Datenqualität bezeichnet das Ausmaß, in dem Daten für den beabsichtigten Verwendungszweck geeignet sind – gemessen anhand von Kriterien wie Vollständigkeit, Genauigkeit, Konsistenz, Aktualität, Einzigartigkeit und Gültigkeit. Hohe Datenqualität bedeutet nicht, dass Daten perfekt sind, sondern dass sie so gut sind, dass die Prozesse, die auf ihnen basieren, zuverlässig und korrekt ablaufen können.
Datenqualität ist die größte stille Bedrohung für Automatisierungsprojekte: Ein Workflow kann technisch einwandfrei implementiert sein – und trotzdem falsche Ergebnisse liefern, weil die Eingangsdaten fehlerhaft, unvollständig oder widersprüchlich sind. Datenqualitätsprobleme zeigen sich in der Automation kompromissloser als in manuellen Prozessen, weil kein Sachbearbeiter mehr ausgleichend eingreift.
Die sechs Dimensionen der Datenqualität
Vollständigkeit
Sind alle notwendigen Felder vorhanden? Fehlende Pflichtfelder sind der häufigste Stopper für automatisierte Prozesse.
Genauigkeit
Entsprechen die Datenwerte der Realität? Falsche Adressen, fehlerhafte Preise, veraltete Ansprechpartner.
Konsistenz
Stimmen dieselben Daten über verschiedene Systeme überein? Unterschiedliche Kundenadressen in ERP und CRM.
Aktualität
Sind die Daten noch gültig? Veraltete Lieferantenkontakte, abgelaufene Preisvereinbarungen.
Einzigartigkeit
Existiert jede Entität genau einmal? Doppelte Kundendatensätze führen zu doppelten Rechnungen oder fehlenden Zusammenfassungen.
Gültigkeit
Entsprechen die Daten definierten Formaten und Regeln? IBAN-Format, PLZ-Länge, Pflichtfeld-Typen.
Datenqualität in Automatisierungsworkflows sichern
- Validierung am Eingang: Jeder Workflow prüft eingehende Daten auf alle relevanten Qualitätsdimensionen, bevor er mit der Verarbeitung beginnt – Fehler werden früh abgefangen, nicht spät
- Qualitätsprüfungs-Workflows: Regelmäßige automatische Scans der Datenbasis auf typische Qualitätsprobleme – Duplikate, fehlende Felder, ungültige Formate
- Datenqualitäts-KPIs: Vollständigkeitsquote, Fehlerrate und Duplikatrate werden als eigene KPIs gemessen und im Dashboard sichtbar gemacht
- Schulungen und Prozessanpassungen: Wenn Qualitätsprobleme systematisch aus der manuellen Dateneingabe entstammen, wird der Eingabeprozess angepasst – nicht nur das Symptom behandelt
Praxisbeispiel
Ein automatisierter Lieferanten-Onboarding-Prozess scheitert in 31 Prozent aller Fälle. Analyse: 14 Prozent wegen fehlender IBAN (Vollständigkeit), 9 Prozent wegen ungültigem IBAN-Format (Gültigkeit), 8 Prozent wegen doppelter Lieferantennummer (Einzigartigkeit). Maßnahmen: Eingabeformular mit Echtzeit-IBAN-Validierung erweitert. Duplikatprüfung als erster Schritt im Onboarding-Workflow integriert. Wöchentlicher automatischer Datenqualitätsbericht für den Einkauf eingeführt. Ergebnis nach 8 Wochen: Fehlerrate sinkt von 31 auf 4 Prozent. Die 4 Prozent sind echte Ausnahmen (Lieferanten ohne SEPA-Konto), die manuell behandelt werden müssen.
