Datenqualität als Wettbewerbsvorteil: Warum schlechte Daten Automatisierung und KI ausbremsen

Stell dir vor, ein Unternehmen investiert Hunderttausende Euro in eine moderne KI-Lösung. Kundenanfragen sollen automatisch beantwortet, Vertriebschancen besser erkannt und interne Prozesse endlich effizienter werden. Die Technologie funktioniert in der Demonstration beeindruckend, die Präsentation vor der Geschäftsführung läuft hervorragend und alle freuen sich auf die versprochenen Produktivitätsgewinne. Doch wenige Wochen nach dem Start häufen sich falsche Antworten, automatisierte Prozesse landen in manuellen Korrekturschleifen und Mitarbeitende kontrollieren die Ergebnisse vorsichtshalber lieber selbst. Was ist passiert? Vielleicht war das KI-Modell gar nicht das eigentliche Problem. Möglicherweise hat das Unternehmen schlicht vergessen, dass selbst die beste Technologie nur so zuverlässig arbeiten kann, wie es die verfügbaren Daten erlauben.

Daten sind heute ein zentraler Produktionsfaktor digitaler Unternehmen. Sie steuern Bestellungen, bilden Kundenbeziehungen ab, ermöglichen Prognosen und liefern die Grundlage für automatisierte Entscheidungen. Gleichzeitig entstehen in vielen Organisationen über Jahre hinweg Datenbestände, die zwar umfangreich sind, aber nicht unbedingt zusammenpassen. Kundendaten liegen mehrfach vor, Produktinformationen unterscheiden sich zwischen Systemen und wichtige Statusangaben werden von verschiedenen Abteilungen unterschiedlich interpretiert. Solange Mitarbeitende diese Widersprüche manuell ausgleichen, bleibt das Problem häufig verborgen. Sobald Prozesse automatisiert oder KI-Systeme eingesetzt werden, werden aus kleinen Unstimmigkeiten schnell große Fehlerquellen.

Genau deshalb ist Datenqualität keine lästige Aufgabe für die IT und auch kein Projekt, das man irgendwann nebenbei erledigt. Sie ist eine geschäftliche Voraussetzung für zuverlässige Prozesse, belastbare Entscheidungen und skalierbare digitale Produkte. Unternehmen mit hochwertigen Daten können Abläufe einfacher automatisieren, Kunden besser verstehen und Veränderungen schneller umsetzen. Unternehmen mit schlechter Datenqualität müssen dagegen zusätzliche Kontrollen einbauen, Fehler korrigieren und Entscheidungen auf unsicheren Grundlagen treffen. Der Wettbewerbsvorteil entsteht nicht allein dadurch, dass ein Unternehmen viele Daten besitzt, sondern dadurch, dass es sich auf diese Daten verlassen kann.

Was bedeutet Datenqualität überhaupt?

Datenqualität beschreibt, wie gut Daten für einen konkreten Anwendungszweck geeignet sind. Es reicht nicht, dass Informationen technisch vorhanden oder in einer Datenbank gespeichert sind. Sie müssen beispielsweise korrekt, vollständig, aktuell, konsistent und eindeutig sein. Welche Eigenschaften besonders wichtig sind, hängt vom jeweiligen Geschäftsprozess ab. Für eine Marketingkampagne kann eine veraltete Telefonnummer ärgerlich sein, während eine falsche Lieferadresse unmittelbar zu Fehlzustellungen, Zusatzkosten und unzufriedenen Kunden führt.

Datenqualität ist deshalb immer im Kontext zu bewerten. Ein Datensatz kann für einen bestimmten Zweck ausreichend sein und für einen anderen völlig ungeeignet. Eine ungefähre Standortangabe kann beispielsweise für eine allgemeine Marktanalyse genügen, für eine verbindliche Lieferung aber nicht. Ebenso kann ein monatlich aktualisierter Datensatz für eine langfristige Trendanalyse brauchbar sein, während er für eine kurzfristige Bestandssteuerung viel zu alt ist. Unternehmen sollten daher nicht pauschal behaupten, ihre Daten seien gut oder schlecht. Sie müssen festlegen, welche Qualität die jeweiligen Prozesse tatsächlich benötigen.

In der Praxis lassen sich mehrere grundlegende Dimensionen unterscheiden:

