Was ist eigentlich gute Datenqualität?

Ein Pflichtfeld ist ausgefüllt. Schön. Aber ist der Wert auch korrekt, plausibel und rechtzeitig verfügbar? Wir zeigen, woran sich gute Datenqualität erkennen und messen lässt.

Gute Datenqualität bedeutet, dass Daten für einen bestimmten Zweck geeignet sind. Dafür müssen sie nicht nur vollständig, sondern je nach Anwendung auch korrekt, aktuell und widerspruchsfrei sein. Probleme wie Dubletten oder veraltete Adressen zeigen sich häufig erst, wenn Daten aus mehreren Systemen zusammengeführt werden.

Welche Qualitätsmerkmale wichtig sind, hängt vom jeweiligen Anwendungsfall ab. Im Folgenden werden zentrale Dimensionen beschrieben und mögliche Messansätze genannt.

Was sind Daten überhaupt?

Daten sind aufgezeichnete Informationen über Kunden, Produkte, Prozesse oder Maschinen – strukturiert (Tabellen, Felder) oder unstrukturiert (E-Mails, PDFs, Bilder). Erst durch Kontext, Qualität und Nutzung werden daraus belastbare Informationen, die Managemententscheidungen tragen.

Welche Arten von Unternehmensdaten gibt es?

Stammdaten (Kunden, Lieferanten, Produkte): relativ stabil. Praxisbeispiel: Falsche Rechnungsadresse im CRM ⇒ Rückläufer, Zahlungsverzug.
Bewegungsdaten (Bestellungen, Lieferungen, Zahlungen): transaktionsbezogen. Praxisbeispiel: Doppelt gebuchte Bestellung ⇒ verfälschter Lagerbestand.
Ereignis-/Sensordaten (Maschinen, Web-Tracking, IoT): hochfrequent. Praxisbeispiel: Defekter Sensor ⇒ zu frühe/späte Wartung, Produktionsausfälle.
Referenzdaten (PLZ-Tabellen, Ländercodes): externe Normwerte. Praxisbeispiel: Veraltete Ländercodes ⇒ Zoll-/Versandprobleme.
Unstrukturierte Daten (E-Mails, Notizen, PDFs): schwer automatisiert auswertbar. Praxisbeispiel: Kundenwunsch „versteckt“ im Mail-Thread ⇒ Umsetzung verpasst.
Metadaten („Daten über Daten“: Herkunft, Erstellzeit, Verantwortliche). Praxisbeispiel: Keine Herkunftsinfos ⇒ Ursache von Fehlern nicht nachvollziehbar.

Woran erkennt man gute Datenqualität?

Die kurze Antwort: daran, dass Daten für ihren Zweck geeignet sind. Die längere Antwort beginnt mit mehreren Qualitätsdimensionen. Denn eine korrekt formatierte Information kann veraltet sein, ein vollständiger Datensatz kann Unsinn enthalten und eine perfekte Auswertung kann zu spät kommen.

Die folgende Auswahl orientiert sich an gängigen Rahmenwerken wie dem DAMA-DMBOK2. Andere Taxonomien gewichten oder benennen einzelne Dimensionen anders.

1) Vollständigkeit

Definition: Alle für den Zweck benötigten Felder sind befüllt.

KPI/ Messung: Vollständigkeitsquote = (Anzahl Datensätze mit allen Pflichtfeldern) / (Gesamtanzahl) × 100 %.

Praxisbeispiel: 22 % der Kundensätze ohne Telefonnummer ⇒ niedrige Erfolgsquote bei Rückrufen.

2) Korrektheit (Accuracy)

Definition: Daten entsprechen der Realität.

KPI/ Messung: Fehlerquote = (Anzahl geprüfter Datensätze mit Abweichung) / (Anzahl geprüfter Datensätze) × 100 %.

Praxisbeispiel: „Münster“ statt „München“ in 3 % der Adressen ⇒ Retouren & peinliche Mailings.

3) Rechtzeitigkeit (Timeliness)

Definition: Die Daten stehen dann zur Verfügung, wenn sie gebraucht werden.

KPI/ Messung: Zeitspanne zwischen Ereignis und Verfügbarkeit im Zielsystem; Anteil rechtzeitig gelieferter Datenbestände.

Praxisbeispiel: Ein täglich erzeugter Bericht ist wenig hilfreich, wenn er erst nach der morgendlichen Einsatzplanung eintrifft.

4) Aktualitätsstand (Currency)

Definition: Die Daten bilden den tatsächlichen Sachverhalt noch ausreichend aktuell ab.

KPI/ Messung: Durchschnittsalter kritischer Felder (z. B. Preis, Status); Anteil Datensätze mit Update < X Tage.

Praxisbeispiel: Preislisten 90 Tage alt ⇒ Margenverlust bei Angeboten. Eine veraltete Kundenadresse kann formal völlig korrekt aussehen und trotzdem für die nächste Lieferung ungeeignet sein.

5) Plausibilität (Reasonableness)

Definition: Die Werte ergeben im fachlichen Zusammenhang Sinn. Plausibilität ergänzt die technische Validität um fachliche Erwartungen.

KPI/ Messung: Anteil Werte außerhalb fachlich definierter Bandbreiten; Anzahl Ausreißer je Prüflauf.

Praxisbeispiel: Der 05.08.1066 ist ein gültiges Datum, aber kein vernünftiger Liefertermin. Und ein Kleinwagen mit 51,21 Tonnen Gewicht sollte mindestens eine Rückfrage auslösen.

6) Konsistenz

Definition: Daten stimmen systemübergreifend überein.

