Datenpflege
Datenpflege bezeichnet alle laufenden Tätigkeiten, mit denen die Daten in einem ERP-System korrekt, vollständig, eindeutig und aktuell gehalten werden – vom Anlegen und Ändern über das Dublettenbereinigen bis zum Stilllegen veralteter Datensätze. Sie ist die Voraussetzung für verlässliche Prozesse und Auswertungen.
Datenpflege ist die fortlaufende Tätigkeit, mit der ein Unternehmen die Daten in seinen Systemen – vor allem im ERP – korrekt, vollständig, eindeutig und aktuell hält. Dazu gehört das saubere Anlegen neuer Datensätze ebenso wie das Ändern bei Änderungen der Realität, das Zusammenführen von Dubletten, das Ergänzen fehlender Felder und das Stilllegen von Datensätzen, die nicht mehr gebraucht werden. Ziel ist eine belastbare Datenbasis, auf die sich alle Prozesse und Auswertungen verlassen können.
Anders als eine einmalige Datenmigration oder ein punktuelles Bereinigungsprojekt ist Datenpflege eine Daueraufgabe: Preise ändern sich, Kunden ziehen um, Lieferanten fallen weg, neue Artikel kommen hinzu. Ohne kontinuierliche Pflege veraltet der Datenbestand schleichend, es entstehen Dubletten und Lücken, und die Datenqualität sinkt. Weil im ERP-System nahezu jeder Vorgang auf denselben Stammdaten aufsetzt, wirkt gute wie schlechte Pflege unmittelbar auf Belege, Bestände und Reports.
Auf einen Blick
- Laufende Aufgabe: Anlegen, Ändern, Ergänzen, Entdoppeln und Stilllegen von Datensätzen
- Betrifft vor allem Stammdaten (Artikel, Kunden, Lieferanten), aber auch Bewegungsdaten
- Ziel ist Datenqualität: korrekt, vollständig, eindeutig, konsistent und aktuell
- Braucht Regeln: Verantwortliche, Namenskonventionen, Pflichtfelder, Freigaben
- Schlechte Pflege pflanzt sich durch alle Prozesse fort – Fehllieferungen, falsche Rechnungen, unbrauchbare Reports
Was umfasst Datenpflege?
Datenpflege bündelt alle Aktivitäten rund um den Lebenszyklus eines Datensatzes. Am Anfang steht die Ersterfassung: Ein neuer Artikel, Kunde oder Lieferant wird nach festen Regeln angelegt, mit eindeutigem Schlüssel, korrekten Pflichtfeldern und einheitlicher Bezeichnung. Danach folgt die laufende Aktualisierung – Preisänderungen, neue Adressen, geänderte Steuersätze oder Bankverbindungen werden zeitnah nachgezogen, damit die Daten die Realität abbilden.
Ein wesentlicher Teil ist die Bereinigung des Bestands: Dubletten werden erkannt und zusammengeführt, widersprüchliche Angaben vereinheitlicht, fehlende Felder ergänzt und offensichtliche Fehler korrigiert. Nicht mehr benötigte Datensätze werden gesperrt oder stillgelegt statt gelöscht, damit historische Belege reproduzierbar bleiben. Über all dem steht die Überwachung: regelmäßige Prüfungen, Plausibilitätsregeln und Kennzahlen zeigen, wo Pflege nötig ist.
Stammdaten- vs. Bewegungsdatenpflege
Der Schwerpunkt der Datenpflege liegt auf den Stammdaten – Artikel-, Kunden- und Lieferantenstamm –, weil diese langlebigen Referenzobjekte von vielen Vorgängen genutzt werden und Fehler dort besonders weit wirken. Bewegungsdaten wie Aufträge oder Rechnungen entstehen zwar laufend neu, werden aber seltener nachträglich gepflegt; hier geht es eher um korrekte Ersterfassung und um das Schließen offener Vorgänge, etwa das Ausbuchen erledigter Posten.
Wie Datenpflege im ERP-System funktioniert
Im ERP-System ist die Datenpflege eng mit dem Prinzip der einen Quelle der Wahrheit verknüpft: Jeder Datensatz existiert idealerweise genau einmal und wird von allen Modulen referenziert. Wird ein Kundenname oder ein Preis an dieser einen Stelle korrekt gepflegt, wirkt die Änderung automatisch in allen künftigen Belegen. Genau deshalb muss Pflege organisiert sein – wer darf was anlegen und ändern, welche Felder sind pflicht, und welche Prüfungen laufen vor der Freigabe.
Technisch stützt sich Datenpflege auf Werkzeuge des Systems: Pflichtfeldprüfungen und Plausibilitätsregeln verhindern fehlerhafte Anlagen, Matchcodes und Dublettenprüfungen erkennen doppelte Datensätze bereits bei der Eingabe, und ein Audit-Trail protokolliert Änderungen nachvollziehbar. Über Berechtigungen wird gesteuert, wer Stammdaten bearbeiten darf, sodass zentrale Felder nicht unkontrolliert verändert werden.
In größeren oder kanalübergreifenden Umgebungen wird Datenpflege durch angrenzende Systeme flankiert. Ein PIM pflegt marketingnahe Produktdaten, ein Master-Data-Management (MDM) sorgt systemübergreifend für einen konsolidierten Golden Record, und über Schnittstellen werden gepflegte Daten an Shops und Marktplätze verteilt. Die Pflege im ERP bleibt dabei die kaufmännisch-logistische Basis, auf die diese Systeme aufsetzen.