• Korrektheit: Die gespeicherte Information entspricht der Realität oder einer verlässlichen Referenz. Ein Produktpreis muss beispielsweise mit dem gültigen Preis übereinstimmen, und eine Kundenadresse sollte tatsächlich zum betreffenden Kunden gehören. Falsche Werte können durch manuelle Eingaben, fehlerhafte Schnittstellen oder veraltete Informationen entstehen. Besonders kritisch wird es, wenn falsche Daten über mehrere Systeme verteilt werden und dort weitere Prozesse beeinflussen. Korrektheit sollte deshalb nicht nur beim Erfassen, sondern auch bei relevanten Änderungen überprüft werden.
• Vollständigkeit: Alle für einen bestimmten Zweck benötigten Angaben sind vorhanden. Ein Kundenprofil ohne erforderliche Kontaktinformationen oder ein Produktdatensatz ohne wichtige technische Eigenschaften kann Folgeprozesse blockieren. Vollständigkeit bedeutet allerdings nicht, dass jedes Feld in jeder Datenbank ausgefüllt sein muss. Entscheidend ist, welche Angaben für den jeweiligen Prozess zwingend erforderlich sind. Unternehmen sollten deshalb fachliche Pflichtfelder definieren und zwischen tatsächlich fehlenden Informationen und bewusst nicht erhobenen Angaben unterscheiden.
• Konsistenz: Dieselbe Information widerspricht sich nicht unnötig zwischen verschiedenen Datensätzen oder Systemen. Wenn das CRM einen Kunden als aktiv führt, während das Abrechnungssystem denselben Kunden als gesperrt kennzeichnet, können automatisierte Prozesse falsche Entscheidungen treffen. Solche Widersprüche entstehen häufig durch unterschiedliche Aktualisierungszeitpunkte, abweichende Geschäftsregeln oder unzureichend abgestimmte Schnittstellen. Eine hohe Datenkonsistenz erfordert gemeinsame Definitionen und klare Regeln für Änderungen. Besonders wichtig ist, festzulegen, welches System für welche Information maßgeblich ist.
• Aktualität: Daten werden innerhalb eines für den Anwendungsfall angemessenen Zeitraums aktualisiert. Ein alter Lagerbestand kann eine Bestellung ermöglichen, obwohl die Ware längst nicht mehr verfügbar ist. Veraltete Kontaktdaten können dazu führen, dass wichtige Kundeninformationen nicht ankommen. Allerdings müssen nicht alle Daten in Echtzeit aktualisiert werden. Unternehmen sollten festlegen, wie aktuell Informationen für bestimmte Prozesse sein müssen und welche Folgen eine verspätete Aktualisierung hat.
• Eindeutigkeit: Ein Objekt wird nicht unbeabsichtigt mehrfach geführt. Doppelte Kundendatensätze können beispielsweise dazu führen, dass Bestellhistorien auseinanderfallen, Kunden mehrfach kontaktiert werden oder Auswertungen falsche Ergebnisse liefern. Eindeutigkeit setzt geeignete Identifikationsmerkmale und Regeln für die Zusammenführung von Datensätzen voraus. Namen allein reichen dafür häufig nicht aus, weil unterschiedliche Personen denselben Namen haben können oder sich Schreibweisen ändern. Die Bereinigung von Dubletten muss außerdem sorgfältig erfolgen, damit tatsächlich unterschiedliche Personen oder Unternehmen nicht versehentlich zusammengeführt werden.

Diese Dimensionen zeigen: Datenqualität ist kein einzelner Schalter, den man auf „gut“ stellen kann. Sie entsteht durch klare fachliche Regeln, zuverlässige technische Prozesse und Verantwortlichkeiten, die über einzelne Abteilungen hinausgehen. Wer Datenqualität verbessern will, muss daher verstehen, welche Informationen in welchen Geschäftsprozessen verwendet werden und welche Fehler dort tatsächlich Schaden anrichten.

Wie schlechte Daten entstehen: Das Problem sitzt selten nur vor dem Bildschirm

Schlechte Daten werden gerne auf Tippfehler oder unaufmerksame Mitarbeitende reduziert. Das greift deutlich zu kurz. Häufig entstehen Qualitätsprobleme durch organisatorische und technische Strukturen, die fehlerhafte Eingaben begünstigen oder widersprüchliche Informationen systematisch produzieren. Wenn ein Unternehmen dieselben Kundendaten in fünf Anwendungen pflegt, ist es kaum überraschend, dass sich die Datensätze irgendwann unterscheiden. Wenn jede Abteilung ihre eigenen Begriffe für denselben Sachverhalt verwendet, sind Missverständnisse praktisch vorprogrammiert.

Ein typisches Beispiel ist der Kundenstatus. Im Vertrieb bedeutet „aktiv“ vielleicht, dass eine Person kürzlich Kontakt hatte. Im CRM kann derselbe Status für eine laufende Geschäftsbeziehung stehen, während das Abrechnungssystem damit einen gültigen Vertrag meint. Alle drei Definitionen können innerhalb ihrer jeweiligen Fachlogik sinnvoll sein. Werden sie jedoch ohne klare Abgrenzung in Reports oder Automatisierungen zusammengeführt, entstehen falsche Schlussfolgerungen. Das Problem ist dann nicht, dass jemand die Daten schlecht gepflegt hat. Das Problem ist, dass das Unternehmen keine eindeutige gemeinsame Bedeutung definiert hat.

Hinzu kommen historisch gewachsene IT-Landschaften. Neue Anwendungen werden eingeführt, alte Systeme bleiben bestehen und Schnittstellen übertragen Informationen, ohne dass die zugrunde liegenden Datenmodelle ausreichend abgestimmt sind. Mit jeder zusätzlichen Integration steigt die Gefahr, dass Werte abgeschnitten, falsch übersetzt oder nicht aktualisiert werden. Manuelle Excel-Listen und individuelle Workarounds schließen anschließend die Lücken, machen den Datenfluss aber noch schwerer nachvollziehbar. So entstehen Datenprobleme, die sich nicht durch eine einmalige Bereinigungsaktion dauerhaft lösen lassen.

