Beantwortet von der Redaktion von Business.Digital Stand
Geprüft werden vier Dimensionen: Vollständigkeit (fehlen Pflichtfelder?), Eindeutigkeit (gibt es Dubletten?), Aktualität (wie alt ist der jüngste Stand?) und Konsistenz (widersprechen sich zwei Systeme?). Jede davon lässt sich zählen.
Die Kernfrage lautet: Kann man diesen Daten vertrauen? Wenn nicht, ist jeder Prozess, der auf ihnen aufbaut, potenziell fehlerhaft.
Typische Datenqualitätsprobleme
Doppelte Datensätze sind das häufigste Problem. Ein Kunde mit drei verschiedenen E-Mail-Adressen in der Datenbank, ein Produkt unter zwei verschiedenen Artikelnummern im ERP. Automatisierungen, die auf solchen Daten aufbauen, versenden E-Mails mehrfach, erstellen doppelte Rechnungen oder erzeugen falsche Bestände.
Fehlende Pflichtfelder: Kundendaten ohne E-Mail-Adresse, Produkte ohne Gewichtsangabe (die für Versandkostenberechnung gebraucht wird), Lieferantendaten ohne Zahlungsziel. Jede fehlende Information ist ein Bruch in einem Prozess.
Veraltete Daten: Kontakte, die seit Jahren nicht aktualisiert wurden, Preise, die nicht mehr stimmen, Ansprechpartner, die das Unternehmen schon lange verlassen haben.
Inkonsistente Formate: Telefonnummern mal mit Landesvorwahl, mal ohne, mal mit Leerzeichen, mal ohne. Adressen in verschiedenen Formaten. Das macht Datenvergleiche und Zusammenführungen fehlerhaft.
Warum Datenqualität für Automatisierung entscheidend ist
Automatisierung multipliziert Datenfehler. Ein manueller Prozess mit schlechten Daten produziert vielleicht zehn Fehler pro Monat. Eine Automation, die auf denselben schlechten Daten läuft, produziert die gleichen Fehler hundertfach.
Bevor wir Automationen oder KI-Implementierungen aufsetzen, prüfen wir immer die Datengrundlage. Eine Automation auf schlechten Daten einzurichten ist Geldverschwendung.
Wie ein Check konkret abläuft
Drei Phasen sind typisch. Erstens die Bestandsaufnahme: Welche Systeme enthalten welche Daten? Welche sind die Master-Quellen für welches Feld? Was sind die Volumen pro Datenart? Zweitens die Stichprobenprüfung: 100 bis 500 zufällig gezogene Datensätze pro Hauptkategorie werden manuell auf Vollständigkeit, Konsistenz und Aktualität geprüft. Drittens die quantitative Analyse: Mit SQL- oder Skripten werden Duplikate, fehlende Pflichtfelder und Inkonsistenzen im Gesamtbestand gezählt und in einer Heatmap dargestellt.
Welche Werkzeuge in der Praxis helfen
Für strukturierte Daten reichen oft Excel, Python-Skripte oder OpenRefine. Wer regelmäßig prüfen will, baut sich ein Mini-Dashboard mit Metabase oder Power BI, das die wichtigsten Datenqualitäts-KPIs auf einen Blick zeigt. Für komplexere Bereinigungen sind spezialisierte Tools wie Talend, Alteryx Designer Cloud oder Data Ladder geeignet. Wichtig ist nicht das Tool, sondern dass die Prüfung wiederholbar wird, nicht ein einmaliger Effort.
Datenqualität ist ein Prozess, kein Projekt
Ein einmaliger Datenqualitäts-Check bringt einen Schnappschuss, aber keine dauerhafte Verbesserung. Damit Datenqualität bleibt, brauchst du regelmäßige Prüfroutinen, klare Verantwortlichkeiten und einen Datenkatalog, der definiert, wer welche Daten pflegt und welche Standards gelten. Erst dieser Prozess macht den Unterschied zwischen einmaliger Aufräumaktion und dauerhaft sauberer Datenbasis.
Der Datenqualitäts-Check ist Teil unserer Digital Health Check-Leistung und Voraussetzung für sinnvolle Automation- und ERP-Projekte. Vereinbare einen Termin.