Irgendwann kommt der Moment, in dem jemand fragt: “Wie gut sind unsere Daten eigentlich?” Meistens ist es der Geschäftsführer, kurz bevor ein neues CRM eingeführt wird, oder der Wirtschaftsprüfer, kurz bevor er die Stammdaten sehen will. Und dann steht man da. Man ahnt, dass in der Kundentabelle Dubletten schlummern, dass die Hälfte der Lieferantenadressen unvollständig ist und dass irgendwo eine Spalte “Telefon” steht, in der auch mal “kein Kontakt” oder “0000000” auftaucht. Aber eine Zahl? Eine belastbare Kennzahl, die man in ein Meeting mitnehmen kann? Fehlanzeige.
Datenqualität zu fühlen ist einfach. Sie zu messen ist die eigentliche Arbeit. Und ohne Messung gibt es keine Verbesserung, kein Budget und keinen Nachweis gegenüber Prüfern. Dieser Artikel zeigt, welche Kennzahlen im Mittelstand tatsächlich etwas aussagen und welche nur schön aussehen.
📷 BILD-PLATZHALTER: Ein Dashboard mit einem großen Gesamt-Qualitätsscore in der Mitte und sechs kleineren Balken für einzelne Qualitätsdimensionen, teils grün, teils rot eingefärbt.
Warum “Bauchgefühl” bei Daten kein Messwert ist
Die meisten Mittelständler managen Datenqualität reaktiv. Ein Serienbrief geht an “Sehr geehrte/r Frau/Herr”, weil das Anredefeld leer war. Eine Rechnung landet bei der falschen Firma, weil zwei Kundendatensätze verschmolzen sind. Erst wenn es weh tut, wird gehandelt. Das Problem: Solche Vorfälle sind Symptome, keine Kennzahlen. Sie sagen nichts darüber aus, wie viele solcher Fehler noch unentdeckt in den Systemen liegen.
Hinzu kommt ein rechtlicher Aspekt, den viele unterschätzen. Datenqualität ist im Kern eine DSGVO-Pflicht. Art. 5 Abs. 1 lit. d DSGVO verlangt, dass personenbezogene Daten “sachlich richtig und erforderlichenfalls auf dem neuesten Stand” sind. Wer eine veraltete oder falsche Kundenadresse jahrelang mitschleppt, verstößt gegen dieses Grundsatzprinzip. Und Art. 5 Abs. 1 lit. e DSGVO – die Speicherbegrenzung – verlangt, dass Daten nicht länger als nötig aufbewahrt werden. Datenqualität und Compliance sind keine getrennten Baustellen. Sie sind dieselbe.
Die sechs Dimensionen, die eine ehrliche Messung braucht
Datenqualität ist kein einzelner Wert. Wer sie auf eine Prozentzahl reduziert, verschleiert mehr, als er zeigt. Die international etablierte Sicht (unter anderem vom DAMA-Verband geprägt) zerlegt Qualität in mehrere Dimensionen. Für den Mittelstand sind sechs davon praxisrelevant.
1. Vollständigkeit (Completeness). Der Klassiker. Wie viel Prozent der Pflichtfelder sind tatsächlich gefüllt? Eine Kundentabelle mit 10.000 Zeilen, bei der 1.800 keine E-Mail-Adresse haben, hat in dieser Spalte eine Vollständigkeit von 82 Prozent. Der Trick liegt im Detail: Ein Feld gilt oft als “gefüllt”, enthält aber Platzhalter wie “n/a”, “keine Angabe” oder “tbd”. Das ist keine Vollständigkeit, das ist ein verstecktes Loch. Eine gute Messung erkennt diese Tarnkappen-Nullwerte.
2. Format & Gültigkeit (Validity). Steht in der Spalte “Postleitzahl” wirklich eine PLZ? Ist die IBAN prüfsummenkorrekt? Eine deutsche IBAN hat eine Prüfziffer nach ISO 7064 (Modulo 97) – ist die durch einen Zahlendreher zerstört, ist die IBAN formal gültig aussehend, aber faktisch falsch. Solche Fehler findet keine Sichtprüfung, nur eine Berechnung.
3. Eindeutigkeit (Uniqueness). Wie viele Datensätze existieren doppelt? Hier lauert die teuerste Falle des Mittelstands: die “Müller GmbH” und die “Mueller G.m.b.H.” als zwei getrennte Kunden. Exakte Dublettensuche findet das nicht – nötig ist eine unschärfere Betrachtung, die Groß-/Kleinschreibung, Leerzeichen und Schreibvarianten normalisiert.
📷 BILD-PLATZHALTER: Zwei nebeneinanderliegende Tabellenzeilen desselben Kunden mit minimal abweichender Schreibweise, verbunden durch eine markierte Linie mit dem Label “mögliche Dublette”.
4. Plausibilität (Anomalien). Ein Alter von 250 Jahren. Ein Umsatz von minus 4 Millionen. Ein Bestelldatum im Jahr 9999. Das sind keine Tippfehler im engeren Sinne, sondern Werte, die physikalisch oder logisch unmöglich sind. Statistische Verfahren fangen sie ab, indem sie Ausreißer relativ zur Verteilung der Spalte bewerten.
5. Konsistenz (Consistency). Widersprüche zwischen Spalten. Die Postleitzahl gehört zu München, im Ortsfeld steht Hamburg. Das Geburtsdatum sagt 1990, die Altersspalte sagt 25. Einzeln betrachtet ist jeder Wert plausibel – erst im Zusammenspiel entsteht der Fehler.