Besonders häufig sind folgende Ursachen:

• Mehrere Datenquellen ohne klare Zuständigkeit: Wenn mehrere Systeme dieselben Informationen speichern und verändern dürfen, ist oft unklar, welche Version verbindlich ist. Eine Adresse wird im CRM aktualisiert, während ein anderes System weiterhin den alten Wert verwendet. Später überschreibt eine Synchronisierung möglicherweise die neuere Information mit dem veralteten Stand. Ohne klare Regeln für führende Datenquellen und Änderungen entstehen solche Konflikte immer wieder. Unternehmen sollten deshalb für relevante Datenobjekte definieren, welches System die maßgebliche Quelle darstellt und wie Änderungen an andere Systeme verteilt werden.
• Uneinheitliche Begriffe und Datenmodelle: Unterschiedliche Abteilungen verwenden dieselben Begriffe mit verschiedenen Bedeutungen oder speichern vergleichbare Informationen in unterschiedlichen Formaten. Ein Datum kann beispielsweise als Vertragsbeginn, Erfassungsdatum oder letzte Änderung interpretiert werden. Werden solche Felder ohne eindeutige Definition zusammengeführt, entstehen fehlerhafte Auswertungen und Automatisierungen. Ein gemeinsames fachliches Datenmodell schafft Klarheit darüber, was ein Feld bedeutet, welche Werte zulässig sind und wie es verwendet werden darf. Diese Definitionen sollten dokumentiert und bei Änderungen abgestimmt werden.
• Manuelle Dateneingaben und Medienbrüche: Mitarbeitende übertragen Informationen aus E-Mails, Dokumenten oder Tabellen in Geschäftsanwendungen. Dabei entstehen Tippfehler, fehlende Angaben und unterschiedliche Schreibweisen. Je häufiger Informationen manuell übertragen werden, desto mehr Gelegenheiten gibt es für Abweichungen. Automatisierung kann diese Fehlerquellen reduzieren, setzt aber voraus, dass die Eingaben und Validierungsregeln sinnvoll gestaltet sind. Ein schlecht definierter Prozess wird nicht automatisch gut, nur weil seine manuellen Schritte durch Software ersetzt werden.
• Fehlende Datenverantwortung: Wenn niemand für die Qualität eines Datenbestands zuständig ist, werden Fehler häufig zwischen Fachbereich, IT und externen Dienstleistern hin- und hergeschoben. Die IT kann technische Prüfungen bereitstellen, kennt aber nicht immer die fachliche Bedeutung eines Feldes. Der Fachbereich wiederum versteht die Geschäftslogik, verfügt jedoch möglicherweise nicht über die technischen Möglichkeiten zur systematischen Bereinigung. Ohne klare Verantwortlichkeiten bleiben Probleme liegen oder werden nur punktuell behoben. Eine wirksame Datenorganisation verbindet deshalb fachliche Verantwortung mit technischer Unterstützung.
• Historische Datenbestände und fehlende Pflegeprozesse: Daten werden über Jahre gesammelt, obwohl sich Produkte, Geschäftsregeln und Kundenbeziehungen verändern. Frühere Definitionen bleiben erhalten, während neue Anwendungen andere Anforderungen stellen. Alte Datensätze werden dann weiterhin für aktuelle Entscheidungen verwendet, obwohl ihre Aussagekraft eingeschränkt ist. Unternehmen benötigen Regeln für Aktualisierung, Archivierung, Löschung und den Umgang mit historischen Informationen. Dabei sind auch gesetzliche Aufbewahrungspflichten und Datenschutzanforderungen zu berücksichtigen.

Die wichtigste Erkenntnis daraus: Schlechte Datenqualität ist häufig ein Symptom unzureichend gestalteter Geschäftsprozesse. Wer nur Datensätze bereinigt, aber die Ursachen unangetastet lässt, wird dieselben Fehler bald erneut vorfinden. Nachhaltige Verbesserung beginnt deshalb nicht bei der nächsten Excel-Liste, sondern bei den Regeln und Abläufen, durch die Daten entstehen, verändert und genutzt werden.

Warum schlechte Daten Automatisierung ausbremsen

Automatisierung soll manuelle Tätigkeiten reduzieren, Abläufe beschleunigen und Prozesse verlässlicher machen. Doch ein automatisierter Prozess folgt den Regeln und Daten, die ihm zur Verfügung stehen. Sind diese Daten falsch, unvollständig oder widersprüchlich, kann die Automatisierung Fehler mit hoher Geschwindigkeit und in großem Umfang verbreiten. Was zuvor ein einzelner manueller Fehler war, wird dann möglicherweise zu einer systematischen Fehlverarbeitung über Tausende Datensätze hinweg.

Stell dir einen Onlinehändler vor, dessen Produktdaten über mehrere Systeme verteilt sind. Das Shopsystem kennt einen bestimmten Lagerbestand, das Warenwirtschaftssystem einen anderen und eine externe Plattform erhält ihre Daten nur einmal täglich. Ein automatisierter Bestellprozess prüft die Verfügbarkeit anhand eines veralteten Datenstands und bestätigt Bestellungen für Artikel, die gar nicht mehr lieferbar sind. Die Automatisierung funktioniert technisch genau wie vorgesehen. Trotzdem entstehen Rückfragen, Stornierungen, zusätzliche Supportkontakte und ein schlechteres Kundenerlebnis. Die Ursache liegt nicht in zu wenig Automatisierung, sondern in einer unzureichenden Datenbasis und fehlenden Kontrollen.

