Was ist Datenqualität?
Datenqualität (engl. Data Quality) beschreibt den Grad, in dem Daten die Anforderungen ihrer Nutzung erfüllen, ob für Analysen, operative Prozesse oder strategische Entscheidungen. Sie bestimmt, wie korrekt, vollständig, konsistent, aktuell und für den vorgesehenen Zweck nutzbar ein Datensatz ist – und ist damit eine zentrale Voraussetzung für verlässliche Business Intelligence und datengetriebene Unternehmenssteuerung. Bissantz sorgt dafür, dass Unternehmen mit verlässlichen Daten arbeiten und fundierte Entscheidungen treffen können.
| Merkmal | Details |
| Kategorie | Datenmanagement / Business Intelligence / Compliance |
| Einsatz | Sicherstellung korrekter, vollständiger und konsistenter Daten für Analysen und Entscheidungen |
| Typische Einsatzbereiche | Controlling, Business Intelligence, KI, Automatisierung, Compliance, Reporting |
| Verwandte Begriffe | Data Governance, Datenintegrität, Datenmanagement, ETL, Data Warehouse, Single Source of Truth |
| Nutzen | Verlässliche Analysen, bessere Entscheidungen, Compliance-Sicherung, Wettbewerbsvorteil |
Auf einen Blick
Datenqualität bemisst sich am Zweck: Dieselben Daten können für ein Monatsreporting genügen und für eine tagesgenaue Prognose zu ungenau sein.
Sechs Kerndimensionen gelten als Standard: Genauigkeit, Vollständigkeit, Konsistenz, Aktualität, Gültigkeit und Eindeutigkeit.
Messbar wird Datenqualität über Kennzahlen wie Fehlerquote, Duplikatanteil oder Füllgrad von Pflichtfeldern
Datenfehler kosten am wenigsten, wenn sie bei Erfassung oder Integration auffallen, nicht erst im Management-Bericht.
KI verstärkt den Effekt: KI-Analysen und Prognosen liefern nur auf einer geprüften Datenbasis verwertbare Ergebnisse.
Inhaltsverzeichnis
- Definition und Einordnung
- Bedeutung für Unternehmen
- Abgrenzung zu verwandten Begriffen
- Relevanz
- Kriterien und Dimensionen
- Messung
- Auswirkungen auf Geschäftsergebnisse
- Datenqualität verbessern
- Häufige Fehler
- Die Rolle von Datenqualität für künstliche Intelligenz
- Trends
- Praxisbeispiel: Datenqualität im Vertriebscontrolling
- Bissantz und Datenqualität
- FAQ
- Zusammenfassung
- Weiterführende Begriffe
Definition Datenqualität
Unter Datenqualität versteht man den Grad, in dem Daten für einen bestimmten Zweck geeignet, korrekt und zuverlässig sind. Sie wird anhand verschiedener Qualitätsmerkmale wie Richtigkeit, Vollständigkeit, Aktualität, Konsistenz und Eindeutigkeit beurteilt. Eine hohe Datenqualität stellt sicher, dass Daten verlässlich verarbeitet, analysiert und für fundierte Entscheidungen genutzt werden können.
Die Datenqualität ist dabei kein technisches Detail, sondern eine zentrale Voraussetzung für den unternehmerischen Erfolg. Mit vertrauenswürdigen, aktuellen und vollständigen Daten lassen sich belastbare Erkenntnisse gewinnen und zuverlässig automatisierte Prozesse aufbauen. In Zeiten von Business Intelligence, Künstlicher Intelligenz (KI) und datengetriebenen Entscheidungen ist die Qualität der zugrunde liegenden Daten entscheidend.
Ein hoher Anspruch an die Datenqualität bedeutet, dass Daten nicht nur technisch korrekt vorliegen müssen, sondern auch verständlich, relevant und kontextbezogen nutzbar sind. Daten sollten im Bestfall Prozesse unterstützen und nicht blockieren. Unternehmen, die dies erkennen, investieren gezielt in Maßnahmen zur Erfassung, Prüfung, Bereinigung und kontinuierliche Überwachung ihrer Datenbestände.
Was bedeutet Datenqualität im Unternehmen?
