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 BARC Trend Monitor 2026 hat Datenqualität auf Platz 1 der wichtigsten BI- und Analytics-Trends gesetzt, noch vor Künstlicher Intelligenz. Der Grund 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. Fünf Dimensionen haben sich als Standard etabliert, angelehnt an Rahmenwerke wie ISO 8000 und DAMA-DMBOK:
- Richtigkeit (Accuracy): Entspricht der gespeicherte Wert der Realität? Die gespeicherte Adresse existiert tatsächlich und ist korrekt.
- Vollständigkeit (Completeness): Sind alle erforderlichen Felder gefüllt? Eine Kundendatei ohne Telefonnummer ist unvollständig, wenn der Vertrieb anrufen muss.
- Aktualität (Timeliness): Sind die Daten noch gültig? Ein Preisstand von 2023 ist im Juli 2026 nicht mehr aktuell.
- Konsistenz (Consistency): Widersprechen sich Daten an verschiedenen Stellen? Die Kundennummer im CRM muss mit der im ERP übereinstimmen.
- 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. Gartner schätzt die durchschnittlichen Kosten auf 12,9 Millionen US-Dollar pro Jahr für ein großes Unternehmen. Für KMU sind die absoluten Zahlen niedriger, aber der prozentuale Schaden am Umsatz oft höher, weil weniger Puffer vorhanden ist.
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.
60 Prozent der Unternehmen gaben in einer Umfrage an, dass schlechte Datenqualität ihre Digitalisierungsprojekte behindert.
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 ist die Grundvoraussetzung, bevor KI sinnvoll eingesetzt werden kann, nicht der letzte Schritt nach der KI-Einführung. Genau deshalb schlägt Datenqualität im BARC Trend Monitor 2026 den KI-Hype: 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:
| Problem | Ursache | Auswirkung |
|---|---|---|
| Dubletten | Manuelles Anlegen ohne Abgleich | Doppelte Kundenansprache |
| Veraltete Stammdaten | Keine regelmäßige Pflege | Falsche Lieferungen, Retouren |
| Inkonsistente Formate | Freitext statt Dropdowns | Keine filter- und sortierbaren Daten |
| Fehlende Werte | Pflichtfelder nicht durchgesetzt | Unbrauchbare Berichte |
| Verstreute Dateninseln | Jede Abteilung hat eigene Listen | Keine einheitliche Datenquelle |
Datenqualität messbar machen: Kennzahlen und Schwellwerte
Datenqualität lässt sich mit konkreten Kennzahlen bewerten. Vier Schwellwerte haben sich bewährt, um rasch erkennbar zu machen, wo Handlungsbedarf besteht:
Datenqualität messen heißt festlegen, welche Fehlerquote für welchen Prozess tolerierbar ist, nicht eine fehlerfreie Datenbank als Ziel zu setzen.
- Fehlerquote < 2 %: Daten sind für automatisierte Prozesse geeignet und belastbar.
- Vollständigkeit ≥ 95 %: Für analytische Zwecke und Dashboards ausreichend.
- Aktualität ≤ 30 Tage: Für Vertriebs- und Kundendaten ein sinnvoller Richtwert.
- Dublettenrate < 1 %: Voraussetzung für saubere Kundenkommunikation und eindeutiges Reporting.
Diese Werte sind Richtwerte und hängen vom Einzelfall ab. Für Vertragsdaten sind geringere Toleranzen nötig als für Marketing-Newsletter-Listen.
Datenqualität Schritt für Schritt verbessern
Datenqualität ist kein Projekt mit klarem Enddatum, sondern ein kontinuierlicher Pflegeprozess. Eine pragmatische Vorgehensweise in sechs Schritten:
- Inventur: Welche Systeme und Listen existieren? Wer pflegt was?
- Bewertung: Dubletten finden, leere Felder zählen, Formate prüfen.
- Verantwortlichkeiten festlegen: Wer ist verantwortlich für welchen Datenbereich? Datenqualität ohne klare Zuständigkeit funktioniert nicht.
- Validierung am Eingang: Eingabeformulare, Dropdowns und Pflichtfelder verhindern Fehler an der Quelle, statt sie später zu korrigieren.
- Regelmäßige Bereinigung: Quartalsweiser Abgleich von Dubletten, Adressen und veralteten Einträgen.
- 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 und dabei Datenqualität ignoriert, baut auf Sand. Die Investition in saubere Daten, klare Pflichten und automatisierte Validierung zahlt sich langfristig in jede nachfolgende Anwendung aus. Sie ist damit eine der rentabelsten Maßnahmen, die ein mittelständisches Unternehmen ergreifen kann.