Was ist Datenqualität? Definition, Dimensionen und Tipps

Jede Unternehmensentscheidung basiert auf Daten – und deren Verlässlichkeit hängt davon ab, ob die zugrunde liegenden Daten korrekt, vollständig und aktuell sind. Wenn die Datenqualität leidet, tun es auch die Modelle, Kampagnen und Prognosen, die darauf aufbauen.

Datenqualität bedeutet nicht einfach, mehr Daten zu besitzen. Es geht darum, ob die Daten verlässlich und für den vorgesehenen Zweck geeignet sind – sei es, um die Kundschaft besser zu verstehen, ein Modell zu trainieren, die Performance zu messen oder fundierte Unternehmensentscheidungen zu treffen.

In diesem Artikel erfahrt ihr:

• Was ist Datenqualität?
• Was sind die Kerndimensionen der Datenqualität?
• Warum ist Datenqualität für Unternehmensergebnisse entscheidend?
• Was sind die häufigsten Herausforderungen bei der Datenqualität?
• Wie lässt sich Datenqualität messen?
• Was umfasst das Datenqualitätsmanagement?
• Wie wählt ihr den richtigen Ansatz für euer Unternehmen?

Datenqualität beschreibt, wie gut ein Datensatz die Anforderungen seines vorgesehenen Verwendungszwecks erfüllt – in Bezug auf Genauigkeit, Vollständigkeit, Konsistenz, Aktualität und Gültigkeit. Ein Kundendatensatz ohne E-Mail-Adresse mag technisch in einer Datenbank vorhanden sein, ist für den Use Case einer E-Mail-Kampagne jedoch völlig wertlos.

Drei Rollen stoßen am häufigsten auf Datenqualitätsprobleme: Data Engineers entdecken Schema-Diskrepanzen bei der Pipeline-Ingestion. Marketingfachleute bemerken, dass Zielgruppengrößen in verschiedenen Tools nicht übereinstimmen. Analytikerinnen und Analytiker finden widersprüchliche Metrikdefinitionen in unterschiedlichen Dashboards.

Datenqualität wird operativ kritisch, sobald ein nachgelagertes System die Daten verarbeitet. Ein Vorhersagemodell oder eine Personalisierungs-Engine, das minderwertige Eingaben verarbeitet, liefert Ergebnisse, die falsch, aber scheinbar glaubwürdig sind – und das ist gefährlicher als gar kein Ergebnis.

Datenqualität ist zudem nicht dasselbe wie Datenmenge. Ein großer Datensatz voller Duplikate und veralteter Einträge kann in jeder Dimension schlechter abschneiden als ein kleinerer, sorgfältig gepflegter Datensatz. Volumen gleicht mangelnde Datenhygiene nicht aus.

Sechs Dimensionen definieren Datenqualität. Jede kann unabhängig von den anderen versagen und führt zu unterschiedlichen Folgeproblemen.

• Genauigkeit bedeutet, dass der Datenwert mit der realen Gegebenheit übereinstimmt, die er abbildet. Eine fehlerhafte Telefonnummer, die beim Checkout erfasst wurde, verhindert, dass der Kundenservice einen Rückruf abschließen kann – das kostet sowohl die Kundenbeziehung als auch die Transaktion.
• Vollständigkeit bedeutet, dass alle erforderlichen Felder befüllt sind. Ein Kundenprofil ohne Postleitzahl kann nicht für standortbezogene Angebote genutzt werden – das verkleinert das ansprechbare Segment.
• Konsistenz bedeutet, dass dieselbe Entität in jedem speichernden System denselben Wert aufweist. Weicht das Geburtsdatum der Kundschaft zwischen der Customer Relationship Management (CRM)-Plattform und der Loyalty-Plattform ab, ist keinem der Systeme bei altersbeschränkten Angeboten oder Compliance-Anforderungen zu vertrauen.
• Aktualität (Datenfrische) bedeutet, dass Daten den aktuellen Zustand der Entität widerspiegeln. Ein Lead-Status, der vor 90 Tagen zuletzt aktualisiert wurde, kann für jemanden, der letzte Woche einen Vertrag unterzeichnet hat, noch immer „Prospecting“ anzeigen.
• Validität bedeutet, dass Daten den vorgegebenen Formaten, Wertebereichen und Geschäftsregeln entsprechen. Werden Rückerstattungen separat erfasst, kann ein als negativer Transaktionsbetrag in der Verkaufstabelle gespeicherter Eintrag die ausgewiesenen Rücksendungen überhöhen.
• Eindeutigkeit bedeutet, dass jede reale Entität genau einmal repräsentiert wird. Doppelte Datensätze der Kundschaft überhöhen Zielgruppenzahlen, verfälschen Berechnungen des Customer Lifetime Value und verursachen redundante Kommunikationen.