Datenqualität bedeutet im Unternehmen, dass Daten für ihren konkreten Zweck taugen: für den Monatsabschluss, die Absatzplanung oder ein KI-Projekt. Ein Datensatz ist nie absolut gut oder schlecht, sondern immer im Verhältnis zu den Anforderungen seiner Nutzer. In der Fachliteratur heißt dieses Prinzip „Fitness for Use“.
Datenqualität umfasst mehr als technische Korrektheit. Daten müssen auch einheitlich definiert, verständlich und im richtigen Kontext nutzbar sein. Eine Umsatzzahl hilft niemandem, wenn Vertrieb und Controlling darunter Unterschiedliches verstehen, etwa Brutto- oder Nettoumsatz.
In Business Intelligence und Controlling entscheidet die Datenqualität, ob Berichte Vertrauen schaffen oder Diskussionen über die Zahlen auslösen. Datenqualität ist deshalb kein einmaliges Projekt, sondern eine laufende Aufgabe von Fachbereichen und IT.
Wie grenzt sich Datenqualität von verwandten Begriffen ab?
Datenqualität ist das messbare Ergebnis, das Datenintegrität und Data Governance erst möglich machen.
| Begriff | Leitfrage | Beispiel |
| Datenqualität | Taugen die Daten für ihren Zweck? | Der Kundenstamm enthält keine Dubletten und vollständige Adressen. |
| Datenintegrität | Bleiben Daten bei Speicherung und Übertragung unverändert und strukturell korrekt? | Ein Auftrag verweist immer auf einen existierenden Kunden. |
| Data Governance | Wer verantwortet welche Daten nach welchen Regeln? | Der Vertrieb pflegt Kundendaten, das Controlling definiert Kennzahlen. |
| Datenmanagement | Wie werden Daten erfasst, gespeichert, integriert und bereitgestellt? | ETL-Prozesse laden ERP-Daten täglich in das Data Warehouse. |
Warum ist Datenqualität so wichtig?
Unternehmen mit hoher Datenqualität arbeiten nicht nur effizienter, sondern können auch schneller auf Marktveränderungen reagieren, da sie auf verlässliche Daten zugreifen.
Eine schlechte Datenqualität beeinflusst:
Entscheidungsprozesse: Analysen von fehlerhaften Daten führen zu falschen strategischen Entscheidungen.
Automatisierung: Systeme arbeiten nur so gut wie Daten, die sie verarbeiten. Je besser die Daten, desto besser lassen sich Prozesse automatisieren.
Kundenerfahrung: Falsche oder unvollständige Informationen wirken unprofessionell.
Compliance & Reporting: Fehlerhafte Datensätze gefährden rechtliche Pflichten oder Audits.
Welche Kriterien und Dimensionen der Datenqualität gibt es?
Die Datenqualität wird üblicherweise an sechs Kerndimensionen gemessen: Genauigkeit, Vollständigkeit, Konsistenz, Aktualität, Gültigkeit und Eindeutigkeit. Jede Dimension lässt sich mit einer eigenen Prüffrage und eigenen Regeln überprüfen.
| Dimension | Bedeutung | Typische Prüffrage | Beispiel aus dem Controlling |
| Genauigkeit | Daten stimmen mit der Realität überein. | Spiegeln die Werte den tatsächlichen Sachverhalt wider? | Der gebuchte Rechnungsbetrag entspricht der Rechnung. |
| Vollständigkeit | Alle benötigten Datensätze und Pflichtfelder sind vorhanden. | Fehlen Felder oder ganze Datensätze? | Jeder Artikel ist einer Produktgruppe zugeordnet. |
| Konsistenz | Daten widersprechen sich nicht, auch über Systeme hinweg. | Stimmen die Werte in allen Quellen überein? | Der Umsatz im ERP-System entspricht dem Umsatz im BI-Bericht. |
| Aktualität | Daten sind zeitlich passend für ihren Zweck. | Wann wurden die Daten zuletzt aktualisiert? | Der Auftragseingang ist für den Tagesbericht nicht älter als einen Tag. |
| Gültigkeit | Daten entsprechen definierten Formaten und Wertebereichen. | Sind alle Felder im richtigen Format und Wertebereich befüllt? | Ein Rabatt liegt zwischen 0 und 100 Prozent. |
| Eindeutigkeit | Jedes Objekt existiert nur einmal im Datenbestand. | Gibt es Dubletten? | Ein Kunde ist nicht unter zwei Kundennummern angelegt. |
Welche weiteren Kriterien sind relevant?
