Gute Datenqualität im KMU definieren: Ein praxisnaher Leitfaden

Datenqualität ist kein Wettbewerb darin, möglichst viele Tabellenfelder zu füllen. Sie ist auch nicht automatisch gut, weil ein neues CRM eingeführt wurde und die Excel-Dateien nun in einem hübscheren Browser-Tab wohnen. Für kleine und mittlere Unternehmen ist Datenqualität vor allem eines: die Voraussetzung dafür, dass operative Abläufe, Auswertungen und Automatisierungen verlässlich funktionieren.

Doch was heißt „gut“ konkret? Die kurze Antwort lautet: Daten sind gut, wenn sie für ihren vorgesehenen Zweck geeignet sind. In der Fachwelt heißt dieses Prinzip fit for use.^[1] Eine Lieferadresse muss für den Versand stimmen. Ein Artikelgewicht muss die Logistik zuverlässig kalkulieren können. Ein Vertriebsdatensatz braucht genügend Kontext, damit aus einem Lead keine archäologische Recherche wird.

Dieser Beitrag zeigt, wie KMU eine belastbare Definition entwickeln, welche Qualitätsmerkmale zählen und wie sich Datenqualität ohne Mammutprojekt messbar steuern lässt.

Gute Datenqualität beginnt beim Geschäftszweck

Die Frage „Sind unsere Daten gut?“ ist zu allgemein. Sinnvoller sind konkrete Fragen:

• Welche Entscheidung oder welcher Prozess soll mit den Daten funktionieren?
• Welche Informationen werden dafür zwingend benötigt?
• Wie aktuell müssen sie sein?
• Was passiert, wenn sie fehlen, falsch oder widersprüchlich sind?

Ein Beispiel: Für die Rechnungsstellung sind Firmenname, Rechnungsadresse, Zahlungsbedingungen und steuerliche Angaben entscheidend. Für eine Marketingkampagne sind dagegen Einwilligung, Zielgruppe, Ansprechpartner und aktuelle Kontaktmöglichkeit relevanter. Beide Prozesse arbeiten möglicherweise mit demselben Kundenstamm, haben aber unterschiedliche Qualitätsanforderungen.

Daraus folgt: Nicht jeder Datensatz muss bis ins letzte Detail perfekt sein. Er muss die Informationen in der erforderlichen Genauigkeit enthalten, die für seinen Anwendungsfall gebraucht werden. Das schützt auch vor einer verbreiteten Nebenwirkung überambitionierter Datenprojekte: Mitarbeitende sammeln Daten auf Vorrat, die niemand nutzt, niemand pflegt und die nach wenigen Monaten nur noch sehr selbstbewusst falsch sind.

Die sechs Dimensionen guter Datenqualität

Für die Praxis haben sich mehrere Qualitätsdimensionen etabliert. Sie helfen, das diffuse Gefühl „Irgendwas stimmt mit unseren Daten nicht“ in überprüfbare Anforderungen zu übersetzen.^[2]

1. Korrektheit: Entspricht die Angabe der Realität?

Korrekte Daten sind sachlich richtig. Die Lieferadresse existiert, der Preis ist gültig, die Telefonnummer gehört tatsächlich zum hinterlegten Ansprechpartner. Fehler in dieser Kategorie wirken oft harmlos, bis sie Rechnungen, Lieferungen oder Entscheidungen betreffen. Dann wird aus einem Zahlendreher erstaunlich schnell ein Prozessproblem.

Praxisfrage: Wie prüfen wir kritische Angaben gegen eine verlässliche Quelle?

2. Vollständigkeit: Ist alles vorhanden, was der Prozess braucht?

Vollständig bedeutet nicht „jedes Feld ist befüllt“, sondern: Alle für einen Vorgang erforderlichen Informationen liegen vor. Ein neuer Kunde ohne Ansprechpartner kann im CRM existieren. Für einen vertrieblichen Follow-up-Prozess ist er jedoch nur eingeschränkt brauchbar.

Praxisfrage: Welche Felder sind je Prozess Pflicht – und welche sind lediglich „wäre schön“?

3. Aktualität: Sind die Daten noch gültig?

Daten altern. Ansprechpartner wechseln, Preise ändern sich, Produkte werden abgekündigt, Einwilligungen laufen aus. Gerade bei Kundendaten entsteht deshalb kein dauerhaft guter Zustand durch eine einmalige Bereinigung. Datenqualität ist eher Gartenarbeit als Denkmalschutz: Ohne regelmäßige Pflege übernimmt irgendwann das Unkraut.

