Wie können wir dir weiterhelfen?
Schick uns eine Nachricht mit deinem Anliegen und wir melden uns schnellstmöglich bei dir.
Jetzt Expertengespräch anfragenDatenqualität beschreibt, ob Daten für einen konkreten Zweck geeignet sind. Ein Kundenreport braucht andere Qualitätsanforderungen als eine Echtzeitsteuerung in der Produktion. Entscheidend ist deshalb nicht, ob Daten allgemein perfekt sind, sondern ob sie für die geplante Entscheidung zuverlässig genug sind.
Bei einer Vertriebsanalyse müssen Kundennummer, Auftragswert, Währung und Abschlussdatum beispielsweise vollständig und korrekt vorliegen. Fehlt die Kundennummer, kann der Umsatz nicht eindeutig zugeordnet werden. Ist das Abschlussdatum falsch, werden Monatsvergleiche und Forecasts unzuverlässig.
Vollständigkeit bedeutet, dass alle für den jeweiligen Anwendungsfall erforderlichen Werte vorhanden sind. Für einen Auftrag können etwa Betrag, Währung, Auftragsdatum und Kundennummer als Pflichtfelder definiert werden. Fehlt eine dieser Angaben, kann der Auftrag möglicherweise nicht korrekt ausgewertet oder einem Kunden zugeordnet werden.
Korrektheit bedeutet, dass die gespeicherten Werte die tatsächliche Situation richtig abbilden. Ein Auftragswert muss beispielsweise dem tatsächlich vereinbarten Betrag entsprechen. Fehlerhafte Preise, falsche Kundenzuordnungen oder veraltete Adressdaten beeinträchtigen die Aussagekraft von Reports und können zu falschen Entscheidungen führen.
Konsistenz bedeutet, dass dieselben Informationen in verschiedenen Systemen übereinstimmen. Wird ein Kunde im CRM als aktiv geführt, sollte dieser Status auch im ERP und in den relevanten Datenmodellen nachvollziehbar sein. Unterschiedliche Schreibweisen, Kundennummern oder Statuswerte müssen erkannt und nach Möglichkeit vereinheitlicht werden.
Aktualität beschreibt, wie schnell neue oder geänderte Informationen verfügbar sein müssen. Für ein Monatsreporting kann eine tägliche Aktualisierung ausreichen. Für eine Bestandssteuerung oder eine operative Vertriebsübersicht kann eine deutlich kürzere Verzögerung erforderlich sein. Die notwendige Aktualisierungsfrequenz richtet sich daher nach der jeweiligen Entscheidung.
Eindeutigkeit verhindert, dass derselbe Sachverhalt mehrfach erfasst wird. Wenn ein Kunde im CRM mit zwei Datensätzen angelegt ist, können Umsätze, Servicefälle und Marketingkontakte nicht zuverlässig zusammengeführt werden. Eindeutige Identifikatoren und regelmäßige Dublettenprüfungen helfen, solche Fehler zu vermeiden.
Gültigkeit stellt sicher, dass Werte den vereinbarten Formaten, Wertebereichen und fachlichen Regeln entsprechen. Eine E-Mail-Adresse muss zum Beispiel ein gültiges Format besitzen, ein Datum muss als Datum interpretierbar sein und ein Umsatz darf nicht mit einem unzulässigen negativen Wert erfasst werden. Automatisierte Validierungen können Verstöße frühzeitig erkennen.
Fehlerhafte Daten führen nicht nur zu falschen Reports. Mitarbeitende verbringen Zeit mit manueller Prüfung, Fachbereiche diskutieren über Zahlen und Prozesse werden auf falschen Annahmen aufgebaut. In automatisierten Abläufen können sich Fehler außerdem auf viele Datensätze und Entscheidungen ausbreiten.
Ein typisches Beispiel sind doppelte Kundendatensätze. Wenn ein Kunde in CRM zweimal existiert, können Umsätze, Servicefälle und Marketingkontakte falsch zugeordnet werden. Das beeinflusst Vertriebssteuerung, Kampagnenauswertung und Kundenkommunikation gleichzeitig.