Neben den Kerndimensionen spielen weitere Kriterien eine Rolle, vor allem für die Nutzung in Fachbereichen. Die Norm ISO/IEC 25012 beschreibt insgesamt 15 Qualitätsmerkmale für Daten.
- Relevanz: Die Daten beantworten die Fragen, für die sie erhoben werden.
- Verständlichkeit: Kennzahlen und Felder sind eindeutig definiert und dokumentiert.
- Herkunftstransparenz: Jede Zahl lässt sich bis zu ihrer Quelle zurückverfolgen (Data Lineage).
- Zugänglichkeit: Berechtigte Nutzer erhalten die Daten rechtzeitig und ohne Umwege.
Was sind die Merkmale guter Datenqualität im Alltag?
Gute Datenqualität zeigt sich daran, dass niemand mehr über die Zahlen diskutiert, sondern über ihre Bedeutung. Typische Merkmale sind:
- Berichte aus verschiedenen Abteilungen zeigen dieselben Werte für dieselbe Kennzahl.
- Controller korrigieren Zahlen nicht mehr manuell in Excel, bevor sie veröffentlicht werden.
- Auffälligkeiten in Berichten haben fachliche Ursachen, keine technischen.
- Fachbereiche kennen die Verantwortlichen für ihre Daten und melden Fehler an der Quelle.
Wie bewertet und misst man Datenqualität?
Datenqualität wird bewertet, indem Unternehmen für jede Dimension Prüfregeln festlegen, den Ist-Zustand als Kennzahl messen und mit einem Zielwert vergleichen. Ohne Messung bleibt Datenqualität eine Vermutung: Laut Gartner messen 59 Prozent der Organisationen ihre Datenqualität nicht.
In welchen Schritten läuft eine Bewertung ab?
- Kritische Daten bestimmen: Welche Daten fließen in Steuerungskennzahlen, Planung oder KI-Anwendungen? Dort beginnt die Prüfung.
- Prüfregeln definieren: Fachbereich und IT legen je Dimension fest, was „korrekt“ bedeutet, etwa Pflichtfelder, Wertebereiche oder Abgleichregeln zwischen Systemen.
- Ist-Zustand messen: Ein Data Profiling zeigt Füllgrade, Wertverteilungen, Dubletten und Formatfehler.
- Schwellenwerte festlegen: Für jede Kennzahl wird ein Zielwert definiert, zum Beispiel mindestens 98 Prozent befüllte Pflichtfelder.
- Laufend überwachen: Die Kennzahlen werden bei jeder Datenladung geprüft und in einem Datenqualitäts-Bericht sichtbar gemacht.
Welche Kennzahlen eignen sich zur Messung?
| Kennzahl | Berechnung | Dimension |
| Vollständigkeitsgrad | befüllte Pflichtfelder geteilt durch alle Pflichtfelder, in Prozent | Vollständigkeit |
| Duplikatanteil | Anzahl Dubletten geteilt durch alle Datensätze, in Prozent | Eindeutigkeit |
| Fehlerquote | Datensätze mit Regelverletzung geteilt durch alle geprüften Datensätze | Gültigkeit, Genauigkeit |
| Abstimmungsdifferenz | Abweichung einer Summe zwischen Quellsystem und BI-System | Konsistenz |
| Datenalter | Zeit seit der letzten erfolgreichen Aktualisierung | Aktualität |
| Korrekturaufwand | Stunden für manuelle Nacharbeit pro Monatsabschluss | alle Dimensionen (indirekt) |
Die Schwellenwerte hängen vom Zweck ab. Für den Konzernabschluss ist eine Abstimmungsdifferenz von null Pflicht, für eine Trendanalyse im Marketing reicht oft eine geringere Genauigkeit.
Welche Auswirkungen hat Datenqualität auf die Geschäftsergebnisse?
