Datenqualität verbessern: Roadmap, KPIs und Governance – kompakt erklärt

Definition

Datenqualität beschreibt, wie gut Daten für ihren Zweck geeignet sind, gemessen an Kriterien wie Konsistenz, Vollständigkeit, Genauigkeit, Aktualität sowie Einmaligkeit / Eindeutigkeit. Datenqualität ist kein Tool und kein einmaliger Datenputz, sondern ein fortlaufender Prozess aus Regeln, Verantwortung und Messung.

Einleitung

Wenn ihr regelmäßig Excel-Listen zusammenkopiert, KPIs „nachrechnet“ oder zwei Reports unterschiedliche Ergebnisse zeigen, ist das selten ein Power-BI-Problem – es ist Datenqualität. Wer Datenqualität verbessern will, braucht nicht mehr Meetings, sondern klare Zielbilder, messbare Regeln und eine Datenbasis, der Fachbereiche vertrauen können.

Was gute Datenqualität für Unternehmen konkret bedeutet

Unternehmen brauchen kein theoretisches Perfektionsniveau, sondern ein Zielbild pro Anwendungsfall. Für ein Management-Reporting heißt das oft: gleiche KPI-Logik für alle, nachvollziehbar bis zur Buchung und aktualisiert in einem festen Takt.

Praktisch gilt: Datenqualität ist dann ausreichend, wenn Entscheidungen ohne Nacharbeit möglich sind. Wenn ein Controller 30 Minuten pro Woche spart, weil ein KPI nicht mehr „gerettet“ werden muss, ist das bereits messbarer Nutzen.

Typische Ursachen schlechter Datenqualität (und Gegenmaßnahmen)

Die häufigsten Ursachen sind fast immer organisatorisch und technisch gemischt:

• Datensilos: gleiche Begriffe in ERP, CRM und Excel mit unterschiedlicher Bedeutung. Gegenmaßnahme: einheitliche Definitionen und ein „System of Record“ je Datenobjekt.
• Dubletten und Mehrfachpflege: Kunden/Artikel mehrfach angelegt oder manuell kopiert. Gegenmaßnahme: Dublettenerkennung, Golden-Record-Logik, klare Pflegeverantwortung.
• Manuelle Erfassung ohne Leitplanken: freie Textfelder, Pflichtfelder fehlen, unterschiedliche Formate. Gegenmaßnahme: Validierungen direkt in den Erfassungsprozessen (First Time Right) statt nachträglicher Datenbereinigung.

Schritt-für-Schritt: Roadmap, um Datenqualität zu verbessern

Schritt 1: Ziele und „kritische Datenprodukte“ festlegen

Startet nicht bei „allen Daten“, sondern bei 1–2 Ergebnissen, die wirklich steuern: z. B. Cashflow, Auftragseingang, Deckungsbeitrag oder Kundenpipeline. Definiert pro Datenprodukt: Welche Kennzahlen zählen, welche Dimensionen (Zeit, Organisation, Kunde) und welche Drilldowns notwendig sind.

Schritt 2: Datenprofiling und Ist-Stand transparent machen

Prüft die Datenbasis systematisch: fehlende Werte, ungültige Formate, Ausreißer, Dubletten, widersprüchliche Schlüssel. Ergebnis ist kein Bericht für die Schublade, sondern eine priorisierte Fehlerliste: Was verhindert heute verlässliche Analysen?

Schritt 3: Qualitätsregeln als „Datenqualitätsregelwerk“ definieren

Übersetzt das Zielbild in prüfbare Regeln, z. B. „Kostenstelle muss ab Datum X gefüllt sein“ oder „Kunde ist eindeutig über Kundennummer, nicht über Name“. Wichtig: Regeln müssen fachlich abgenommen sein, sonst optimiert IT am Bedarf vorbei.

Schritt 4: Bereinigen – aber nur entlang der Prioritäten

Bereinigt dort, wo es Nutzen erzeugt: Dubletten zusammenführen, Mapping-Tabellen für historische Änderungen pflegen, Pflichtfelder nachziehen. Alles andere ist Budgetfalle.