Solche Probleme lassen sich in nahezu allen Unternehmensbereichen beobachten. In der Finanzbuchhaltung können fehlerhafte Stammdaten die Zuordnung von Rechnungen erschweren. Im Customer Care können widersprüchliche Kundeninformationen zu falschen Auskünften führen. In der Lieferkette können ungenaue Bestands- oder Lieferantendaten die Planung beeinträchtigen. Automatisierung beseitigt diese Schwächen nicht von selbst. Sie macht sie häufig sichtbarer, weil Prozesse schneller, häufiger und mit weniger menschlicher Prüfung ablaufen.

Unternehmen sollten daher vor der Automatisierung eines Prozesses einige grundlegende Fragen beantworten:

• Sind die Eingabedaten ausreichend vollständig und korrekt? Ein automatisierter Prozess benötigt alle Informationen, die für eine zuverlässige Entscheidung erforderlich sind. Fehlen relevante Angaben, muss klar sein, ob der Prozess pausiert, eine Rückfrage auslöst oder einen definierten Ausnahmeweg nutzt. Fehlende Daten einfach mit Standardwerten zu füllen, kann fachlich falsche Ergebnisse erzeugen. Deshalb sollten Pflichtfelder, Wertebereiche und fachliche Plausibilitätsregeln vor dem produktiven Einsatz geprüft werden. Die Qualitätsanforderungen müssen sich dabei am tatsächlichen Risiko des Prozesses orientieren.
• Sind die Daten zwischen den beteiligten Systemen konsistent? Automatisierte Abläufe überschreiten häufig die Grenzen einzelner Anwendungen. Ein Auftrag durchläuft beispielsweise Shop, Warenwirtschaft, Lager, Versand und Abrechnung. Wenn diese Systeme unterschiedliche Statuswerte oder Datenstände verwenden, können Übergaben scheitern oder falsche Folgeaktionen ausgelöst werden. Unternehmen sollten deshalb nicht nur jedes System einzeln, sondern den gesamten Datenfluss betrachten. Besonders wichtig sind klare Regeln dafür, wie Änderungen übertragen und Konflikte aufgelöst werden.
• Werden Fehler erkannt und sicher behandelt? Kein Datenbestand ist vollkommen fehlerfrei, weshalb ein robuster Prozess auch mit Ausnahmen umgehen muss. Unplausible Werte sollten erkannt und in einen definierten Prüfprozess überführt werden. Kritische Aktionen dürfen nicht einfach fortgesetzt werden, wenn notwendige Voraussetzungen fehlen. Monitoring und Protokollierung helfen, Fehlerquellen zu identifizieren und ihre Auswirkungen einzugrenzen. Ein guter Automatisierungsprozess zeichnet sich daher nicht dadurch aus, dass niemals ein Fehler auftritt, sondern auch dadurch, dass Fehler kontrolliert erkannt und behandelt werden.
• Gibt es einen messbaren Nutzen gegenüber dem bisherigen Prozess? Automatisierung sollte nicht allein daran gemessen werden, wie viele manuelle Schritte entfallen. Entscheidend ist, ob Durchlaufzeiten sinken, Fehlerquoten zurückgehen und die Qualität des Ergebnisses mindestens erhalten bleibt. Werden Fehler nur von der manuellen Bearbeitung in spätere Korrekturschritte verschoben, entsteht möglicherweise kaum ein echter Effizienzgewinn. Unternehmen sollten deshalb Ausgangswerte erfassen und die Ergebnisse nach der Einführung regelmäßig vergleichen. So lässt sich erkennen, ob die Automatisierung den Prozess tatsächlich verbessert oder nur schneller durch seine bestehenden Probleme läuft.

Vor der Automatisierung muss der Prozess verstanden und die erforderliche Datenqualität definiert sein. Nicht jede Datenlücke muss vorab vollständig beseitigt werden. Aber bekannte Fehlerquellen brauchen geeignete Kontrollen, und kritische Entscheidungen dürfen nicht auf ungeprüften Annahmen beruhen.

KI und schlechte Daten: Warum moderne Modelle keine Wunder vollbringen

Künstliche Intelligenz hat die Möglichkeiten der Datenanalyse und Prozessautomatisierung erheblich erweitert. Machine-Learning-Modelle erkennen Muster in historischen Daten, generative KI verarbeitet Texte und Dokumente, und KI-Agenten können Informationen aus mehreren Systemen nutzen, um Aufgaben zu erledigen. Diese Fähigkeiten sind beeindruckend, werden aber häufig missverstanden. Ein KI-System kann komplexe Zusammenhänge aus Daten ableiten, es kann jedoch nicht zuverlässig fehlende Informationen herbeizaubern oder widersprüchliche Unternehmensdefinitionen automatisch auflösen.