Schlechte Datenqualität kostet Geld, Zeit und Vertrauen. Eine Gartner-Untersuchung aus dem Jahr 2020 beziffert die Kosten schlechter Datenqualität auf durchschnittlich mindestens 12,9 Millionen US-Dollar pro Organisation und Jahr (Gartner). Der Wert beruht auf Schätzungen großer Unternehmen und ist als Größenordnung zu verstehen.
Die Kosten steigen, je später ein Fehler auffällt. Die sogenannte 1-10-100-Regel beschreibt diesen Effekt: Ein Fehler, der bei der Erfassung 1 Euro kostet, kostet bei der späteren Bereinigung etwa 10 Euro und als Fehlentscheidung etwa 100 Euro. Prüfungen an der Quelle und bei der Datenintegration sind deshalb am wirtschaftlichsten.
| Bereich | Folge schlechter Datenqualität | Beispiel |
| Entscheidungen | Management steuert auf Basis falscher Zahlen. | Ein Produkt wirkt profitabel, weil Retouren fehlen. |
| Planung und Forecasting | Prognosen übernehmen Fehler aus den Ist-Daten. | Dubletten im Kundenstamm blähen die Absatzplanung auf. |
| Prozesse | Mitarbeitende korrigieren Daten manuell statt zu analysieren. | Controller gleichen vor jedem Abschluss Excel-Listen ab. |
| Kunden | Fehlerhafte Stammdaten führen zu falschen Lieferungen oder Rechnungen. | Eine Rechnung geht an eine veraltete Adresse. |
| Compliance | Prüfungen und Meldungen werden angreifbar. | Abweichende Werte zwischen Bericht und Buchhaltung fallen im Audit auf. |
| KI | Modelle lernen Fehler mit und geben sie als Empfehlung weiter. | Eine KI-Prognose überschätzt die Nachfrage, weil Stornos fehlen. |
Wie lässt sich die Datenqualität verbessern?
Die Datenqualität verbessert sich dauerhaft nur, wenn Organisation und Technik zusammenwirken: klare Verantwortlichkeiten, einheitliche Definitionen und automatische Prüfungen in der Datenintegration. Eine einmalige Bereinigung beseitigt Symptome, aber nicht die Ursachen.
Organisatorische Maßnahmen
- Data Owner je Datenbereich benennen, zum Beispiel Vertrieb für Kundendaten und Einkauf für Lieferantendaten.
- Kennzahlen in einem gemeinsamen Glossar definieren, damit „Umsatz“ in allen Berichten dasselbe bedeutet.
- Regeln für die Datenerfassung festlegen und Mitarbeitende darin schulen.
- Fehler an der Quelle beheben lassen, statt sie im Bericht zu überschreiben.
Technische Maßnahmen
- Eingaben im Vorsystem validieren, etwa durch Pflichtfelder und Auswahllisten.
- Prüfregeln in ETL-Prozesse einbauen, damit fehlerhafte Datensätze vor dem Laden auffallen.
- Daten in einer zentralen Datenbasis zusammenführen, die als Single Source of Truth dient.
- Dubletten mit Abgleichregeln erkennen und zusammenführen.
- Datenqualitäts-Kennzahlen bei jeder Ladung messen und berichten.
Wie verbessert man die Datenqualität mit BI-Tools?
BI-Tools verbessern die Datenqualität, weil sie Fehler dort sichtbar machen, wo Fachanwender sie erkennen: in Berichten, Abweichungsanalysen und Drill-downs. Ein Controller bemerkt einen unplausiblen Monatswert schneller als jede generische Prüfregel.
| Funktion im BI-Tool | Beitrag zur Datenqualität |
| Zentrales Datenmodell | Alle Berichte greifen auf dieselben Daten und Definitionen zu. |
| Prüfregeln in der Datenintegration | Formatfehler, Dubletten und fehlende Werte fallen vor dem Laden auf. |
| Anomalieerkennung | Unplausible Werte und Ausreißer werden automatisch markiert. |
| Abweichungsanalyse und Drill-down | Anwender verfolgen eine auffällige Zahl bis zum einzelnen Beleg. |
| Abstimmungsberichte | Summen aus ERP-System und BI-System werden regelmäßig verglichen. |
| Kommentarfunktion | Fachbereiche dokumentieren bekannte Datenprobleme direkt am Bericht. |
Welche Fehler kommen häufig vor und wie lassen sie sich vermeiden?
