Sie sind auf ERP umgestiegen, haben eine neue Kasse gekauft oder ein Reporting-Dashboard eingerichtet; doch die Zahlen stimmen nicht, derselbe Kunde ist dreimal erfasst und Produkte laufen unter verschiedenen Nummern. Das Problem liegt nicht in der Software, sondern in den Daten. Datenqualität und Stammdatenmanagement sind die Disziplin, die die Kerndaten eines Unternehmens korrekt, konsistent und aktuell hält. Reporting, Automatisierung, KI und Integration können bei unzuverlässigen Daten keine verlässlichen Ergebnisse liefern.
Was sind Stammdaten?
Stammdaten (Master Data) sind die Kerndaten, die ein Unternehmen in vielen Prozessen immer wieder nutzt:
- Kunden und Lieferanten: Name, Kontakt, Steuerangaben, Adressen, Konditionen.
- Produkte und Leistungen: Nummer, Name, Kategorie, Einheit, Preis, Kosten, Barcode, Varianten.
- Mitarbeiter und Rollen.
- Standorte, Lager, Filialen.
- Kontenplan und Kategorien.
Sie unterscheiden sich von Bewegungsdaten (Verkäufe, Bestellungen, Bewegungen), doch die Richtigkeit der Bewegungsdaten hängt von den Stammdaten ab.
Dimensionen der Datenqualität
- Richtigkeit: Spiegelt der Datensatz die Realität?
- Vollständigkeit: Sind Pflichtfelder gefüllt?
- Konsistenz: Ist dieselbe Information in verschiedenen Systemen und Datensätzen gleich? Sind Schreibweisen einheitlich?
- Eindeutigkeit: Gibt es doppelte Datensätze?
- Aktualität: Sind die Daten aktuell oder veraltet?
- Gültigkeit: Entsprechen sie Format und Regeln (Telefon, E-Mail, Steuernummer, Datum)?
Die Kosten schlechter Datenqualität
- Falsche Entscheidungen: Fehlerhafte Berichte und Prognosen; siehe Nachfrageprognose und Bestandsplanung und KPIs und Management-Dashboard.
- Betriebliche Fehler: Falsche Lieferung, doppelte Rechnung, unbezahlte Forderung, falscher Bestand; siehe Bestandsführung im Handel und e-Rechnung in der Türkei.
- Ineffizienz: Arbeitszeit fließt in die Fehlerbehebung.
- Kundenerlebnis: Doppelte E-Mails an denselben Kunden, falsche Anrede, verpasste Informationen; siehe CRM-Leitfaden und E-Mail-Marketing-Leitfaden.
- Integrations- und Automatisierungsprobleme: Datensätze, die zwischen Systemen nicht zusammenpassen; siehe API-Integration und KI-Prozessautomatisierung.
- KI und Analytik: Mit schlechten Daten trainierte oder gespeiste Modelle liefern falsche Ergebnisse; siehe Wo mit KI anfangen?.
- Compliance-Risiko: Alte oder falsche Personendaten, Löschanfragen nicht erfüllbar; siehe KVKK-Checkliste.
- Scheitern von ERP-Projekten: Ein Projekt, das mit schlechten Daten beginnt, trägt die Probleme weiter; siehe Warum ERP-Projekte scheitern.
Ein Datenqualitätsprogramm Schritt für Schritt
1. Umfang und Priorität
Wählen Sie zuerst die kritischsten Stammdatenbereiche (etwa Kunde und Produkt). Messen Sie die geschäftlichen Auswirkungen von Datenqualitätsproblemen (wie viele falsche Rechnungen, wie viele Dubletten).
2. Dateninventar und Verantwortung
Wo liegen Daten (ERP, Kasse, CRM, Onlineshop, Excel)? Bestimmen Sie für jeden Stammdatenbereich einen Verantwortlichen (Data Steward); legen Sie klar fest, wer Datensätze anlegen und ändern darf.
3. Datenqualität messen (Profiling)
Ermitteln Sie die Ausgangslage mit einfachen Kennzahlen wie Dublettenquote, Quote leerer Felder, Zahl ungültiger Formate und uneinheitlicher Schreibweisen.
