Datenkonsistenz bezeichnet den Zustand, in dem Daten über alle Systeme, Datenbanken und Prozesse hinweg widerspruchsfrei und in Übereinstimmung miteinander vorliegen – dieselbe Information hat denselben Wert, unabhängig davon, in welchem System man sie abruft. Datenkonsistenz ist eine der schwierigsten Herausforderungen in verteilten Systemlandschaften: Je mehr Systeme dieselben oder zusammenhängende Daten speichern, desto größer ist das Risiko, dass Abweichungen entstehen.
Inkonsistente Daten sind für automatisierte Prozesse besonders gefährlich: Ein Workflow, der Kundendaten aus dem CRM liest und gleichzeitig dieselbe Information aus dem ERP prüft, kann zu unterschiedlichen Ergebnissen kommen – und entweder fehlerhaft verarbeiten oder in eine Exception-Schleife geraten. Datenkonsistenz ist daher nicht nur ein technisches Qualitätsmerkmal, sondern eine direkte Betriebsvoraussetzung für stabile Automatisierung.
Typische Konsistenzkonflikte in der Praxis
Kritisch Gleiche Entität, verschiedene Werte: Kunde Müller GmbH hat im CRM Adresse „Hauptstr. 1″ und im ERP „Hauptstraße 1a“ – welcher ist korrekt? Automatisierter Rechnungsversand geht an falsche Adresse.
Kritisch Zeitliche Inkonsistenz: Preisänderung wurde im ERP eingetragen, aber noch nicht in den Webshop synchronisiert – Kunde kauft zum alten Preis, Rechnung wird zum neuen ausgestellt.
Mittel Referenzielle Inkonsistenz: Bestellung referenziert eine Artikel-ID, die im ERP nicht mehr existiert – Workflow kann Artikel-Details nicht laden und scheitert.
Mittel Formatinkonsistenz: Datum im Format DD.MM.YYYY in System A, YYYY-MM-DD in System B – Automatisierung kann Werte nicht direkt vergleichen oder berechnen.
Handhabbar Eventuelle Konsistenz: System B hat neueste Daten noch nicht erhalten – in der Regel kurzfristig und durch Retry-Logik oder Queue-basierte Synchronisation beherrschbar.
Datenkonsistenz in Automatisierungsarchitekturen sichern
- Single Source of Truth definieren: Für jeden Datensatztyp gibt es genau ein führendes System – alle anderen synchronisieren unidirektional aus dieser Quelle
- Synchronisationsstrategie: Wie oft und unter welchen Bedingungen werden Daten zwischen Systemen synchronisiert? Echtzeit, täglich oder bei Änderungen?
- Transaktionale Verarbeitung: Operationen, die mehrere Datensätze ändern, werden atomar ausgeführt – entweder alle Änderungen oder keine
- Konsistenzprüfungen: Regelmäßige automatische Abgleiche zwischen Systemen identifizieren Abweichungen, bevor sie zu Problemen in Workflows führen
Praxisbeispiel
Ein Handelsunternehmen hat Produktdaten in drei Systemen: ERP (führendes System), Webshop (Shopify) und Marktplatz-Anbindung (Amazon). Datenkonsistenzproblem: Preisänderungen werden manuell in jedem System gepflegt – mit typisch 2–4 Stunden Verzögerung zwischen ERP und Webshop. In dieser Zeit entstehen Fehlbestellungen zum alten Preis. Lösung: Automatisierter Synchronisations-Workflow. Jede Preisänderung im ERP triggert sofort (Webhook) einen Workflow, der den neuen Preis in Shopify und Amazon synchronisiert. Durchschnittliche Synchronisationszeit: 45 Sekunden. Preiskonsistenz-Quote: von 91 auf 99,8 Prozent gestiegen. Fehlbestellungen durch Preisabweichungen: von 12 auf 0 pro Monat reduziert.
