Datenqualität: Das Fundament jeder BI-Lösung
Warum 80% aller BI-Probleme eigentlich Datenqualitätsprobleme sind – und wie Sie Datenqualität systematisch sicherstellen.
Die 6 Dimensionen der Datenqualität
Vollständigkeit
Sind alle erforderlichen Daten vorhanden? Fehlende Postleitzahlen, leere Kontaktfelder, unvollständige Transaktionen?
Korrektheit
Stimmen die Daten mit der Realität überein? Ist der Umsatz wirklich 120.000€ oder ein Tippfehler von 12.000€?
Konsistenz
Widersprüchliche Daten über Systeme hinweg? „Müller GmbH“ im ERP vs. „Mueller GmbH“ im CRM sind zwei verschiedene Kunden – oder doch derselbe?
Aktualität
Sind die Daten rechtzeitig verfügbar? Ein Umsatzbericht mit Daten von vorgestern hilft nicht bei der Tagesentscheidung.
Integrität
Referenzielle Integrität: Verweisen alle Bestellungen auf existierende Kunden? Gibt es verwaiste Datensätze?
Konformität
Entsprechen die Daten den definierten Formaten? Telefonnummern einheitlich, Datumsformate konsistent, Währungen korrekt?
Typische Datenqualitätsprobleme im Mittelstand
- Dubletten: Derselbe Kunde 3x im CRM mit unterschiedlichen Schreibweisen
- Fehlende Pflichtfelder: 30% der Kundendatensätze ohne E-Mail, 20% ohne Branchenzuordnung
- Unterschiedliche Definitionen: „Umsatz“ im ERP ≠ „Umsatz“ im CRM (brutto/netto, inkl./exkl. Rabatte)
- Veraltete Daten: Kontaktpersonen, die seit Jahren nicht mehr im Unternehmen arbeiten
- Manuelle Eingaben: Freitextfelder statt Dropdowns → keine Auswertbarkeit
Datenqualität systematisch verbessern
Daten-Audit durchführen
Systematische Analyse aller relevanten Datenquellen: Vollständigkeit, Dubletten, Format-Probleme, Inkonsistenzen. Ergebnis: Datenqualitätsbericht mit priorisierter Maßnahmenliste.
Regeln definieren
Data-Quality-Rules aufstellen: Pflichtfelder, Wertebereich-Validierungen, Formatvorgaben, Referenzintegritätsprüfungen. Diese werden automatisiert überwacht.
Bereinigung & Enrichment
Einmalige Bereinigungsaktion: Dubletten zusammenführen, fehlende Daten ergänzen, Formate standardisieren. Optional: externe Daten zur Anreicherung nutzen.
Monitoring einrichten
Automatisierte Datenqualitäts-Dashboards mit Alerts bei Regelverletzungen. Tools wie dbt Tests, Great Expectations oder Soda Core.
Verantwortlichkeiten klären
Data Owner für jeden Datenbereich benennen: Wer ist verantwortlich für die Qualität der Kundendaten? Der Vertrieb – nicht die IT.
? Dieser Artikel ist Teil unseres Mittelstand-Guides: BI im Mittelstand →
Datenprobleme lösen?
Ein Daten-Audit zeigt schnell, wo die größten Qualitätsprobleme liegen – und was sie kosten.
Daten-Audit anfragen →Nächster Schritt: Ein Daten-Audit im Rahmen einer Business Intelligence Beratung zeigt, welche Datenqualitätsprobleme Ihre Reports, KPIs und Dashboards aktuell ausbremsen.
Weiterführende Artikel
Data Warehouse aufbauen
Architektur und Best Practices für saubere Datenhaltung.
Was ist Business Intelligence?
Grundlagen inkl. Data Governance als Kernkomponente.