Datenqualität – und warum sie in der Praxis oft nicht so funktioniert, wie erwartet
Datenqualität beginnt nicht bei den Daten – sondern in der Struktur und Logik dahinter.
Was unter Datenqualität verstanden wird
Datenqualität beschreibt, wie gut Daten für einen bestimmten Zweck geeignet sind.
Typischerweise wird sie über Kriterien wie:
- Genauigkeit
- Vollständigkeit
- Konsistenz
- Aktualität
- Eindeutigkeit
- Gültigkeit
definiert.
Diese Dimensionen dienen dazu, den Zustand von Daten zu bewerten.
Sie beantworten Fragen wie:
- Sind alle notwendigen Informationen vorhanden?
- Entsprechen die Daten der Realität?
- Sind sie über verschiedene Systeme hinweg widerspruchsfrei?
Auf dieser Basis wird entschieden, ob Daten für:
- operative Prozesse
- Analysen
- automatisierte Entscheidungen
geeignet sind.
Warum Datenqualität wichtig ist
Schlechte Datenqualität wirkt sich unmittelbar auf Prozesse und Ergebnisse aus.
Typische Folgen sind:
- falsche oder unsichere Entscheidungen
- inkonsistente Informationen über verschiedene Kanäle hinweg
- zusätzlicher manueller Aufwand zur Korrektur
- Verzögerungen in Prozessen und Veröffentlichungen
In vielen Fällen entstehen Fehler nicht einmal bewusst – sie ergeben sich aus fehlenden Zusammenhängen oder unklaren Regeln.
Um dem entgegenzuwirken, setzen Unternehmen auf:
- definierte Standards für Datenstrukturen
- Validierung bei der Datenerfassung
- kontinuierliches Monitoring
- nachträgliche Datenbereinigung
Diese Maßnahmen verbessern den Zustand der Daten – lösen aber häufig nicht die zugrunde liegenden Ursachen.
Viele Unternehmen investieren erheblichen Aufwand in Datenqualität – ohne die Ursachen schlechter Datenqualität zu beseitigen.
Das Grundproblem: Definition ohne Ursache
Die klassische Sicht auf Datenqualität hat eine zentrale Schwäche:
Sie beschreibt den Zustand von Daten, aber nicht deren Entstehung.
Das führt dazu, dass:
- Probleme oft erst nachträglich erkannt werden
- Korrekturen wiederholt durchgeführt werden müssen
- gleiche Fehler an unterschiedlichen Stellen erneut auftreten
Datenqualität wird dadurch oft zu einer Daueraufgabe – statt zu einem reproduzierbaren Ergebnis.
Datenqualität ist nicht nur ein Zustand
Datenqualität wird häufig als messbarer Zustand einzelner Datensätze betrachtet:
Daten können vollständig, korrekt oder fehlerhaft sein.
Gleichzeitig gilt:
Dieser Zustand entsteht durch die Art, wie Daten strukturiert, verknüpft und verarbeitet werden.
Damit verschiebt sich der Fokus:
- weg von einzelnen Daten
- hin zum zugrunde liegenden System und den Prozessen
Wie Datenqualität tatsächlich entsteht
Datenqualität hängt im Kern von drei Faktoren ab:
Struktur
- Wie sind Daten organisiert?
- Welche Hierarchien und Beziehungen existieren?
Eine saubere Struktur bestimmt, ob Daten überhaupt sinnvoll kombiniert werden können.
Logik
- Welche Regeln gelten für Daten?
- Wie werden Werte erzeugt oder abgeleitet?
Ohne klare Logik entstehen uneinheitliche und widersprüchliche Inhalte.
Konsistenzmechanismus
- Wird Konsistenz nur geprüft oder aktiv erzeugt?
- Reagiert das System auf Änderungen nachvollziehbar und reproduzierbar?
Hier entscheidet sich, ob Daten stabil bleiben oder regelmäßig korrigiert werden müssen.