Die meisten Datenfehler in der Praxis betreffen mehrere Dimensionen gleichzeitig. Eine veraltete Adresse (Aktualität) ist zugleich eine ungenaue Adresse – und häufig auch unvollständig, sobald die aktuelle Adresse nicht mehr bekannt ist. Wer eine Dimension behebt, stößt dabei häufig auf die nächste.

Schlechte Datenqualität verursacht direkte Kosten durch verschwendete Marketingausgaben. Kampagnen an ungültige E-Mail-Adressen, abgewanderte Kundschaft in aktiven Nurture-Sequenzen und Lookalike-Modelle, die mit Bot-kontaminierten Daten trainiert wurden, senken allesamt die Rendite auf Werbeausgaben.

Compliance-Risiken werden häufig unterschätzt. Einwilligungsnachweise, die unvollständig oder inkonsistent gespeichert sind, können Unternehmen regulatorischen Maßnahmen nach DSGVO und CCPA aussetzen – nicht wegen unrechtmäßiger Datenerhebung, sondern weil ihre mangelhafte Qualität es unmöglich macht, Lösch- oder Opt-out-Anfragen präzise umzusetzen.

Die Customer Experience leidet, wenn Personalisierung auf minderwertigen Daten basiert. Wird eine wiederkehrende Person mit dem falschen Namen angesprochen oder erhält sie eine Empfehlung für ein bereits gekauftes Produkt, signalisiert die Marke: Sie kennt ihre Kundschaft nicht. Verlorenes Vertrauen zurückzugewinnen ist kostspielig.

Das Vertrauen von Analytikerinnen und Analytikern ist ein oft unterschätzter Kostenfaktor. Laut dem „State of Data Science 2022“-Bericht von Anaconda schätzten Data Scientists, dass sie rund 40 % ihrer Zeit für die Aufbereitung und Bereinigung von Daten aufwenden. Diese Zeit fließt nicht in Analysen, Modelle oder Empfehlungen. Es handelt sich um Overhead, der durch Qualitätsprobleme vorgelagerter Systeme entsteht.

Die kontinuierliche Überwachung der Datenqualität – also das systematische Prüfen von Daten anhand definierter Qualitätsregeln – entscheidet darüber, ob Probleme vor dem Start einer Kampagne erkannt werden oder erst in der nachträglichen Analyse ans Licht kommen.

Probleme mit der Datenqualität können in jeder Phase des Datenlebenszyklus auftreten. Im Folgenden sind einige der häufigsten Herausforderungen für Unternehmen aufgeführt:

• Isolierte Datenquellen führen strukturbedingt zu Inkonsistenzen bei den Daten. Wenn dieselbe Person in einem Customer-Relationship-Management-System, auf einer E-Commerce-Plattform und in einem Marketing-Automatisierungstool unter drei verschiedenen E-Mail-Formaten geführt wird, lässt sich kein einzelner Datensatz ohne manuelle Bereinigung oder eine Schicht zur Identitätsbestimmung als korrekt bestätigen.
• Manuelle Dateneingabe führt zu Fehlern, die sich mit zunehmendem Datenvolumen potenzieren. Freitextfelder für Adressen erzeugen Formatvarianten, Tippfehler und fehlende Angaben, die Genauigkeit und Vollständigkeit gleichermaßen beeinträchtigen.
• Schema-Drift tritt auf, wenn vorgelagerte Systeme ihre Datenstruktur ändern, ohne nachgelagerte Systeme zu informieren. Ein Feld, das von „customer_id“ in „cust_id“ umbenannt wird, kann tagelang unbemerkt eine gesamte nachgelagerte Spalte leeren, bevor es jemandem auffällt.
• KI-Trainingsdaten sind ein wachsendes Problemfeld. Eine Produktempfehlungs-Engine, die auf einem Datensatz mit duplizierten Kaufdatensätzen trainiert wurde, gewichtet bestimmte SKUs zu stark – was zu Ergebnissen führt, die sich ohne Rückverfolgung zum Quelldatensatz kaum diagnostizieren lassen.
• Fehlende Datenverantwortung zählt zu den folgenreichsten Herausforderungen überhaupt. Wenn kein Team für die Qualität eines Datensatzes verantwortlich ist, häufen sich in verwaisten Tabellen veraltete Einträge an – ohne Workflow, der Aktualisierungen auslöst. Die Einführung einer Data-Stewardship-Funktion, selbst in informeller Form, ist oft die wirkungsvollste Maßnahme, bevor in Tools investiert wird.

Die Messung beginnt mit der Definition von Qualitätsregeln je Dimension, die dann zur Berechnung eines Scores angewendet werden. Für die Vollständigkeit könnte eine Regel lauten: „Das E-Mail-Feld muss bei 100 % der Einträge in der Leads-Tabelle ausgefüllt sein." Die Anwendung dieser Regel liefert einen Vollständigkeits-Score, der sich über die Zeit verfolgen lässt.

Datenqualitätsanalysen bündeln Qualitätswerte über Datensätze, Pipelines und Zeiträume hinweg und geben Daten-Teams einen systemweiten Überblick darüber, wo die Qualität steigt oder sinkt. Dafür ist eine kontinuierliche Datenqualitätsüberwachung erforderlich, die eng mit den Systemen verknüpft ist, die Daten erzeugen und nutzen.

Im Enterprise-Reporting kommen häufig sechs Metriken zum Einsatz:

Die Schwellenwerte variieren je nach Use Case. Ein Finanzhauptbuch erfordert eine Genauigkeit von nahezu 100 %, während ein Verhaltens-Eventstream einen kleinen Anteil fehlerhafter Ereignisse tolerieren kann.

Qualitätsberichte sollten mit den Geschäftsprozessen verknüpft sein, die auf den jeweiligen Datensätzen basieren. Ein Vollständigkeits-Dashboard für Kundenprofile sollte nicht nur vom Data-Engineering-Team, sondern auch vom Kampagnen-Team geprüft werden. Gemeinsame Transparenz schafft gemeinsame Verantwortung.

Datenqualitätsmanagement ist ein fortlaufender Prozess, der das Profilieren, Bereinigen, Standardisieren und Verwalten von Daten über den gesamten Lebenszyklus hinweg umfasst. Dazu gehören eine kontinuierliche Überwachung, klar definierte Verantwortlichkeiten und ein Workflow zur Behebung von Fehlern, sobald diese auftreten.

• Data Profiling analysiert Struktur, Inhalt und Beziehungen eines Datensatzes, um eine Ausgangsbasis zu schaffen. Es liefert Feldbefüllungsraten, Werteverteilungen und Lücken bei der referenziellen Integrität – und beantwortet zunächst die Frage „Was haben wir eigentlich?", bevor es um „Was müssen wir korrigieren?" geht.
• Data Cleansing entfernt oder korrigiert Datensätze, die Qualitätsregeln nicht erfüllen. Standardisierung sorgt für einheitliche Formate – etwa Telefonnummern im E.164-Format und Adressen, die anhand einer Postbehörde validiert wurden –, damit Datensätze aus unterschiedlichen Quellen zusammengeführt werden können, ohne neue Konsistenzprobleme zu verursachen.
• Data Stewardship legt auf Datensatzebene klare Verantwortlichkeiten fest. Data-Stewards definieren Qualitätsregeln, priorisieren Fehler und koordinieren sich mit vorgelagerten Datenlieferanten, wenn eine Änderung im Quellsystem die Datenqualität in nachgelagerten Prozessen beeinträchtigt.