Praxisfrage: In welchem Zeitraum muss ein Wert überprüft oder aktualisiert werden?

4. Konsistenz: Passen Angaben systemübergreifend zusammen?

Eine Kundin darf im CRM nicht als „aktiv“ erscheinen, während sie im ERP als gesperrt geführt wird – zumindest nicht ohne nachvollziehbaren Grund. Konsistenz betrifft Schreibweisen, Formate, Statuswerte und fachliche Logik über verschiedene Systeme hinweg. Besonders problematisch wird es, wenn Vertrieb, Buchhaltung und Service unterschiedliche Wahrheiten pflegen. Drei Wahrheiten sind philosophisch spannend, im Tagesgeschäft aber selten produktiv.

Praxisfrage: Welche Werte müssen in welchen Systemen übereinstimmen, und welches System ist führend?

5. Eindeutigkeit: Gibt es Dubletten?

Dubletten entstehen etwa durch abweichende Schreibweisen, manuelle Neueingaben oder nicht abgestimmte Importe. „Müller GmbH“, „Mueller GmbH“ und „Müller GMBH“ können für Menschen offensichtlich dieselbe Firma sein. Für Software sind es zunächst drei Datensätze, drei Historien und potenziell drei unterschiedliche Ansprachen.

Praxisfrage: Wie erkennen, verhindern und bereinigen wir doppelte Kunden-, Kontakt- oder Artikelstammsätze?

6. Gültigkeit und Verfügbarkeit: Entsprechen Werte Regeln und sind sie nutzbar?

Gültige Daten folgen vereinbarten Formaten und Plausibilitäten: Postleitzahlen haben das richtige Muster, Mengen sind nicht negativ und ein Umsatzsteuersatz passt zur Rechnung. Verfügbarkeit bedeutet, dass die Daten am benötigten Ort und zum benötigten Zeitpunkt erreichbar sind. Ein korrekt gepflegter Datensatz hilft dem Service wenig, wenn er erst nach drei Exporten, zwei Berechtigungsanträgen und einem stillen Gebet sichtbar wird.

Eine Arbeitsdefinition für das eigene Unternehmen formulieren

Eine gute Definition sollte kurz, verständlich und messbar sein. Für viele KMU eignet sich beispielsweise diese Formulierung:

Unsere Daten sind von guter Qualität, wenn sie für definierte Geschäftsprozesse korrekt, vollständig, aktuell, konsistent, eindeutig und rechtzeitig verfügbar sind. Für kritische Datenfelder sind Regeln, Verantwortlichkeiten und Prüfungen festgelegt.

Diese Definition ist bewusst kein Poster fürs Foyer, sondern ein Arbeitsauftrag. Sie beantwortet nicht jedes Detail, schafft aber einen gemeinsamen Rahmen für Fachbereiche und IT.

Im nächsten Schritt werden die Anforderungen für die wichtigsten Datenobjekte konkretisiert. Ein einfacher Start ist eine Tabelle mit vier Spalten:

Wichtig ist dabei die Formulierung verantwortliche Rolle. Eine Person kann wechseln; die Verantwortung darf nicht mit ihr in den Urlaub fahren.

Datenqualität messen: wenige Kennzahlen, echte Wirkung

Was nicht sichtbar wird, rutscht im Alltag nach hinten. Datenqualität braucht daher Kennzahlen – aber keine KPI-Sammlung, die selbst erst bereinigt werden müsste. Starten Sie mit zwei bis fünf Kennzahlen, die für spürbare Geschäftsrisiken stehen.

Geeignete Beispiele sind:

• Vollständigkeitsquote: Anteil aktiver Kunden mit allen definierten Pflichtfeldern.
• Dublettenquote: Anteil potenziell doppelter Datensätze im Kunden- oder Kontaktstamm.
• Aktualitätsquote: Anteil der Datensätze, die innerhalb eines festgelegten Zeitraums bestätigt oder aktualisiert wurden.
• Fehlerquote bei kritischen Vorgängen: Beispielsweise Rechnungen mit nachträglicher Adresskorrektur oder Aufträge mit fehlerhaften Artikelangaben.
• Konsistenzquote: Anteil der Datensätze, deren festgelegte Werte zwischen führendem System und angebundenem System übereinstimmen.

