Was ist Datenqualität? Dimensionen, Messung und Best Practices

Definition

Datenqualität beschreibt, wie gut Datensätze ihren vorgesehenen Zweck erfüllen, zum Beispiel für Reporting, Analysen und Entscheidungen. Sie ist kein reines IT-Thema und nicht gleichbedeutend mit „viele Daten“ oder „modernes Tooling“.

Einleitung

Wenn zwei Reports unterschiedliche Zahlen zeigen, wird es schnell teuer: Meetings, Excel-Nacharbeit, Misstrauen. Genau hier geht es um die Frage „was ist Datenqualität“ – und wie du sie so etablierst, dass Dashboards und KPIs wirklich für Entscheidungen taugen.

Warum Datenqualität wichtig ist

Schlechte Datenqualität sorgt nicht nur für falsche Kennzahlen, sondern vor allem für Reibung im Alltag: Teams verbringen Zeit mit Suchen, Erklären, Nachrechnen und „Korrektur-Exports“. Gute Datenqualität dreht das um: weniger manuelle Konsolidierung, weniger Fehler, schnellere Analysen und ein sauberer Weg von der Zahl bis zur Ursache (z. B. Drilldown bis Beleg oder Vorgang). Das ist der eigentliche Nutzen: Entscheidungen werden schneller, ruhiger und nachvollziehbarer.

Dimensionen der Datenqualität (die in der Praxis zählen)

Damit Datenqualität messbar wird, braucht es Kriterien. In den meisten Unternehmen reichen diese Dimensionen als Kern:

• Genauigkeit: Werte stimmen mit der Realität überein (z. B. Umsatz, Bestand, Zahlungseingang).

• Vollständigkeit: benötigte Felder sind gefüllt (z. B. Kostenstelle, Produktgruppe), ohne dass jemand manuell nachpflegen sollte.

• Konsistenz: gleiche Logik liefert in verschiedenen Systemen/Reports dieselben Ergebnisse (kein KPI-Hopping).

Häufig kommen zwei weitere als Mindeststandard dazu: Aktualität (Daten sind rechtzeitig da) und Gültigkeit (Formate/Regeln werden eingehalten, z. B. Datumsformate oder erlaubte Wertebereiche). Eindeutigkeit (keine Dubletten) ist besonders relevant bei Kunden-, Lieferanten- und Artikelstammdaten.

Abgrenzung: Datenqualität vs. Datenintegrität vs. Datenprofilierung

Datenqualität beantwortet: Sind die Daten für den konkreten Zweck geeignet (z. B. Monatsabschluss-Reporting)? Datenintegrität beantwortet: Bleiben Daten über ihren Lebenszyklus korrekt verknüpft und unverfälscht (z. B. referenzielle Integrität, unveränderte Keys, nachvollziehbare Transformationen). Datenprofilierung ist die Analyse der Rohdaten, um Probleme sichtbar zu machen: Verteilungen, Null-Anteile, Ausreißer, Dubletten, Regelverletzungen. Profilierung findet Probleme, Integrität verhindert bestimmte Klassen von Fehlern, Datenqualität bewertet die Nutzbarkeit für Analysen und Entscheidungen.

Wie man Datenqualität misst: Methoden und Kennzahlen

Ohne Messung bleibt Datenqualität ein Bauchgefühl. Praktisch funktionieren zwei Ebenen:

• Profiling-Kennzahlen (Ist-Zustand): Null-/Leerquote, Dublettenrate, Wertebereichsverletzungen, Ausreißer, Formatfehler.

• Regelbasierte Checks (Soll-Zustand): „Kostenstelle muss gefüllt sein“, „Buchungsdatum darf nicht in der Zukunft liegen“, „Kundennummer ist eindeutig“.

• Scorecard (Trend): Aggregation zu Quoten je Dimension und Datensatz, damit Verbesserung sichtbar wird.

Bewährte Kennzahlen sind zum Beispiel: Vollständigkeitsrate (gefüllte Pflichtfelder in %), Fehlerquote (Regelverletzungen in %), Konsistenzrate (Abweichungen zwischen Quellen/Logiken) und Aktualitätsgrad (Zeitverzug bis Verfügbarkeit). Wichtig: Jede Kennzahl braucht einen klaren Bezug zum Use Case, sonst optimiert man am Bedarf vorbei.