Best Practices für Datenqualität auf Unternehmensebene umfassen: Qualitäts-SLAs für jeden kritischen Datensatz festlegen, Qualitätsprüfungen direkt bei der Datenaufnahme automatisieren statt im Nachhinein, jeden Fehler mit ausreichend Kontext protokollieren, um ihn bis zu seinem Ursprung zurückverfolgen zu können, sowie Qualitätskennzahlen im gleichen Turnus wie operative KPIs überprüfen.

Ein Datenreifemodell hilft Unternehmen, ihren aktuellen Stand zu bewerten. Auf der untersten Ebene werden Qualitätsprobleme erst reaktiv nach geschäftlichen Auswirkungen behoben. Auf der höchsten Ebene erkennen und beheben automatisierte Pipelines Probleme, bevor sie nachgelagerte Systeme erreichen.

Wenn euer Unternehmen weniger als drei Datenquellen hat und Qualitätsprobleme manuell erkennt, empfiehlt sich zunächst Data-Profiling und manuelle Datenpflege. Eine Tabelle, in der Qualitätsregeln und Datensatzverantwortliche erfasst werden, ist in diesem Stadium wertvoller als eine Unternehmensplattform, die niemand konfiguriert.

Wenn ihr fünf oder mehr Datenquellen mit unterschiedlichen Schemata und Aktualisierungsfrequenzen verwaltet, ist die automatisierte Überwachung der Datenqualität bei der Pipeline-Aufnahme die unverzichtbare Mindestinvestition. Manuelle Prüfungen lassen sich nicht skalieren.

Wenn Personalisierung oder Echtzeitentscheidungen Priorität haben, bestimmen Datengenauigkeit und -vollständigkeit in Kundenprofilen direkt, was diese Systeme leisten können. Adobe Experience Platform adressiert Aspekte der Datenqualität auf Infrastrukturebene: Die Plattform setzt konfigurierbares Schema-Enforcement über das Experience-Datenmodell (XDM) ein und führt die Identitätsbestimmung für aufgenommene Daten durch. Dennoch benötigen Unternehmen möglicherweise zusätzliche Validierungs- und Überwachungsansätze, um Datenkonsistenz vollständig sicherzustellen.

Wenn Compliance das Vorhaben antreibt, sind Vollständigkeit und Konsistenz von Einwilligungs- und Identitätsdaten die wichtigsten Qualitätsdimensionen. Bewertet jede Datenqualitätsplattform und zugehörige Tools danach, ob sie Regeln speziell für Einwilligungsattribute durchsetzen können.

Geht vor der Auswahl einer Lösung diese Checkliste durch:

1. Wurden für jeden kritischen Datensatz Qualitätsregeln definiert?
2. Ist die Datenqualitätsüberwachung automatisiert oder manuell?
3. Gibt es für jeden Datensatz eine verantwortliche Person?
4. Werden Qualitätskennzahlen im gleichen Turnus wie geschäftliche KPIs überprüft?
5. Setzt die Lösung Qualitätsstandards bei der Datenaufnahme durch oder erst, nachdem die Daten weitergegeben wurden?

Unternehmen, die alle fünf Fragen mit Ja beantworten, sind für eine Enterprise-Lösung bereit. Unternehmen mit mehr als zwei „Nein“-Antworten sollten zunächst Governance und Zuständigkeiten klären.

Erfahrt, wie Schema-Durchsetzung, Identitätsbestimmung und integrierte Data Governance helfen können, die Datenqualität eurer Kundendaten zu sichern – erkundet Adobe Experience Platform unter Adobe Experience Platform.