ujans
Blog
ERP und Unternehmenssoftware

Datenqualität und Stammdatenmanagement: Leitfaden zu Bereinigung und Standards für Unternehmen

KI, Reporting und Integration funktionieren nur mit verlässlichen Daten. Müll rein, Müll raus; Datenqualität ist oft das übersehene Fundament der digitalen Transformation.

ujans Team··4 Min. Lesezeit

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

  1. Richtigkeit: Spiegelt der Datensatz die Realität?
  2. Vollständigkeit: Sind Pflichtfelder gefüllt?
  3. Konsistenz: Ist dieselbe Information in verschiedenen Systemen und Datensätzen gleich? Sind Schreibweisen einheitlich?
  4. Eindeutigkeit: Gibt es doppelte Datensätze?
  5. Aktualität: Sind die Daten aktuell oder veraltet?
  6. Gültigkeit: Entsprechen sie Format und Regeln (Telefon, E-Mail, Steuernummer, Datum)?

Die Kosten schlechter Datenqualität

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

Branchenbeispiele

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

  1. Die 1–2 kritischsten Stammdatenbereiche wählen (Kunde und Produkt).
  2. Den Ist-Zustand messen (Dubletten-, Lücken-, Inkonsistenzquote).
  3. Standards und Verantwortliche festlegen.
  4. Sichern und bereinigen.
  5. Eingabekontrollen und automatischen Abgleich ergänzen.
  6. Qualitätskennzahlen monatlich verfolgen.

ujans führt Datenbereinigung, Migration, Integration und Reporting gemeinsam durch und baut eine verlässliche Datenbasis für KI und Analytik auf.

Sie suchen Unterstützung zu diesem Thema?

Beschreiben Sie Ihr Anliegen – unser Team meldet sich innerhalb eines Werktags.

Angebot anfordern