Der häufigste Fehler ist, Datenqualität als einmaliges IT-Projekt zu behandeln. Ohne laufende Prüfung und klare Zuständigkeiten kehren alte Fehler schnell zurück.
| Fehler | Folge | Vermeidung |
| Einmalige Bereinigung statt laufender Prüfung | Fehler entstehen nach kurzer Zeit neu. | Prüfregeln dauerhaft in die Datenintegration einbauen. |
| Prüfung erst im fertigen Bericht | Korrekturen kosten viel Zeit kurz vor dem Termin. | Daten an der Quelle und beim Laden prüfen. |
| Keine Verantwortlichen für Daten | Fehler werden gemeldet, aber nicht behoben. | Data Owner je Datenbereich benennen. |
| Uneinheitliche Kennzahldefinitionen | Abteilungen streiten über „richtige“ Zahlen. | Gemeinsames Kennzahlenglossar und zentrales Datenmodell nutzen. |
| Manuelle Korrekturen in Excel außerhalb des Systems | Berichte weichen von der Datenbasis ab, Korrekturen gehen verloren. | Korrekturen im Vorsystem oder in der Datenintegration vornehmen. |
| Alle Daten gleich behandeln | Aufwand fließt in unwichtige Felder. | Mit den Daten beginnen, die in Steuerungskennzahlen und KI einfließen. |
| Fehler stillschweigend bereinigen | Die Ursache im Vorsystem bleibt bestehen. | Bereinigungen protokollieren und an die Quelle zurückmelden. |
Welche Rolle spielt Datenqualität für künstliche Intelligenz?
Datenqualität und künstliche Intelligenz hängen in zwei Richtungen zusammen: KI braucht geprüfte Daten, und KI hilft dabei, Datenfehler zu finden. Beide Seiten gewinnen mit dem Einsatz von KI im Controlling an Bedeutung.
Warum braucht KI eine hohe Datenqualität?
KI-Modelle übernehmen die Fehler ihrer Daten und geben sie als scheinbar fundierte Ergebnisse weiter. Das Prinzip heißt „Garbage in, garbage out“. Eine KI-Prognose auf Basis unvollständiger Ist-Daten wirkt plausibel und ist trotzdem falsch.
Bei Sprachmodellen kommt eine weitere Ebene hinzu: Greift ein Large Language Model über Retrieval-Augmented Generation (RAG) auf Dokumente zu, zählen auch Aktualität und Eindeutigkeit von Texten. Veraltete Richtlinien oder doppelte Versionen führen zu widersprüchlichen Antworten.
Auch der Gesetzgeber stellt Anforderungen: Artikel 10 der europäischen KI-Verordnung (EU AI Act) verlangt für Hochrisiko-KI-Systeme Trainings-, Validierungs- und Testdaten, die für ihren Zweck relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sind (Art. 10 KI-VO).
Wie verbessert KI die Datenqualität?
KI erkennt Muster, die feste Prüfregeln übersehen. Typische Einsatzfelder sind:
- Erkennen von Anomalien und unplausiblen Werten in großen Datenmengen
- Aufspüren von Dubletten mit abweichender Schreibweise
- Klassifizieren unstrukturierter Informationen, etwa aus Gesprächsprotokollen
- Vorschlagen von Mappings und Bereinigungsschritten bei der Anbindung neuer Quellen
Die KI-Datenintegration von Bissantz erkennt Formatbrüche, Tippfehler und unplausible Werte automatisch, schlägt Bereinigungen vor und reduziert manuelle Prüfschleifen. Die fachliche Bewertung der Vorschläge bleibt beim Menschen, unterstützt durch Explainable AI.
Welche Trends prägen das Thema Datenqualität?