Qualitätsprobleme entstehen häufig bereits bei der Datenerfassung. Freitextfelder, fehlende Pflichtangaben oder unterschiedliche Schreibweisen erschweren die spätere Verarbeitung. Weitere Ursachen sind veraltete Schnittstellen, unklare Zuständigkeiten und Transformationen, die Werte falsch zusammenführen.
Deshalb sollte die Analyse nicht beim Dashboard enden. Wenn ein Report falsche Werte zeigt, muss geprüft werden, ob die Ursache im Quellsystem, in der Datenübertragung, im Datenmodell oder in der Kennzahl liegt.
Für wichtige Datenfelder werden konkrete Prüfregeln definiert. Eine Kundennummer muss eindeutig sein. Eine E-Mail-Adresse muss einem gültigen Format entsprechen. Ein Auftrag ohne Betrag oder Auftragsdatum wird als fehlerhaft markiert. Für eine tägliche Pipeline kann zusätzlich festgelegt werden, dass mindestens 98 Prozent der erwarteten Datensätze eintreffen.
Solche Regeln werden automatisiert ausgeführt. Die Ergebnisse werden in einem Qualitätsreport gesammelt, der Anzahl, Art und Entwicklung der Fehler zeigt. Für kritische Abweichungen kann ein Alert an Data Owner oder Data Stewards ausgelöst werden.
Ein guter Verbesserungsprozess beginnt mit einem priorisierten Datenbereich und einem relevanten Use Case. Zuerst werden die wichtigsten Felder, Qualitätsdimensionen und Schwellenwerte festgelegt. Danach werden Tests in die Datenpipeline integriert und Fehler nach Ursache und Auswirkung klassifiziert.
Probleme sollten möglichst dort behoben werden, wo sie entstehen. Wenn im CRM regelmäßig Branchenwerte fehlen, reicht es nicht, die Lücke im Data Warehouse zu füllen. Besser sind ein Pflichtfeld, eine verständliche Auswahl und eine Schulung der Personen, die den Datensatz anlegen.
Data Owner entscheiden über fachliche Anforderungen. Data Stewards koordinieren die operative Bearbeitung. Data Engineers integrieren Prüfungen in Pipelines und BI-Teams machen die Ergebnisse in verständlichen Reports sichtbar.
Datenqualität und Data Governance erfüllen unterschiedliche, aber eng miteinander verbundene Funktionen. Data Governance legt fest, wer für einen Datenbereich verantwortlich ist, welche Qualitätsanforderungen gelten und wie mit Abweichungen umgegangen wird. Datenqualität macht anschließend messbar, ob diese Vorgaben im Alltag eingehalten werden.
Für Kundendaten kann Data Governance beispielsweise festlegen, dass jede Kundennummer eindeutig sein muss, dass der Datenbereich einem Data Owner zugeordnet ist und dass fehlende Branchenangaben innerhalb eines definierten Zeitraums bearbeitet werden. Die Datenqualitätsprüfungen zeigen, wie viele Datensätze tatsächlich betroffen sind und ob sich die Fehlerquote verbessert.
Governance regelt außerdem den Ablauf bei Problemen. Ein Data Steward prüft die Abweichung, ordnet sie einer Ursache zu und stimmt die Behebung mit dem zuständigen Fachbereich oder dem Quellsystem ab. Bei kritischen Abweichungen kann eine Eskalation an den Data Owner erfolgen. So wird aus einem einzelnen Qualitätsproblem ein nachvollziehbarer Prozess mit klarer Verantwortung und messbarem Fortschritt.
Datenqualität wird konkret, wenn Anforderungen messbar formuliert, automatisiert geprüft und an der Ursache verbessert werden. Unternehmen sollten mit einem wichtigen Datenbereich beginnen, klare Verantwortlichkeiten benennen und die Entwicklung regelmäßig messen. So entsteht Schritt für Schritt eine verlässliche Grundlage für Reporting, Analytics und künstliche Intelligenz.
Du benötigst Unterstützung bei deinem Vorhaben?
Zum Service
.webp)