Zielwerte müssen zum Risiko passen. Bei steuerlich oder rechtlich relevanten Angaben ist die Fehlertoleranz sehr niedrig. Bei einer optionalen Branchenzuordnung kann ein niedrigerer Zielwert akzeptabel sein. Wer überall 100 Prozent fordert, erhält häufig vor allem kreative Umgehungsstrategien – etwa Fantasiewerte in Pflichtfeldern.

Rollen, Regeln und Prävention statt Reparaturmodus

Die teuerste Datenbereinigung ist die, die immer wieder nötig wird. Deshalb sollte ein KMU Fehler möglichst an der Entstehungsstelle verhindern:

1. Standards festlegen: Einheitliche Begriffe, erlaubte Werte, Schreibweisen und Formate definieren.
2. Pflichtfelder gezielt einsetzen: Nur Informationen verpflichtend machen, die ein nachfolgender Prozess wirklich braucht.
3. Plausibilitätsprüfungen einbauen: Ungültige E-Mail-Formate, negative Mengen oder fehlende Steuerschlüssel sollten nicht unbemerkt gespeichert werden.
4. Dubletten vor der Anlage prüfen: Suche und Warnhinweise sind günstiger als spätere Zusammenführungen.
5. Verantwortung benennen: Fachbereiche entscheiden über die fachliche Bedeutung; IT unterstützt bei Systemen, Schnittstellen und Kontrollen.
6. Regelmäßig nachsteuern: Qualitätskennzahlen prüfen, Ursachen analysieren und Regeln anpassen.

Data Quality Management umfasst genau diese Verbindung aus Anforderungen, Standards, Kontrollen und kontinuierlicher Verbesserung.^[2] Das ist wichtig, weil Datenprobleme selten rein technisch sind. Sie entstehen oft an Übergaben, durch unklare Begriffe oder weil niemand verbindlich entscheidet, welche Information maßgeblich ist.^[3]

Ein pragmatischer Einstieg für KMU

Ein sinnvoller Start braucht weder ein Großprojekt noch sofort ein neues Tool. Wählen Sie einen Prozess, bei dem schlechte Daten heute sichtbar Aufwand verursachen – etwa Rechnungsstellung, Angebotsnachverfolgung oder Artikelpflege. Dokumentieren Sie dann:

1. Welche Daten dort gebraucht werden.
2. Welche Fehler am häufigsten auftreten.
3. Welche zwei oder drei Regeln diese Fehler verhindern würden.
4. Wer die Daten fachlich verantwortet.
5. Welche Kennzahl nach vier bis acht Wochen zeigt, ob es besser wird.

Erst wenn diese Basis steht, lohnt sich die Diskussion über umfangreiche Automatisierung oder zusätzliche Software. Tools können Standards durchsetzen und Qualitätsprüfungen beschleunigen. Sie ersetzen jedoch keine Entscheidung darüber, was ein „aktiver Kunde“, ein „freigegebener Artikel“ oder ein „qualifizierter Lead“ im eigenen Unternehmen überhaupt bedeutet. Software ist darin erfreulich konsequent: Sie automatisiert auch unklare Prozesse – nur eben schneller.

Fazit

Gute Datenqualität im KMU ist keine abstrakte IT-Disziplin. Sie bedeutet, dass die richtigen Menschen zur richtigen Zeit mit Daten arbeiten können, denen sie vertrauen. Die Maßstäbe dafür ergeben sich aus konkreten Geschäftsprozessen: Daten müssen korrekt, vollständig genug, aktuell, konsistent, eindeutig, gültig und verfügbar sein.

Der praktikable Weg beginnt nicht mit einem perfekten Datenmodell, sondern mit klaren Anforderungen für die wichtigsten Prozesse, benannten Verantwortlichkeiten und wenigen aussagekräftigen Kennzahlen. So wird Datenpflege vom lästigen Nacharbeiten zu einer verlässlichen Grundlage für schnellere Abläufe, bessere Kundenkommunikation und fundiertere Entscheidungen.

Quellen

1. KMU Magazin: Data Management – Mehrwert schaffen mit Qualität und Integration. ↩

2. loskan.io: Data Quality Management (DQM) einfach erklärt. ↩ ↩²

3. Technik verständlich: Datenqualität im Unternehmen verbessern – 5 einfache Maßnahmen für KMU. ↩