Kosten schlechter Datenqualität: So werden sie sichtbar

Definition

Kosten schlechter Datenqualität sind Aufwände und Folgekosten, die durch Dubletten, Unvollständigkeit oder Inkonsistenz in Daten entstehen. Sie umfassen Nacharbeit und operative Folgen, sind aber kein reines IT-Thema und nicht gleichbedeutend mit Lizenz- oder Systemkosten.

Einleitung

Wenn Vertrieb, Logistik, Einkauf und Finance jeden Monat „nur kurz“ Daten prüfen, abgleichen und korrigieren, summiert sich das. Genau dort entstehen die Kosten schlechter Datenqualität: verteilt, ungebucht und damit unsichtbar. Mit einem sauberen Messmodell und einem Power-BI-Reporting machst du diese Kosten greifbar und kannst gezielt dort ansetzen, wo es wirklich weh tut.

Warum die Kosten fast immer unterschätzt werden

Schlechte Datenqualität erzeugt selten einen einzelnen, großen Schaden. Stattdessen entstehen viele kleine Reibungsverluste: ein fehlendes Maß beim Artikel, eine Dublette im Kundenstamm, ein Lieferant ohne vollständige Kontaktdaten. Jeder Einzelfall wirkt harmlos, aber die Summe daraus ist teuer.

Typisch ist auch: Die Nacharbeit wird als „normal“ betrachtet. In Excel-Listen werden Werte abgestimmt, im Monatsabschluss werden Salden manuell erklärt, und das Management-Reporting wird nachträglich korrigiert. Wenn diese Zeit nicht als eigener Aufwand erfasst wird, fehlt die Grundlage für Priorisierung und Budget.

Wo Datenfehler entstehen: die typischen Bruchstellen

In der Praxis sind es häufig mehrere Pflegeorte: ERP mit Kunden-, Artikel- und Lieferantenstammdaten, CRM im Vertrieb, Webshop mit Artikelkatalog und daneben Excel für Abstimmungen. Ohne klare Regeln entstehen Widersprüche.

• Kunden: Dubletten, abweichende Adressen, unterschiedliche Schreibweisen.
• Artikel: fehlende Gewichts- und Maßangaben, uneinheitliche Mengeneinheiten.
• Lieferanten: unvollständige Stammdaten, fehlende Zahlungs- oder Kontaktinfos.

Die Folge ist fast immer eine Korrekturschleife: erst wird gearbeitet, dann wird ein Fehler entdeckt, dann wird korrigiert, dann wird erneut gearbeitet.

So machst du die Kosten messbar: ein einfaches Modell

Damit das Thema steuerbar wird, brauchst du eine gemeinsame Sicht auf Datenqualität und Aufwand. Bewährt hat sich eine Struktur entlang von Dimensionen, die Fachbereiche wirklich verstehen: Datenbereich (Kunden, Artikel, Lieferanten), Fehlerart (Dublette, Unvollständigkeit, Inkonsistenz) und Prozessstufe (Erfassung, Entdeckung, Korrektur).

Dann misst du wenige Kennzahlen, die direkt mit Aufwand oder operativen Folgen gekoppelt sind:

• Arbeitszeit für Abstimmung und Nachpflege (monatlich, je Fachbereich).
• Anzahl Korrekturschleifen je Monat sowie Anteil Reports mit nachträglicher Korrektur.
• Dublettenquote und Vollständigkeitsgrad von Pflichtfeldern (Trend und Bereichsvergleich).

Wichtig: Es geht nicht darum, perfekte Datenqualität „zu beweisen“. Es geht darum, die teuersten Stellen sichtbar zu machen und Verbesserungen nachweisbar zu priorisieren.

Power BI als Steuerzentrale für Datenqualitätskosten

Power BI hilft, die verteilten Signale aus ERP, CRM, Webshop und Abstimmungslisten zusammenzubringen. Der Nutzen für Anwender ist nicht Technik, sondern Klarheit: Geschäftsführung und kaufmännische Leitung sehen, wo Zeit und Geld verschwinden. Fachbereiche sehen, welche Fehlerarten sie ausbremsen und wo sie am schnellsten Wirkung erzielen.

Ein gutes Dashboard zeigt die Perspektiven getrennt, aber verbunden: oben die Kosten- und Aufwandssicht (Zeit, Korrekturschleifen, Reporting-Korrekturen), darunter die Treiber (Dubletten, Vollständigkeit, Konsistenz) bis auf Datenbereich und Prozessstufe.

Mini-Story: Wenn „Monatsabschluss dauert länger“ plötzlich erklärbar wird

Ein typisches Muster: Finance sagt, der Monatsabschluss dauert zu lange, und das Reporting wird danach mehrfach angepasst. In der Messung zeigt sich dann, dass ein großer Teil der Zeit in manuellen Abstimmungen steckt, weil Kunden oder Artikel in mehreren Systemen unterschiedlich geführt werden.

Sobald Arbeitszeit und Prozessstufe sichtbar sind, wird klar, ob das Problem bei der Erfassung (z. B. fehlende Pflichtfelder) oder bei später Entdeckung (z. B. erst im Management-Reporting) liegt. Damit kannst du Maßnahmen wählen, die den Aufwand wirklich reduzieren statt nur schneller zu „reparieren“.

Typische Fehler, die dich Geld kosten

Viele Initiativen scheitern nicht an fehlenden Tools, sondern an falscher Vorgehensweise. Drei Klassiker:

• Zu spät messen: Es werden erst Daten bereinigt, dann über Wirkung diskutiert.
• Zu viel auf einmal: Alles wird zum Datenqualitätsprojekt, statt mit den teuersten Bereichen zu starten.
• Kein Ownership: Niemand entscheidet, was „richtig“ ist und wer Stammdaten freigibt.

Wann externe Unterstützung sinnvoll wird

Externe Unterstützung wird sinnvoll, wenn mehrere Systeme und Fachbereiche beteiligt sind und ihr keine einheitliche Definition für Fehlerarten, Pflichtfelder und Prozessstufen habt. Dann entsteht schnell Diskussion statt Fortschritt.

Sie lohnt sich auch, wenn du schnell zu einer belastbaren Entscheidungsgrundlage kommen willst: messbare Kennzahlen, ein Reporting, das Management und Fachbereiche akzeptieren, und ein Vorgehen, das Nacharbeit reduziert statt nur zu dokumentieren. Entscheidend ist: Use Cases klar abgrenzen, Verantwortlichkeiten festziehen und die Messung so aufsetzen, dass sie monatlich nutzbar bleibt.