4. Standards definieren
- Codier- und Namensregeln: Logik der Artikelnummer, Namensformat; siehe Barcode- und Etikettensysteme.
- Pflichtfelder und Formate: Telefon, E-Mail, Adresse, Steuernummer, Einheit.
- Kategorien und Klassifizierungslisten: Auswahllisten statt Freitext.
- Dublettendefinition: Anhand welcher Felder gilt ein Datensatz als gleich?
5. Bereinigen
- Dubletten zusammenführen: Ohne die Bewegungshistorie zu verlieren.
- Fehlende Felder ergänzen und Formate korrigieren.
- Alte oder ungenutzte Datensätze archivieren.
- Quellsysteme abgleichen: Ein gemeinsamer Schlüssel für denselben Kunden oder Artikel in verschiedenen Systemen.
- Bei der Übernahme in ein anderes System zuerst bereinigen; siehe Von Excel zur Unternehmenssoftware.
6. An der Quelle vorbeugen
Bleibt die Bereinigung einmalig, verschlechtern sich die Daten wieder. Vorbeugende Kontrollen:
- Validierung bei der Eingabe (Format, Pflichtfeld, Auswahl aus Liste),
- Dublettenprüfung beim Anlegen neuer Datensätze,
- Berechtigung und Freigabeablauf (für Stammdatenänderungen),
- Automatischer Abgleich zwischen Systemen; Integration statt manueller Doppelerfassung; siehe digitale Workflows,
- Werkzeuge, die Eingabefehler verringern, wie das Lesen von Belegen und Rechnungen; siehe KI-Dokumentenverarbeitung.
7. Überwachen und dauerhaft halten
Datenqualitätskennzahlen regelmäßig messen, berichten und die Fehlerquelle finden, um den Prozess zu korrigieren; siehe Reporting mit Power BI. Periodische Datenbereinigung und Treffen mit den Verantwortlichen.
Sicherheit, Datenschutz und Data Governance
- Zugriff: Stammdatenänderungen auf berechtigte Rollen beschränken; Aktionsprotokolle führen; MFA.
- Personendaten: Keine unnötigen Daten erheben; Aufbewahrungsfrist und Löschprozess; siehe Datenschutz-Leitfaden.
- Backup: Vor Bereinigung und Massenänderungen sichern; siehe Backup-Strategie.
- Lieferantendaten: Daten in externen Systemen sollten denselben Standards unterliegen; siehe Cyberrisikomanagement bei Lieferanten und Dritten.
Branchenbeispiele
- Handel: Artikelnummer, Barcode, Variante, Preis- und Bestandskonsistenz; siehe Kassensoftware für Laden und Omnichannel im Handel.
- Restaurants: Rezept, Zutatennummern und Einheiten; siehe Kostenkontrolle im Restaurant.
- Hotels: Doppelte Profile in Gästedaten, Vorlieben und Historie; siehe Hotelsoftware und Zusatzverkauf im Hotel.
- Buchhaltung: Bereinigung von Kunden- und Artikelkarten; siehe Buchhaltungssoftware auswählen.
Häufige Fehler
- Datenprobleme für „Softwarefehler" halten,
- Einmalig bereinigen und nicht an der Quelle vorbeugen,
- Keine Datenverantwortlichen ernennen,
- Keine Standards (Nummern, Benennung) festlegen,
- Ohne Bereinigung in ein neues System umziehen,
- Beim Zusammenführen von Dubletten die Bewegungshistorie zerstören,
- Nicht messen,
- Unnötige Ansammlung von Personendaten.
Ein Startplan
- Die 1–2 kritischsten Stammdatenbereiche wählen (Kunde und Produkt).
- Den Ist-Zustand messen (Dubletten-, Lücken-, Inkonsistenzquote).
- Standards und Verantwortliche festlegen.
- Sichern und bereinigen.
- Eingabekontrollen und automatischen Abgleich ergänzen.
- Qualitätskennzahlen monatlich verfolgen.
ujans führt Datenbereinigung, Migration, Integration und Reporting gemeinsam durch und baut eine verlässliche Datenbasis für KI und Analytik auf.