Bei klassischen Machine-Learning-Verfahren hängt die Qualität von Prognosen unter anderem davon ab, ob Trainingsdaten für den späteren Anwendungsfall geeignet sind. Wenn historische Daten wichtige Gruppen nicht ausreichend abbilden, systematisch verzerrt sind oder fehlerhafte Zielwerte enthalten, können die Vorhersagen entsprechend beeinträchtigt werden. Ein Modell zur Prognose von Kundenabwanderung kann beispielsweise falsche Muster lernen, wenn Kündigungen unvollständig erfasst oder unterschiedliche Kündigungsgründe vermischt werden. Eine hohe technische Modellgüte in einer Testumgebung ist deshalb noch kein Beweis dafür, dass das System im tatsächlichen Geschäft zuverlässig arbeitet. Datenqualität muss auch nach dem Produktivstart überwacht werden, weil sich Datenquellen und Geschäftsbedingungen verändern können.

Generative KI bringt zusätzliche Besonderheiten mit sich. Ein Sprachmodell kann sprachlich überzeugende Antworten formulieren, obwohl eine Antwort sachlich falsch ist. Werden veraltete Dokumente, widersprüchliche Richtlinien oder unvollständige Wissensbestände bereitgestellt, kann das System unpassende Informationen verwenden. Verfahren wie Retrieval-Augmented Generation (RAG) ermöglichen es, externe Wissensquellen für die Beantwortung von Fragen heranzuziehen. Sie verbessern die Möglichkeit, Antworten auf konkrete Dokumente zu stützen, garantieren aber weder die Vollständigkeit der Quellen noch die Richtigkeit jeder Antwort. Die Qualität der Dokumente, ihre Aktualität, ihre Zugriffsrechte und die Auswahl relevanter Inhalte bleiben entscheidend.

Besonders kritisch wird es, wenn KI-Systeme nicht nur Informationen liefern, sondern Aktionen ausführen. Ein KI-Agent könnte beispielsweise Kundeninformationen abrufen, einen Auftrag vorbereiten oder eine Änderung in einem Geschäftssystem anstoßen. Wenn Kundendaten nicht eindeutig zugeordnet werden können oder Statusinformationen widersprüchlich sind, steigt das Risiko falscher Aktionen. Unternehmen brauchen deshalb klare Berechtigungen, definierte Handlungsspielräume, Protokollierung und angemessene Freigaben. Je größer die möglichen Auswirkungen einer Aktion sind, desto strenger müssen die Kontrollen ausfallen.

Für den produktiven KI-Einsatz sollten Unternehmen insbesondere auf folgende Punkte achten:

• Geeignete und repräsentative Daten: Trainings- und Referenzdaten müssen zum tatsächlichen Anwendungsfall passen. Historische Daten sollten auf fehlende Werte, Verzerrungen, falsche Labels und systematische Lücken untersucht werden. Eine große Datenmenge allein garantiert keine hohe Qualität. Auch die Herkunft und die Bedingungen der Datenerhebung spielen eine wichtige Rolle. Vor dem Einsatz sollte daher geprüft werden, ob die Daten die relevanten Situationen und Nutzergruppen angemessen abbilden.
• Aktuelle und vertrauenswürdige Wissensquellen: KI-Anwendungen, die interne Dokumente oder Wissensdatenbanken nutzen, benötigen klare Regeln für Aktualität und Gültigkeit. Veraltete Richtlinien sollten nicht unkontrolliert neben aktuellen Vorgaben verwendet werden. Sinnvoll sind Metadaten wie Version, Gültigkeitszeitraum, fachlicher Verantwortlicher und Dokumentstatus. Dadurch lässt sich besser beurteilen, welche Inhalte für eine konkrete Frage relevant sind. Die Qualität der Wissensbasis sollte regelmäßig überprüft und an veränderte Geschäftsbedingungen angepasst werden.
• Kontrollierte Datenzugriffe: Eine KI-Anwendung darf nur auf Informationen zugreifen, die sie für ihren vorgesehenen Zweck verwenden darf. Technisch verfügbare Daten sind nicht automatisch fachlich oder rechtlich zulässige Daten. Berechtigungen müssen deshalb auch bei Suchindizes, Vektordatenbanken und angebundenen Anwendungen berücksichtigt werden. Werden Zugriffsregeln bei der Aufbereitung oder Bereitstellung von Daten übersehen, kann die KI vertrauliche Informationen offenlegen. Datenschutz und Informationssicherheit müssen deshalb von Beginn an Teil der Architektur sein.
• Laufende Qualitätskontrollen: Die Leistungsfähigkeit eines KI-Systems sollte nicht nur bei der Einführung geprüft werden. Änderungen in Datenquellen, Nutzerverhalten und Geschäftsprozessen können dazu führen, dass frühere Ergebnisse nicht mehr zuverlässig sind. Unternehmen sollten relevante Qualitätsindikatoren überwachen und problematische Ergebnisse systematisch analysieren. Bei kritischen Anwendungen sind zusätzlich klare Eskalations- und Eingriffsmöglichkeiten erforderlich. Nur so lässt sich verhindern, dass sich schleichende Qualitätsprobleme über längere Zeit unbemerkt auswirken.

