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 →Weiterführende Artikel
Data Warehouse aufbauen
Architektur und Best Practices für saubere Datenhaltung.
Was ist Business Intelligence?
Grundlagen inkl. Data Governance als Kernkomponente.