausführlichen Formeln, ein Rechenbeispiel und der Aufbau eines DQ-Scores stehen im Leitfaden Datenqualität messen. Für die begriffliche Einordnung reichen zunächst vier Fragen; Zielwerte müssen dabei zum jeweiligen Prozess und Risiko passen:

Datenqualität messen heißt festlegen, welche Fehlerquote für welchen Prozess tolerierbar ist, nicht eine fehlerfreie Datenbank als Ziel zu setzen.

• Fehlerquote: Welche Abweichung ist für diesen Prozess noch tolerierbar?
• Vollständigkeit: Welche Felder müssen für eine Entscheidung oder Übergabe zwingend gefüllt sein?
• Aktualität: In welchem Rhythmus müssen die Daten erneuert werden?
• Dublettenrate: Welches Risiko entsteht durch doppelte Datensätze?

Für Vertragsdaten gelten in der Regel strengere Anforderungen als für weniger kritische Listen. Die Zielwerte sollten deshalb dokumentiert und regelmäßig überprüft werden.

Datenqualität Schritt für Schritt verbessern

Datenqualität ist kein Projekt mit klarem Enddatum, sondern ein kontinuierlicher Pflegeprozess. Eine pragmatische Vorgehensweise in sechs Schritten:

1. Inventur: Welche Systeme und Listen existieren? Wer pflegt was?
2. Bewertung: Dubletten finden, leere Felder zählen, Formate prüfen.
3. Verantwortlichkeiten festlegen: Wer ist verantwortlich für welchen Datenbereich? Datenqualität ohne klare Zuständigkeit funktioniert nicht.
4. Validierung am Eingang: Eingabeformulare, Dropdowns und Pflichtfelder verhindern Fehler an der Quelle, statt sie später zu korrigieren.
5. Regelmäßige Bereinigung: Quartalsweiser Abgleich von Dubletten, Adressen und veralteten Einträgen.
6. Automatisierung: Tools für Datenabgleich und Validierung einsetzen, wo manuelle Prüfung zu aufwändig wird.

Der häufigste Fehler im Mittelstand: Datenqualität wird als IT-Projekt behandelt. Tatsächlich ist es ein Organisationsproblem. Die Technik folgt, nachdem Verantwortlichkeiten und Prozesse geklärt sind.

Fazit: Datenqualität ist Grundlage, nicht Luxus

Datenqualität ist die Basis jeder Digitalisierungsbemühung, vom einfachen Dashboard bis zum KI-gestützten Workflow. Wer Automatisierung oder KI plant, sollte Datenquellen, Verantwortlichkeiten und Validierung zuerst prüfen. So entsteht eine belastbarere Grundlage für nachfolgende Anwendungen.

Passende Vertiefung

Wie aus dieser Einordnung konkrete Kennzahlen und Zielwerte werden, zeigt Datenqualität messen. Wenn auf dieser Basis ein wiederkehrender Ablauf verbessert werden soll, ordnet Was ist Prozessautomatisierung? die nächsten Prozessfragen ein.