KI kann Datenqualität durchaus verbessern, etwa durch die Erkennung von Dubletten, die Klassifikation unstrukturierter Dokumente oder die Identifikation ungewöhnlicher Werte. Sie ist jedoch kein Ersatz für klare Datenverantwortung, fachliche Regeln und überprüfbare Prozesse. KI kann beim Aufräumen helfen – aber sie ersetzt nicht die Entscheidung, was überhaupt als korrekt gelten soll.

Data Governance: Wer entscheidet, welche Datenqualität erforderlich ist?

Data Governance beschreibt den organisatorischen Rahmen, mit dem Unternehmen den Umgang mit Daten steuern. Dazu gehören Verantwortlichkeiten, Definitionen, Qualitätsregeln, Zugriffsrechte und Verfahren für den Umgang mit Fehlern. Das Ziel ist nicht, für jede Datenbank ein umfangreiches Regelwerk zu schaffen, das im Alltag niemand liest. Es geht darum, die wichtigen Datenbestände verlässlich und nachvollziehbar zu verwalten und sicherzustellen, dass Entscheidungen über ihre Nutzung nicht dem Zufall überlassen bleiben.

Eine zentrale Rolle spielt dabei die Unterscheidung zwischen technischer und fachlicher Verantwortung. Die IT kann Validierungsregeln implementieren, Datenflüsse überwachen und technische Qualitätsprobleme analysieren. Sie kann aber nicht allein entscheiden, welche Definition eines Kundenstatus fachlich richtig ist oder welche Produktmerkmale für eine verbindliche Bestellung zwingend erforderlich sind. Solche Entscheidungen benötigen die Beteiligung der Fachbereiche, die den jeweiligen Geschäftsprozess verantworten. Data Governance schafft einen Rahmen, in dem diese Entscheidungen getroffen, dokumentiert und über Systemgrenzen hinweg umgesetzt werden.

Ein bewährter Ansatz ist die Benennung von Data Ownern und Data Stewards. Ein Data Owner trägt auf fachlicher Ebene Verantwortung für einen Datenbereich und entscheidet beispielsweise über Definitionen, Qualitätsanforderungen und zulässige Nutzungen. Ein Data Steward unterstützt die operative Umsetzung, überprüft Qualitätsprobleme und koordiniert deren Behebung. Die konkreten Rollen können je nach Unternehmensgröße unterschiedlich ausgestaltet sein. Wichtig ist, dass Zuständigkeiten tatsächlich wahrgenommen werden und nicht nur auf einer Organisationsgrafik existieren.

Wirksame Data Governance umfasst insbesondere diese Bausteine:

• Verbindliche Definitionen und Datenstandards: Unternehmen sollten für wichtige Datenobjekte festlegen, was einzelne Felder bedeuten, welche Werte zulässig sind und welche Regeln bei Änderungen gelten. Dadurch lassen sich Missverständnisse zwischen Abteilungen und Anwendungen reduzieren. Standards sollten dort verbindlich sein, wo gemeinsame Prozesse oder Auswertungen darauf angewiesen sind. Sie müssen gleichzeitig praktikabel bleiben, damit sie den Arbeitsalltag unterstützen und nicht unnötig erschweren. Änderungen an Definitionen sollten nachvollziehbar dokumentiert und mit betroffenen Systemen abgestimmt werden.
• Klare Verantwortlichkeiten: Für kritische Datenbestände muss erkennbar sein, wer fachliche Entscheidungen trifft und wer operative Qualitätsprobleme bearbeitet. Ohne diese Zuordnung werden Fehler häufig weitergereicht, ohne dass sich jemand um ihre Ursache kümmert. Verantwortlichkeiten sollten mit ausreichenden Entscheidungsrechten und realistischen Kapazitäten verbunden sein. Zudem braucht es einen klaren Weg, um Konflikte zwischen Fachbereichen oder Systemverantwortlichen zu lösen. Erst dadurch wird Datenqualität zu einer dauerhaften Aufgabe statt zu einer gelegentlichen Bereinigungsaktion.
• Messbare Qualitätsregeln: Allgemeine Aussagen wie „Unsere Kundendaten sollen sauber sein“ sind zu ungenau, um wirksam gesteuert zu werden. Besser sind konkrete Regeln, etwa dass eine bestimmte Information für einen Prozess vorhanden sein muss oder dass widersprüchliche Statuswerte innerhalb definierter Grenzen bleiben sollen. Die Kennzahlen sollten sich auf geschäftlich relevante Daten beziehen und regelmäßig überprüft werden. Abweichungen benötigen Verantwortliche und nachvollziehbare Korrekturprozesse. Dabei ist wichtig, nicht nur die Zahl fehlerhafter Datensätze zu messen, sondern auch die Auswirkungen auf Geschäftsprozesse.
• Sichere und nachvollziehbare Datennutzung: Datenqualität darf nicht isoliert von Datenschutz, Informationssicherheit und Aufbewahrungspflichten betrachtet werden. Unternehmen müssen wissen, welche Daten für welchen Zweck verwendet werden dürfen und wer darauf zugreifen kann. Besonders bei sensiblen oder personenbezogenen Informationen sind Zweckbindung, Datenminimierung und angemessene Schutzmaßnahmen zu berücksichtigen. Daten müssen außerdem nicht unbegrenzt gespeichert werden, nur weil sie technisch verfügbar sind. Ein gutes Governance-Modell verbindet daher Qualität mit einem verantwortungsvollen und rechtmäßigen Umgang mit Informationen.