6. Datenschutz (PII-Streuung). Wie viele personenbezogene Daten liegen an Stellen, an denen sie nicht sein sollten? Eine Telefonnummer im Freitextfeld “Bemerkung”, eine E-Mail-Adresse im Notizfeld. Diese Streuung ist ein Datenqualitäts- und ein Compliance-Problem zugleich, weil solche versteckten Personendaten in keinem Verzeichnis von Verarbeitungstätigkeiten auftauchen.
Erst wenn alle sechs Dimensionen einzeln sichtbar sind, wird aus einer nichtssagenden Prozentzahl eine Handlungsanweisung. Ein Gesamtscore von 78 Prozent klingt okay – bis man sieht, dass die Vollständigkeit bei 95 liegt, die Konsistenz aber bei 51. Dann weiß man, wo man morgen früh anfängt.
Vom Score zur Kennzahl: Wie man verdichtet, ohne zu lügen
Sechs Dimensionen sind ehrlich, aber unhandlich fürs Management. Deshalb braucht es zusätzlich einen verdichteten Gesamtwert – einen Qualitätsscore von 0 bis 100. Wichtig ist nur: Der Score muss reproduzierbar und nachvollziehbar sein. Ein Wert, den niemand herleiten kann, ist Kaffeesatz.
Eine belastbare Logik gewichtet die Zahl der gefundenen Probleme gegen die Zahl der geprüften Spalten und dämpft den Effekt logarithmisch, damit eine einzelne fehlerhafte Spalte nicht sofort den ganzen Datenbestand rot färbt. Der konkrete Rechenweg ist zweitrangig – entscheidend ist, dass derselbe Datenbestand bei gleicher Fehlerlage immer denselben Score ergibt. Nur dann lässt sich über die Zeit ein Trend ablesen: Wird es besser oder schlechter?
Und genau dieser Trend ist die wertvollste Kennzahl überhaupt. Ein Score von 62 sagt für sich genommen wenig. Ein Score, der in acht Wochen von 44 auf 62 gestiegen ist, sagt: Die Aufräumaktion wirkt. Das ist die Zahl, die ein Budget rechtfertigt.
Für das Reporting an die Geschäftsführung reichen am Ende drei Werte: der aktuelle Gesamtscore, die schlechteste der sechs Dimensionen (das ist Ihre nächste Baustelle) und die Veränderung gegenüber der Vormessung. Alles darüber hinaus gehört in die operative Detailansicht, nicht in die Managementfolie. Wer versucht, dem Vorstand alle sechs Dimensionen mal fünfzig Spalten zu zeigen, hat schon verloren – eine Kennzahl, die niemand versteht, führt zu keiner Entscheidung.
📷 BILD-PLATZHALTER: Eine schlichte Liniengrafik, die den Datenqualitätsscore über mehrere Wochen zeigt, mit einer ansteigenden Kurve von etwa 45 auf 62 Punkte.
Der Praxisfehler: einmal messen und dann weglegen
Die meisten Datenqualitätsprojekte scheitern nicht an der ersten Messung. Sie scheitern daran, dass es bei der ersten Messung bleibt. Ein Berater kommt, erstellt ein 40-seitiges PDF, alle sind kurz erschrocken – und ein Jahr später ist der Zustand wieder derselbe, weil täglich neue Daten hereinfließen. Datenqualität ist kein Projekt, sondern ein Betriebszustand.
Sinnvoll ist deshalb eine wiederkehrende, automatisierte Messung. Wer seine Datenbestände wöchentlich neu bewertet, sieht Verschlechterungen (etwa nach einer Datenmigration oder einem Schnittstellenfehler), bevor sie im Tagesgeschäft ankommen. Genau hier setzt datamastr an: Die Plattform analysiert echte Datenquellen, zerlegt die Qualität in die genannten Dimensionen, vergibt einen nachvollziehbaren Score und hält den Verlauf über die Zeit fest – ohne dass jemand manuell Stichproben ziehen muss.
Der Nebeneffekt ist compliance-relevant. Weil das System personenbezogene Spalten automatisch erkennt und klassifiziert, entsteht die Grundlage für das Verzeichnis der Verarbeitungstätigkeiten nach Art. 30 DSGVO quasi als Abfallprodukt der Qualitätsmessung. Zwei Fliegen, ein Scan.
Womit man morgen anfängt
Man braucht keine sechsstellige Data-Governance-Initiative, um Datenqualität zu messen. Man braucht drei Dinge: eine Handvoll relevanter Datenbestände, klar definierte Dimensionen und die Disziplin, regelmäßig zu messen statt nur zu ahnen. Fangen Sie mit dem Datenbestand an, der am meisten weh tut – meistens sind das die Kundenstammdaten.
Wer den Einstieg kostenlos ausprobieren will: Der FREE-Einstieg von datamastr ist kostenlos (1 Nutzer, 3 Datenbestände) und zeigt am eigenen oder am mitgelieferten Beispiel-Datensatz in wenigen Minuten, wie eine ehrliche Qualitätsmessung aussieht. Der TEAM-Tarif liegt bei 399 Euro/Monat bei jährlicher Abrechnung, wenn mehr Datenbestände dazukommen.
Und wenn die eigentliche Frage hinter der Datenqualität ohnehin die DSGVO ist – Richtigkeit, Löschfristen, versteckte Personendaten – dann klären Sie zuerst, wo Sie stehen: Der kostenlose DSGVO-Schnellcheck unter https://app.datamastr.com/dsgvo-check/ liefert in 12 Fragen und 3 Minuten ein Sofort-Ergebnis. Danach wissen Sie zumindest, welche Zahl Sie ins nächste Meeting mitnehmen.