Datenqualität

Was Datenqualität bedeutet

Datenqualität beschreibt, wie vollständig, korrekt und einheitlich Daten sind. Sie ist keine technische Frage, sondern eine betriebswirtschaftliche. Eine Auswertung, die auf lückenhaften Daten beruht, liefert eine Zahl, die niemandem hilft, aber Entscheidungen beeinflusst. Ein KI-System, das mit widersprüchlichen Angaben arbeitet, gibt widersprüchliche Antworten.

Der Begriff wird oft mit Datenmenge verwechselt. Mehr Daten verbessern das Ergebnis nur, wenn sie stimmen. Wer zehntausend Kundendatensätze sammelt, von denen die Hälfte veraltet ist, verschlechtert die Auswertung gegenüber einer kleineren sauberen Menge.

Die Kriterien, an denen sich Qualität messen lässt

• Vollständigkeit: Sind alle Felder gefüllt, die für die Auswertung nötig sind. Eine fehlende Kundengruppe verhindert jede Segmentierung.
• Korrektheit: Stimmen die Werte mit der Wirklichkeit überein. Ein falsches Gewicht ist teurer als ein fehlendes.
• Einheitlichkeit: Werden Maße in derselben Einheit geführt, Daten im selben Format. Ohne Einheit lässt sich nicht filtern und nicht sortieren.
• Eindeutigkeit: Ist jeder Datensatz genau einmal vorhanden. Doppelte Kundendatensätze verzerren jede Kennzahl.
• Aktualität: Entsprechen die Daten dem heutigen Stand. Eine Adresse von vor drei Jahren gefährdet jede Lieferung.

Wie Fehler entstehen

Der erste Grund ist die fehlende Kontrolle an der Quelle. Ein Eingabefeld ohne Prüfung nimmt alles an, auch Unsinn. Der zweite Grund sind mehrere Erfassungsstellen: Wenn ein Wert an drei Stellen gepflegt wird, gibt es nach kurzer Zeit drei Versionen.

Der dritte Grund ist der fehlende Bezug. Wird ein Kunde gelöscht, bleiben seine Bestellungen als verwaisste Datensätze zurück und verzerren die Auswertung. Der vierte Grund ist die Zeit. Daten veralten, ohne dass jemand etwas falsch macht, und ohne regelmäßigen Abgleich bleibt der Zustand unbemerkt.

Was schlechte Daten kosten

Vier Kosten entstehen und werden selten zusammengerechnet. Erstens Fehlentscheidungen, weil die Auswertung nicht stimmt. Zweitens Nacharbeit im Betrieb, etwa bei einer Lieferung an eine falsche Adresse. Drittens zusätzliche Arbeit im Service, weil Kunden nachfragen. Viertens gescheiterte Projekte: Ein CRM oder ein KI-System, das mit unbrauchbaren Daten startet, verliert das Vertrauen, noch bevor es etwas geleistet hat.

Hinzu kommt ein indirekter Effekt. Wer einmal erlebt hat, dass eine Zahl nicht stimmt, prüft jede weitere. Die Auswertung verliert damit ihren Zweck, weil ihre Aufgabe ist, eine Frage schnell zu beantworten.

Wie sich Qualität prüfen lässt

Vier Prüfungen sind maschinell möglich und finden einen großen Teil der Fehler. Fehlende Werte in entscheidenden Feldern, Plausibilität der Werte gegen einen erwarteten Bereich, Einheit der Maße und Gewichte sowie Dubletten in Stammdaten. Dazu kommt eine Prüfung gegen die eigene Quelle, etwa gegen den Katalog des Lieferanten. Das Vorgehen ist immer dasselbe: Kennzahl bilden, Verstöße melden, Verantwortliche benennen, regelmäßig wiederholen. Ohne Wiederholung kehrt der Zustand in wenigen Monaten zurück.

Häufige Fragen

• Wie fange ich an? Mit den Feldern, die in den häufigsten Auswertungen vorkommen.
• Reicht ein Werkzeug? Nein, ohne Regeln und Zuständigkeit findet es nur, was schon schiefgelaufen ist.
• Wann ist es gut genug? Wenn die Auswertung die Fragen beantwortet, die gestellt werden.