Data Governance sollte nicht als bürokratisches Zusatzprojekt eingeführt werden. Am wirksamsten ist sie, wenn sie an konkreten Geschäftsproblemen ansetzt. Ein Unternehmen kann beispielsweise zunächst die Qualität seiner Produktdaten verbessern, weil diese unmittelbar Bestellungen, Lieferfähigkeit und Kundenzufriedenheit beeinflussen. Aus den dabei gewonnenen Erfahrungen lassen sich Standards und Verantwortlichkeiten auf weitere Datenbereiche übertragen. So wächst Governance schrittweise mit dem tatsächlichen Bedarf.

Datenqualität verbessern: Ein pragmatischer 90-Tage-Plan

Der Aufbau einer hochwertigen Datenbasis muss kein jahrelanges Großprojekt sein. Unternehmen können innerhalb von 90 Tagen eine belastbare Ausgangslage schaffen, erste Fehlerquellen beseitigen und die Grundlage für eine kontinuierliche Verbesserung legen. Voraussetzung ist, dass sie sich auf einen klar abgegrenzten Anwendungsfall konzentrieren. Wer gleichzeitig sämtliche Kundendaten, Produktinformationen, Finanzdaten und KI-Projekte neu organisieren will, produziert schnell ein umfangreiches Konzept, aber wenig sichtbare Wirkung.

Die Auswahl des ersten Anwendungsfalls sollte sich am Geschäftsnutzen orientieren. Besonders geeignet sind Prozesse, in denen schlechte Daten bereits heute zu manuellen Korrekturen, Verzögerungen, Fehlentscheidungen oder unzufriedenen Kunden führen. Dort lassen sich Probleme und Verbesserungen meist konkret beobachten. Außerdem entsteht ein nachvollziehbarer Grund, weshalb sich Fachbereiche und IT gemeinsam mit dem Thema beschäftigen sollten. Das Ziel ist nicht, in drei Monaten perfekte Daten zu schaffen, sondern einen messbaren Fortschritt zu erzielen und einen wiederholbaren Verbesserungsprozess aufzubauen.

Ein möglicher Ablauf sieht so aus:

Tag 1 bis 30: Verstehen und messen.

Wähle einen geschäftlich relevanten Prozess und identifiziere die Daten, die für seine Ausführung benötigt werden. Zeichne den Datenfluss von der Erfassung über die beteiligten Systeme bis zur Nutzung auf. Sprich mit den Mitarbeitenden, die den Prozess tatsächlich durchführen, und erfasse typische Fehler, manuelle Korrekturen und Verzögerungen. Definiere anschließend einige wenige Qualitätskennzahlen und ermittle einen Ausgangswert. Nach diesen ersten 30 Tagen sollte klar sein, welche Datenprobleme besonders häufig auftreten, welche Ursachen dahinterstecken und welche Auswirkungen sie haben.

Tag 31 bis 60: Ursachen beseitigen und Regeln einführen.

Konzentriere dich auf die wichtigsten Fehlerquellen, statt alle Abweichungen gleichzeitig korrigieren zu wollen. Das kann beispielsweise bedeuten, Dubletten zusammenzuführen, Pflichtfelder einzuführen, Datenformate zu vereinheitlichen oder eine fehlerhafte Schnittstelle zu korrigieren. Lege fest, wer für die betroffenen Daten verantwortlich ist und welche Qualitätsregeln künftig gelten. Prüfe außerdem, ob sich Fehler bereits bei der Datenerfassung verhindern lassen, anstatt sie erst später zu entdecken. In dieser Phase sollten erste Verbesserungen sichtbar werden und die Zahl wiederkehrender Fehler sinken.

Tag 61 bis 90: Ergebnisse prüfen und dauerhaft verankern.

Vergleiche die neuen Qualitätswerte mit der Ausgangsmessung und untersuche, ob sich die Verbesserungen im Geschäftsprozess bemerkbar machen. Werden weniger Datensätze manuell korrigiert? Können Aufträge zuverlässiger bearbeitet werden? Sinkt der Aufwand für Rückfragen oder Nacharbeiten? Dokumentiere die Ergebnisse und entscheide, welche Maßnahmen künftig regelmäßig durchgeführt werden müssen. Wenn der Ansatz funktioniert, kann das Unternehmen ihn auf weitere Datenbestände oder Automatisierungsvorhaben übertragen.

Der 90-Tage-Plan ist kein Endpunkt, sondern der Beginn eines kontinuierlichen Verbesserungsprozesses. Daten verändern sich, Systeme werden ersetzt und neue Geschäftsmodelle stellen zusätzliche Anforderungen. Deshalb müssen Qualitätsregeln regelmäßig überprüft und Verantwortlichkeiten aktiv gelebt werden. Unternehmen sollten Datenqualität als Teil ihrer Prozess- und Produktentwicklung behandeln, nicht als einmalige Aufräumaktion vor dem nächsten KI-Projekt.

Datenqualität wirtschaftlich bewerten: Was bringt die Investition?