Ein Blick in die Praxis
In vielen Systemen wird Datenqualität vor allem durch manuelle Arbeit hergestellt:
- Daten werden erfasst
- anschließend geprüft
- bei Fehlern korrigiert
Dieser Ansatz funktioniert bei kleinen Datenmengen,
gerät aber schnell an Grenzen, sobald:
- viele Objekte
- viele Attribute
- oder mehrere Systeme beteiligt sind
Das Ergebnis sind häufig:
- steigender Pflegeaufwand
- uneinheitliche Datenbestände
- inkonsistente Informationen zwischen Kanälen
Warum rein reaktive Ansätze an Grenzen stoßen
Viele Maßnahmen setzen erst dann an, wenn Fehler bereits entstanden sind:
- Daten erfassen
- Daten prüfen
- Fehler korrigieren
Das führt zu strukturellen Problemen:
- Fehler werden nur dort behoben, wo sie sichtbar werden
- Zusammenhänge zwischen Daten bleiben unberücksichtigt
- Änderungen können neue Inkonsistenzen erzeugen
Datenqualität wird dadurch nicht stabiler, sondern aufwendig aufrechterhalten.
Der Perspektivwechsel
Die entscheidende Frage lautet daher nicht:
„Wie prüfen und verbessern wir Daten?“
sondern:
„Wie entstehen Daten überhaupt – und was beeinflusst ihre Qualität?“
Datenqualität als Systemthema
Wenn Fehler regelmäßig auftreten, liegt die Ursache oft nicht nur in einzelnen Datensätzen.
Sie hängt zusammen mit:
- fehlenden Beziehungen
- unklaren Regeln
- oder unvollständiger Logik
Datenqualität wird an einzelnen Daten sichtbar – entsteht jedoch maßgeblich durch die Eigenschaften des Systems und der zugrunde liegenden Logik.
Schlechte Datenqualität ist häufig kein Datenproblem –
sondern ein Problem der zugrunde liegenden Struktur, Regeln und Abhängigkeiten.
Zwei grundlegend unterschiedliche Ansätze
Klassischer Ansatz
- Daten werden gepflegt
- Fehler werden geprüft und korrigiert
→ Datenqualität wird nachträglich verbessert
Systemischer Ansatz
- Regeln werden definiert
- Abhängigkeiten werden berücksichtigt
- Daten entstehen aus logischen Zusammenhängen
→ Datenqualität entsteht bereits bei der Erzeugung der Daten
Was sich dadurch verändert
Wenn Daten stärker systemisch erzeugt werden:
- bleiben Daten konsistenter – auch bei Änderungen
- wirken Regeln über größere Teile des Datenbestands
- lassen sich Fehler systematischer erkennen und reduzieren
- wird Qualität reproduzierbarer und besser steuerbar
Datenqualität ist dann weniger abhängig von:
- manueller Pflege
- oder individueller Kontrolle
sondern stärker von:
- klar definierten Zusammenhängen
Neue Sicht auf Datenqualität
Datenqualität ist nicht nur der Zustand einzelner Daten.
Datenqualität ist das Ergebnis eines Systems, das Daten konsistent erzeugt und miteinander verknüpft.
Fazit
Die bekannten Kriterien der Datenqualität sind notwendig, aber nicht ausreichend.
Sie beschreiben:
- wie gute Daten aussehen
nicht vollständig:
- warum Datenqualität entsteht – oder verloren geht
Wer Datenqualität dauerhaft durch Bereinigung, Monitoring und manuelle Pflege sichern muss, bekämpft meist die Symptome.
Die eigentliche Ursache liegt häufig im System: in der Struktur, den Regeln und den Abhängigkeiten der Daten.
Schlechte Datenqualität ist daher oft kein reines Datenproblem –
sondern ein Zeichen für fehlende Systemlogik.
👉 In diesem Beitrag lesen Sie, wie
Datenqualität in einem PIM-System konkret umgesetzt und automatisiert werden kann