Die wichtigsten Trends verlagern Datenqualität nach vorn in die Datenintegration und machen sie zur Voraussetzung für KI. Statt Fehler im fertigen Bericht zu suchen, prüfen Unternehmen Daten zunehmend automatisch und laufend.
| Trend | Was dahintersteht | Bedeutung für Unternehmen |
| KI-gestützte Datenqualität | KI erkennt Anomalien, Dubletten und Formatfehler und schlägt Bereinigungen vor. | Weniger manuelle Prüfschleifen bei wachsenden Datenmengen |
| Datenqualität als KI-Voraussetzung | Unternehmen prüfen ihre Datenbasis, bevor sie KI-Analysen, Prognosen oder Agenten einführen. | Datenqualität wird Teil jeder KI-Strategie. |
| Unstrukturierte Daten | Texte, Protokolle und Dokumente fließen über RAG und MCP-Server in Analysen ein. | Qualitätsregeln gelten nicht mehr nur für Zahlen. |
| Data Observability | Datenpipelines werden laufend auf Aktualität, Volumen, Schemaänderungen und Verteilungen überwacht. | Fehler fallen auf, bevor Anwender sie bemerken. |
| Data Contracts | Datenlieferanten und Datennutzer vereinbaren Schema und Qualitätsanforderungen verbindlich. | Klare Zuständigkeiten zwischen Fachbereichen und IT |
| Prüfung an der Quelle (Shift-left) | Validierung wandert von der Berichtsebene in Vorsysteme und Integration. | Geringere Fehlerkosten nach der 1-10-100-Regel |
| Regulierung | Der EU AI Act und Prüfungsanforderungen verlangen dokumentierte Datenqualität und Datenherkunft. | Datenqualität wird nachweispflichtig. |
Praxisbeispiel: Datenqualität im Vertriebscontrolling
Ein mittelständischer Hersteller berichtet seinen Monatsumsatz aus dem ERP-System und aus dem BI-System. Die Werte weichen regelmäßig voneinander ab, und das Controlling verbringt vor jedem Abschluss Tage mit Abgleichen in Excel. Die Geschäftsleitung zweifelt an den Zahlen der Absatzplanung.
Die Analyse zeigt drei Ursachen: Nach der Anbindung des CRM-Systems existieren Kunden doppelt, neue Artikel sind keiner Produktgruppe zugeordnet, und Gutschriften werden in den Systemen zu unterschiedlichen Zeitpunkten gebucht.
| Problem | Dimension | Lösung mit Bissantz |
| Doppelte Kunden nach der CRM-Anbindung | Eindeutigkeit | Die KI-Datenintegration erkennt Anomalien beim Laden und schlägt Bereinigungen vor. |
| Artikel ohne Produktgruppe | Vollständigkeit | Prüfregeln im ETL-Prozess melden fehlende Zuordnungen an den Data Owner im Vertrieb. |
| Abweichender Umsatz zwischen ERP- und BI-System | Konsistenz | Eine zentrale DeltaMaster-Datenbank dient als Single Source of Truth, ein Abstimmungsbericht vergleicht die Summen. |
| Auffällige Werte fallen erst im Management-Bericht auf | Genauigkeit | DeltaMaster hebt Abweichungen automatisch hervor, Controller verfolgen sie per Drill-down bis zum Beleg. |
Das Ergebnis: Ursachen werden im Vorsystem behoben statt im Bericht überschrieben. Das Controlling kommentiert verbleibende Auffälligkeiten direkt in DeltaMaster, und die Geschäftsleitung diskutiert wieder über Maßnahmen statt über Zahlen.
Wie unterstützt Bissantz die Datenqualität?
Bissantz setzt auf höchste Datenqualität als Fundament für belastbare Analysen und verlässliche Unternehmenssteuerung. Denn intelligente BI ist nur so gut wie die Daten, auf denen sie beruht. Aus diesem Grund basiert DeltaMaster konsequent auf strukturierten, geprüften und integrierten Datenmodellen, etwa aus Data Warehouses oder ERP-Systemen. So wird sichergestellt, dass alle Auswertungen konsistent, nachvollziehbar und korrekt sind – unabhängig davon, wie komplex die Unternehmensdaten im Hintergrund sind.
Die BI-Lösungen von Bissantz unterstützen aktiv die Sicherung der Datenqualität, indem sie:
auf eine zentrale, redundanzfreie Datenhaltung setzen (Stichwort Single Source of Truth),
Abweichungen automatisch identifizieren und visuell hervorheben (z. B. durch die patentierte Zweifarb-Logik),
kommentierbare Analysen ermöglichen, die fehlerhafte oder auffällige Datenlagen direkt im Planungskontext sichtbar machen,
Transparenz über die Datenherkunft schaffen – ohne Black Box.