Datenqualität kostet Geld, weil Daten analysiert, bereinigt, überwacht und organisatorisch verantwortet werden müssen. Diese Investitionen sollten deshalb nicht allein mit dem abstrakten Ziel „bessere Daten“ begründet werden. Entscheidend ist, welche wirtschaftlichen und operativen Verbesserungen dadurch möglich werden. Dazu gehören weniger manuelle Nacharbeit, weniger Fehlbestellungen, zuverlässigere Prognosen, schnellere Entscheidungen und ein geringeres Risiko bei automatisierten Abläufen.

Ein einfaches Beispiel: Angenommen, ein Unternehmen korrigiert monatlich 1.500 fehlerhafte Datensätze. Die durchschnittliche Bearbeitung dauert vier Minuten. Das entspricht 6.000 Minuten oder 100 Arbeitsstunden pro Monat. Werden durch bessere Eingabevalidierung und eine bereinigte Schnittstelle 70 Prozent dieser Fälle vermieden, reduziert sich der Aufwand rechnerisch um 70 Stunden monatlich. Bei einer vollständig kalkulierten internen Arbeitsstunde von beispielsweise 45 Euro entspricht das einem rechnerischen Kapazitätswert von 3.150 Euro pro Monat. Diese Zahl ist nicht automatisch eine direkte Einsparung, denn die frei werdende Zeit kann zunächst für andere Aufgaben eingesetzt werden. Sie macht aber sichtbar, welches Potenzial in der Beseitigung wiederkehrender Datenfehler steckt.

Neben solchen direkt messbaren Effekten gibt es weitere Vorteile. Bessere Produktdaten können die Qualität von Suchergebnissen und Produktempfehlungen verbessern. Konsistente Kundendaten erleichtern die Abstimmung zwischen Vertrieb, Marketing und Service. Verlässliche Datenflüsse ermöglichen es, Automatisierungen mit weniger Ausnahmen zu betreiben. Und hochwertige Datenbestände reduzieren den Aufwand, bevor KI-Systeme produktiv eingesetzt werden können. Nicht alle diese Effekte lassen sich im Voraus exakt beziffern, aber sie können anhand konkreter Geschäftsziele bewertet werden.

Für eine wirtschaftliche Bewertung sollten Unternehmen deshalb drei Ebenen unterscheiden: den unmittelbaren Aufwand für Bereinigung und Verbesserung, die vermiedenen Fehlerkosten und den zusätzlichen Geschäftsnutzen, der durch bessere Daten möglich wird. Ebenso wichtig ist, Folgekosten nicht zu übersehen. Eine schlecht geplante Bereinigung kann Datenverluste verursachen, fachlich falsche Zusammenführungen erzeugen oder wichtige historische Informationen zerstören. Maßnahmen sollten daher kontrolliert durchgeführt und ihre Ergebnisse überprüft werden. Gute Datenqualität ist kein Selbstzweck, sondern eine Investition, die sich an tatsächlicher Nutzung und geschäftlicher Wirkung messen lassen muss.

Fazit: Wer schlechte Daten ignoriert, begrenzt sein digitales Potenzial

Unternehmen können in moderne Plattformen, Automatisierung und künstliche Intelligenz investieren, so viel sie wollen. Wenn die zugrunde liegenden Daten unvollständig, widersprüchlich oder veraltet sind, bleibt ein erheblicher Teil des Potenzials ungenutzt. Prozesse benötigen zusätzliche Kontrollen, Mitarbeitende korrigieren Ergebnisse und KI-Systeme liefern Antworten, deren Verlässlichkeit erst mühsam geprüft werden muss. Das ist nicht nur ineffizient, sondern kann auch Kundenbeziehungen, Sicherheit und die Qualität geschäftlicher Entscheidungen beeinträchtigen.

Der Ausweg liegt nicht darin, pauschal jedes Datenfeld zu perfektionieren. Unternehmen müssen zuerst verstehen, welche Daten für ihre wichtigsten Prozesse entscheidend sind und welche Qualitätsanforderungen dort gelten. Anschließend braucht es klare Verantwortlichkeiten, gemeinsame Definitionen, messbare Regeln und technische Kontrollen, die Fehler frühzeitig erkennen. Datenqualität wird so zu einer kontinuierlichen Aufgabe, die Fachbereiche, IT, Datenschutz und Informationssicherheit miteinander verbindet. Besonders wichtig ist, Verbesserungen an konkreten Ergebnissen zu messen, statt sich in umfangreichen Datenstrategien ohne sichtbaren Nutzen zu verlieren.

Wer diese Grundlagen schafft, gewinnt mehr als eine sauberere Datenbank. Er schafft Voraussetzungen für zuverlässigere Automatisierung, bessere Prognosen, sinnvollere KI-Anwendungen und schnellere Entscheidungen. Die Datenqualität entscheidet damit zunehmend darüber, wie schnell und sicher ein Unternehmen neue digitale Möglichkeiten nutzen kann. Der eigentliche Wettbewerbsvorteil liegt nicht darin, die meisten Daten zu besitzen. Er liegt darin, den eigenen Daten so weit vertrauen zu können, dass aus ihnen verlässliche Entscheidungen und wirksame Prozesse entstehen.