Schritt 5: Automatisieren, damit es nicht zurückkippt

Setzt wiederkehrende Prüfungen als automatisierte Datenqualitätsprüfungen um und macht Abweichungen sichtbar. Ziel ist, dass Fehler früh auffallen – bevor sie im Monatsreport landen.

Messung: KPIs, Kennzahlen und Messintervalle

Ohne Messung wird Datenqualität zur Gefühlssache. Ein schlankes Set an KPIs reicht meist aus:

• Vollständigkeit: Anteil gefüllter Pflichtfelder (z. B. Kostenstelle, Region, Kundennummer).
• Einmaligkeit / Eindeutigkeit: Dublettenquote oder Anteil nicht-eindeutiger Schlüssel.
• Aktualität: Zeitverzug zwischen Quelle und Reporting (z. B. „T-1 bis 08:00“).

Messintervalle: operativ täglich oder pro Refresh, für Governance wöchentlich/monatlich als Trend. Ein Data-Quality-Dashboard hilft, Fortschritt und Rückfälle sofort zu sehen.

Stakeholder & Data Governance: Rollen, Verantwortlichkeiten, Betrieb

Data Governance bedeutet: jemand entscheidet, was „richtig“ ist, und jemand sorgt dafür, dass es eingehalten wird. Bewährte Rollen:

• Data Owner (Fachbereich): verantwortet Definitionen und Akzeptanz der KPIs.
• Data Steward: kümmert sich um Regeln, Ausnahmen, Dublettenprozesse.
• Data Engineering/IT: setzt Pipelines, Validierungen und Monitoring technisch um.

Wichtig ist ein klarer Prozess: Wie wird ein Datenfehler gemeldet, priorisiert, behoben und dokumentiert?

Tool-Unterstützung & Integration: was in der Praxis hilft

Tooling ist Mittel zum Zweck. In einem Microsoft-Setup werden Datenqualitätsregeln typischerweise in Datenpipelines umgesetzt und mit Monitoring kombiniert. Eine Lakehouse-/Warehouse-Struktur mit einer gepflegten Gold-Schicht hat einen konkreten Anwendernutzen: Auch nicht IT-affine Nutzer greifen in Power BI oder Excel auf saubere, freigegebene Kennzahlen zu, statt selbst Daten zu „reparieren“.

Integrationsaspekte, die früh geklärt werden sollten: Zugriff auf Quellsysteme (API/DB/Export), Aktualisierungstakt, Verantwortlichkeiten fürs Gateway/Connectivity und Berechtigungen auf Datenprodukte.

Mini-Beispiel: Von Excel-Konsolidierung zur verlässlichen KPI-Basis

Ein Controlling-Team konsolidiert Umsätze aus ERP, CRM und Excel alle zwei Wochen manuell; die KPI „Neukunden“ variiert je Liste. Nach Datenprofiling wurden Dublettenregeln und ein Golden Record für Kundendaten definiert, Pflichtfelder im Prozess nachgezogen und Qualitäts-KPIs eingeführt. Ergebnis: weniger Abstimmungsaufwand, schnellere Monatsabschlüsse und ein KPI-Stand, der nicht mehr jedes Mal erklärt werden muss.

Wann externe Unterstützung sinnvoll wird

Externe Hilfe lohnt sich, wenn eines davon zutrifft: (1) es fehlt eine klare Roadmap und die Organisation dreht sich im Kreis, (2) Integration und Betrieb der Pipelines binden Kapazität, (3) Governance ist strittig und braucht Moderation mit klaren Entscheidungen. Wichtig: Ohne Mitarbeit aus Fachbereich und IT funktioniert es nicht – Datenqualität ist Teamsport.

Fazit

Datenqualität verbessern heißt: Zielbild festlegen, Ursachen priorisieren, Regeln definieren, bereinigen und dann automatisiert überwachen. Mit wenigen KPIs und klarer Data Governance wird aus einer fehleranfälligen Excel-Welt eine belastbare Datenbasis, auf der Reporting, Analysen und später auch KI sinnvoll aufsetzen können.