Insbesondere bei integrierter Planung, Forecasting und KI-gestützter Analyse ist Datenqualität ein geschäftskritischer Faktor. Deshalb wird bei Bissantz Datenvalidierung nicht als vorgelagerter Schritt verstanden, sondern ist ein integraler Bestandteil der gesamten Analyse- und Steuerungskette – vom Import über die Modellierung bis zur Entscheidungsfindung.
DeltaMaster denkt mit: Fehlerhafte, unvollständige oder widersprüchliche Daten werden nicht stillschweigend verarbeitet, sondern gezielt sichtbar gemacht – visuell, sprachlich und systemgestützt. So wird aus potenziell irreführenden Informationen verlässliches Wissen – und aus einem hohen Anspruch an Datenqualität ein handfester Wettbewerbsvorteil.
FAQ – Häufige Fragen
Datenqualität beschreibt, wie gut Daten für ihren Zweck geeignet sind. Daten können technisch vorhanden sein – aber trotzdem veraltet, widersprüchlich oder unvollständig. Gute Datenqualität bedeutet: Die richtigen Daten, im richtigen Format, zur richtigen Zeit, ohne Fehler. Wie ein Kompass, der nur nützt, wenn er auch wirklich Norden zeigt.
Datenintegrität stellt sicher, dass Daten unverändert und konsistent bleiben – technisch und strukturell. Datenqualität ist umfassender: Sie bewertet zusätzlich, ob Daten inhaltlich korrekt, vollständig, aktuell und für den Verwendungszweck geeignet sind. Datenintegrität ist eine Voraussetzung für Datenqualität – aber nicht dasselbe.
Häufige Ursachen sind: manuelle Dateneingabe ohne Validierung, fehlende oder inkonsistente Standards zwischen Systemen, veraltete Datenbestände ohne regelmäßige Aktualisierung, fehlende Verantwortlichkeiten für Datenpflege und unzureichende ETL-Prozesse bei der Datenintegration.
Datenqualität wird anhand der sechs Dimensionen gemessen: Aktualität, Einzigartigkeit, Genauigkeit, Gültigkeit, Konsistenz und Vollständigkeit. Konkret werden Kennzahlen wie Fehlerquoten, Duplikatenanteil, Vollständigkeitsgrad oder Abweichungen von definierten Referenzwerten erfasst und überwacht.
Eine Single Source of Truth ist eine einzige, zentrale und verlässliche Datenquelle, auf die alle Nutzer zugreifen. Sie verhindert, dass verschiedene Abteilungen mit unterschiedlichen, widersprüchlichen Datensätzen arbeiten – und ist damit ein Schlüsselelement für konsistente Datenqualität im gesamten Unternehmen.
DeltaMaster integriert Datenqualitätsprüfungen direkt in den Analyse- und Reporting-Prozess: Abweichungen werden automatisch erkannt und hervorgehoben, die Datenbasis ist zentral und redundanzfrei, und die Herkunft jeder Kennzahl ist transparent nachvollziehbar. Bissantz begleitet zudem die Konzeption von Qualitätsstandards und ETL-Prozessen – damit Datenqualität von Anfang an systemisch verankert ist.
Zusammenfassung
Datenqualität beschreibt, wie gut Daten ihren Zweck erfüllen, und wird an Dimensionen wie Genauigkeit, Vollständigkeit, Konsistenz, Aktualität, Gültigkeit und Eindeutigkeit gemessen. Sie entscheidet über verlässliche Berichte, Planungen und KI-Ergebnisse und verbessert sich nur durch laufende Prüfung an der Quelle und in der Datenintegration. Mit DeltaMaster und seiner Beratungskompetenz macht Bissantz Datenqualität zum integralen Bestandteil der Unternehmenssteuerung – sichtbar, steuerbar und nachhaltig gesichert.
Verwandte Themen – Vertiefen Sie Ihr Wissen
Kostenlos für Sie.
Planung, Analyse und Reporting mit Bissantz – 30 Minuten Deep-Dive im Webinar.