KPI/ Messung: Konsistenzquote = (Übereinstimmende Werte über Systeme) / (Stichprobenumfang) × 100 %.

Praxisbeispiel: CRM: „aktiv“, Buchhaltung: „inaktiv“ ⇒ verpasste Upsells.

7) Eindeutigkeit (Uniqueness)

Definition: Jeder logische Eintrag existiert nur einmal (keine Dubletten).

KPI/ Messung: Dublettenrate = (Anzahl erkannter Dubletten-Cluster) / (Gesamtanzahl) × 100 %.

Praxisbeispiel: Drei Kundeneinträge ⇒ dreifache Mailings, verwirrte Ansprechpartner.

8) Relevanz

Definition: Daten zahlen auf einen klaren Geschäftsprozess/Use Case ein.

KPI/ Messung: Nutzungsquote eines Felds in Berichten/Prozessen; Felder ohne Nutzung reduzieren.

Praxisbeispiel: 14 „Pflichtfelder“, von denen 6 nie verwendet werden ⇒ Pflegefrust & Fehler.

9) Validität/Konformität

Definition: Werte entsprechen definierten Formaten/Regeln (z. B. IBAN, E-Mail-RegEx).

KPI/ Messung: Validitätsquote = (Werte im erlaubten Format/Regel) / (Gesamtwerte) × 100 %.

Praxisbeispiel: 8 % ungültige IBANs ⇒ Zahlungsabbrüche, Nachbearbeitung.

10) Integrität

Definition: Beziehungen zwischen Daten sind vollständig und korrekt (Referenzen existieren).

KPI/ Messung: Anteil verwaister Fremdschlüssel; Anzahl Verletzungen referenzieller Integrität.

Praxisbeispiel: Bestellungen ohne gültigen Kunden-Schlüssel ⇒ Auswertungen unzuverlässig.

11) Verständlichkeit (Clarity)

Definition: Felder sind klar benannt/definiert; Anwender wissen, was einzutragen ist.

KPI/ Messung: Anteil Felder mit Glossar-Definition; Support-Tickets zu Feldbedeutungen.

Praxisbeispiel: Feld „Status“ ohne Definition ⇒ jeder pflegt „seinen“ Status.

12) Zugänglichkeit & Sicherheit

Definition: Berechtigte finden/verwenden Daten; Unberechtigte nicht.

KPI/ Messung: Time-to-Access (Durchschnitt bis Zugriff gewährt); Audit-Events, Policy-Verstöße.

Praxisbeispiel: Vertrieb sieht Marketingdaten nicht ⇒ verpasste Cross-Sells; oder: zu breite Rechte ⇒ Compliance-Risiko.

So messen Sie Datenqualität systematisch

Führen Sie einen monatlichen Data-Quality-Report für die wichtigsten Objekte (Kunde, Produkt, Bestellung) ein. Starten Sie mit wenigen, harten KPIs – und erweitern Sie bei Bedarf:

KPI	Definition	Beispiel-Zielwert	Beispiel
Vollständigkeitsquote	Pflichtfelder befüllt / Gesamt	≥ 95 %	CRM-Kontakte mit E-Mail & Telefon
Dublettenrate	Dubletten-Cluster / Gesamt	≤ 1 %	Fuzzy-Match auf Name+PLZ
Fehlerquote	Falsche Werte / Stichprobe	≤ 2 %	Adressvalidierung, IBAN-Check
Aktualitätsstand (Currency)	Anteil Datensätze < X Tage alt	≥ 90 %	Preise & Konditionen < 30 Tage
Konsistenzquote	Übereinstimmung über Systeme	≥ 98 %	CRM vs. ERP Status/ID

Die genannten Zielwerte sind Beispiele, keine allgemeingültigen Standards. Welche Abweichung akzeptabel ist, hängt vom Prozess, vom Risiko und von den fachlichen Anforderungen ab.

Pro-Tipp: KPIs pro Fachbereich verantworten lassen (Data Owner), regelmäßig berichten und Maßnahmen verfolgen. Ein eigener Lenkungskreis ist dafür nicht zwingend nötig – oft reicht eine klare Verantwortungszuordnung.

Checkliste: 5 Schritte zu besserer Datenqualität

Verantwortlichkeiten festlegen: Data Owner & Data Stewards je Datenobjekt benennen.
Datenquellen abbilden: Welche Systeme liefern was? Wo entstehen Brüche?
Kriterien & Regeln definieren: Pflichtfelder, Formate, Dubletten-Logik, Validierungen.
Regelmäßig messen: „Daten-TÜV“ mit KPIs wie Vollständigkeit, Dubletten, Aktualität.
Korrigieren & präventiv verbessern: Einmal bereinigen, dann Prozesse/Masken anpassen.

Tipp: Starten Sie fokussiert – z. B. nur mit „Kunde“ – und skalieren Sie danach auf Produkt/Bestellung.

Governance & Rollen: Warum Datenqualität Chefsache ist

Data Owner (Fachbereich): trägt die fachliche Verantwortung für Qualität & Regeln.
Data Steward (operativ): pflegt, prüft, schult und überwacht Einhaltung.
IT/Plattform: stellt Werkzeuge, Integrationen, Validierungen und Kataloge bereit.
Lenkungskreis (optional): entscheidet in größeren Organisationen über Prioritäten, Budgets und Zielwerte. In kleineren Organisationen genügt oft eine einfache Verantwortungszuordnung.

Ohne klare Zuständigkeiten bleibt Datenqualität ein „Niemandsthema“. Mit Governance wird sie steuerbar – und messbar.