Typische Fehlerquellen und Herausforderungen

Die meisten Qualitätsprobleme sind nicht „falsche Zahlen“, sondern System- und Prozessbrüche:

• Manuelle Eingaben und Excel-Übergaben: Tippfehler, unterschiedliche Definitionen, fehlende Standardisierung.

• Fragmentierte Quellen: mehrere Wahrheiten, unterschiedliche Stände, widersprüchliche Stammdaten.

• Unklare Verantwortlichkeiten: niemand fühlt sich zuständig, Governance fehlt, Regeln werden nicht durchgesetzt.

Ein typischer Fehler ist, erst im Dashboard zu „reparieren“ (DAX, manuelle Korrekturlisten). Das erzeugt Schattenlogik, macht Audits schwer und skaliert schlecht.

Best Practices: Datenqualität pragmatisch verbessern

Ein Ansatz, der in der Praxis funktioniert, ist iterativ statt Big Bang:

• 1) Zweck festlegen: Welche Entscheidungen sollen auf Basis der Daten getroffen werden, welche KPIs sind kritisch?

• 2) Kritische Datensätze auswählen: lieber wenige, entscheidungsrelevante Tabellen sauber machen als alles halb.

• 3) Profilieren, Regeln definieren, automatisieren: Checks dort verankern, wo Daten durchlaufen (ETL/ELT), nicht erst im Report.

In Microsoft Fabric kann eine „Gold“-Schicht (kuratierte, standardisierte Daten) so aufgebaut werden, dass auch weniger IT-affine Nutzer sofort darauf aufsetzen können – in Power BI, Excel oder für weitere Analysen. Das reduziert Abstimmungsschleifen, weil alle auf denselben, geprüften Daten arbeiten.

Mini-Beispiel aus dem Alltag

Ein Controlling-Team konsolidiert monatlich Umsätze aus ERP, Excel-Zielen und CRM. Ohne klare Konsistenzregeln werden Umsätze mal netto, mal brutto gerechnet, und Dubletten im CRM verfälschen die Pipeline. Mit Profiling, eindeutigen KPI-Definitionen und automatisierten Checks entsteht eine stabile Sicht, und Diskussionen gehen weg von „Welche Zahl stimmt?“ hin zu „Warum weichen wir ab?“.

FAQ: Kosten, lohnt sich das, Voraussetzungen?

Was kostet Datenqualität im Betrieb?

Der Hauptkostenblock sind nicht Tools, sondern laufende manuelle Arbeit durch Fehler, Nachpflege und Abstimmung. Gute Datenqualitätsstandards reduzieren genau diese verdeckten Kosten, weil Fehler früher auffallen und weniger nachträglich „geflickt“ werden muss.

Lohnt sich das wirklich?

Ja, wenn Daten heute mehrfach manuell zusammengeführt werden, KPIs nicht konsistent sind oder Entscheidungen verzögert werden. Der ROI entsteht über entfallene Nacharbeit, weniger Fehlentscheidungen und schnelleres Reporting.

Welche Voraussetzungen sollten erfüllt sein?

Es braucht klar definierte Use Cases, Datenverantwortliche (z. B. Data Steward) und Mindest-Standardisierung: KPI-Definitionen, Namenskonventionen, Regeln für Pflichtfelder. Technik hilft, aber Governance ist der Hebel, der die Verbesserung dauerhaft macht.

Wann externe Unterstützung sinnvoll wird

Externe Hilfe ist sinnvoll, wenn Datenqualität zwar „wichtig“ ist, aber niemand Zeit hat, Standards, Checks und Verantwortlichkeiten sauber aufzusetzen. Typische Trigger sind widersprüchliche Managementzahlen, hohe Excel-Last, oder wenn eine Plattform wie Fabric eingeführt wird und von Anfang an Governance und Datenqualitätsregeln sitzen sollten.

Fazit

Datenqualität ist die Grundlage dafür, dass Analysen und Entscheidungen verlässlich sind. Sie wird über Dimensionen wie Genauigkeit, Vollständigkeit, Konsistenz und Aktualität konkret, über Profilierung und Kennzahlen messbar und über Governance dauerhaft. Wer Qualität im Datenfluss automatisiert prüft und eine kuratierte Gold-Datenbasis etabliert, reduziert Fehler, schafft Vertrauen und gewinnt Zeit für die eigentliche Arbeit: steuern statt suchen.