Datenqualität: Definition, Nutzen und Grenzen
Datenqualität Aktualisiert
Definition
Datenqualität beschreibt, wie gut Daten für ihren Zweck taugen: ob sie vollständig, korrekt, aktuell, einheitlich und widerspruchsfrei sind. In der Automatisierung ist sie die Grundlage, auf der ein Ablauf arbeitet. Sind die Daten schlecht, produziert selbst ein sauberer Ablauf falsche Ergebnisse. Datenqualität ist damit die stille Voraussetzung für jede zuverlässige Prozessautomatisierung.
Warum der Begriff zählt
Automatisierung verstärkt, was in den Daten steht, im Guten wie im Schlechten. Ein Dublettenproblem oder ein falsches Feld wird durch die Automatisierung nicht kleiner, sondern schneller und öfter reproduziert. Im Mittelstand scheitern Projekte oft nicht am Ablauf, sondern an der Datengrundlage. Wer den Begriff ernst nimmt, misst die Qualität vor dem Rollout und baut Prüfungen in den Ablauf, statt sich auf Annahmen zu verlassen.
Wann es relevant ist
- Ein Ablauf trifft Entscheidungen auf Basis vorhandener Daten.
- Stammdaten liegen in mehreren Systemen und driften auseinander.
- Fehler in den Daten hätten teure oder rechtliche Folgen.
- Vor einem Rollout ist unklar, wie gut die Datengrundlage ist.
Wann nicht
Wenn ein Ablauf keine Daten weiterverarbeitet, sondern nur eine feste Aktion auslöst, spielt Datenqualität kaum eine Rolle. Und wo die Daten aus einer einzigen, kontrollierten Quelle stammen und bereits gepflegt sind, braucht es keinen eigenen Qualitätsschritt. Dann bleibt der Aufwand klein.
Branchen, die das nutzen
- Handel und Großhandel: Artikel- und Preisstammdaten über Systeme hinweg konsistent halten, bevor sie automatisiert genutzt werden.
- Vertrieb: Dubletten und veraltete Kontakte im CRM bereinigen, damit die Automatisierung nicht auf falsche Datensätze wirkt.
- Finanzen: Buchungsdaten auf Vollständigkeit und Konsistenz prüfen, bevor ein Ablauf sie verarbeitet.
- Fertigung: Stücklisten und Lieferantendaten vereinheitlichen, damit ERP-nahe Abläufe stabil laufen.
Typische Anwendungsfälle
- Datenqualität vor einem Rollout messen und als Baseline festhalten.
- Dubletten erkennen und zusammenführen, bevor ein Ablauf auf ihnen arbeitet.
- Pflichtfelder und Formate beim Eingang automatisch prüfen.
- Stammdaten zwischen Systemen abgleichen und Abweichungen melden.
- Fehlerhafte Datensätze aus dem Automatisierungspfad in eine Prüfliste leiten.
Entscheidungshilfe
| Signal | Datenqualität aktiv angehen | Alternative |
|---|---|---|
| Ablauf entscheidet auf Datenbasis | Qualität messen und prüfen | einzelne, gepflegte Quelle |
| Stammdaten in mehreren Systemen | Abgleich plus Dublettenprüfung | eine führende Quelle festlegen |
| Fehler hätten teure Folgen | Prüfschritt im Ablauf | reine Aktion ohne Datennutzung |
| Qualität vor Rollout unklar | erst Baseline erheben | kein Rollout auf Verdacht |
Beispiel
Ein Großhändler will Bestellungen automatisiert verarbeiten, hat aber Artikelstammdaten in zwei Systemen mit Abweichungen. Vor dem Rollout wird die Datenqualität als Baseline gemessen, Dubletten werden zusammengeführt und eine führende Quelle festgelegt. Im laufenden Ablauf prüft ein Schritt Pflichtfelder und meldet Abweichungen. So arbeitet die Automatisierung auf verlässlicher Grundlage. Das Beispiel beschreibt die Methode, keine behauptete Kundenkennzahl.
Verbindung zu Services
Die Datengrundlage prüfen und verbessern wir am Anfang jeder Umsetzung, sei es Prozessautomatisierung für den Mittelstand oder eine RPA-Umsetzung. Die Einordnung liefert die Prozessautomatisierung-Beratung.
Quellen
Diese Einordnung beschreibt gängige Praxis beim Umgang mit Datenqualität in Automatisierungsprojekten. Konkrete Prüfungen, Kennzahlen und Datenschutz hängen vom Fall, den Systemen und den Werkzeugen ab und müssen im Einzelfall geprüft werden.