Manuelle und automatisierte Pflege
Nicht jede Pflege ist Handarbeit. Wiederkehrende Aufgaben lassen sich automatisieren: Massenänderungen für Preisrunden, regelmäßige Dublettenläufe, automatische Übernahme aus Lieferantenkatalogen oder Validierungen von Adressen und Bankdaten. Die manuelle Pflege konzentriert sich dann auf Entscheidungen, die menschliches Urteil brauchen – etwa das Zusammenführen zweier Kundendatensätze oder die Klärung widersprüchlicher Angaben.
Warum Datenpflege wichtig ist
Der Nutzen konsequenter Datenpflege zeigt sich in fast jedem Prozess. Weil Preise, Steuersätze, Adressen und Konditionen zentral korrekt hinterlegt sind, entstehen Belege automatisiert und fehlerfrei, Lieferungen gehen an die richtige Anschrift, und Auswertungen zu Umsatz, Marge oder Lagerumschlag beruhen auf einer einheitlichen, verlässlichen Basis. Gepflegte Daten sind damit die Grundlage jeder Automatisierung und jedes belastbaren Reportings.
Umgekehrt zählen schlechte Daten zu den häufigsten Ursachen für Reibung im operativen Geschäft. Dubletten führen zu doppelten Bestellungen und aufgesplitteten Umsätzen, veraltete Adressen zu Fehllieferungen, falsche Steuersätze zu fehlerhaften Rechnungen. Der Aufwand, solche Fehler nachträglich zu suchen und zu bereinigen, übersteigt den laufenden Pflegeaufwand meist deutlich – Datenpflege ist deshalb keine lästige Nebentätigkeit, sondern unmittelbar wirtschaftlich wirksam.
Abgrenzung: Datenpflege, Datenqualität und Datenmigration
Datenpflege, Datenqualität und Datenmigration werden oft vermischt, meinen aber Unterschiedliches. Datenqualität beschreibt einen Zustand – wie korrekt, vollständig und konsistent die Daten sind. Datenpflege ist die laufende Tätigkeit, mit der dieser Zustand erreicht und gehalten wird. Und die Datenmigration ist ein einmaliges Projekt, bei dem Daten aus einem Altsystem in ein neues übernommen werden.
Die drei greifen ineinander: Eine Migration ist der ideale Anlass, den Bestand gründlich zu bereinigen, weil nur gepflegte Daten sauber ins neue System wandern. Danach hält die kontinuierliche Datenpflege das erreichte Qualitätsniveau, statt es wieder verfallen zu lassen. Ohne dauerhafte Pflege verpufft der Aufwand jeder Bereinigung binnen Monaten.
Data Governance als Rahmen
Über der operativen Datenpflege steht die Data Governance: der organisatorische Rahmen aus Verantwortlichkeiten, Regeln und Standards. Sie legt fest, wer Data Owner eines Datenobjekts ist, welche Namenskonventionen und Pflichtfelder gelten und wie neue Datensätze freigegeben werden. Datenpflege ist die praktische Umsetzung dieser Regeln im Tagesgeschäft – ohne klaren Rahmen bleibt sie Stückwerk.
Datenpflege organisieren: Regeln und DACH-Besonderheiten
Damit Datenpflege dauerhaft gelingt, braucht es weniger Fleiß als Struktur. Bewährt haben sich klare Verantwortlichkeiten (wer pflegt welches Datenobjekt), verbindliche Namens- und Nummernkonventionen, definierte Pflichtfelder je Datenart, ein Freigabeprozess für Neuanlagen sowie regelmäßige Bereinigungs- und Prüfläufe. Kennzahlen wie Dublettenquote, Anteil unvollständiger Datensätze oder Alter der letzten Änderung machen die Datenqualität messbar und die Pflege steuerbar.
Im DACH-Raum kommen rechtliche Vorgaben hinzu. Steuerrelevante Felder wie Umsatzsteuersätze müssen korrekt gepflegt sein, weil sie unmittelbar in Rechnungen einfließen. Weil gepflegte Daten in steuerrelevante Belege eingehen, berühren sie mittelbar die Anforderungen der GoBD an Nachvollziehbarkeit und Unveränderbarkeit: Änderungen an preis- oder steuerrelevanten Feldern sollten protokolliert und Belege mit dem seinerzeit gültigen Stand reproduzierbar sein. Für personenbezogene Daten – etwa im Kundenstamm – gilt zudem die DSGVO, die eine Pflicht zur Richtigkeit und zur Löschung nicht mehr benötigter Daten kennt. Datenpflege umfasst deshalb auch das rechtssichere Aussteuern von Datensätzen, deren Aufbewahrungsfrist abgelaufen ist.
Praxisbeispiel
Beispiel: Onlinehändler senkt Fehlerquote durch feste Pflegeroutinen
Ein wachsender Onlinehändler erfasste Kunden- und Artikeldaten über Jahre ohne feste Regeln. Vertrieb, Einkauf und Buchhaltung legten Datensätze nach eigenem Gutdünken an; Kunden existierten mehrfach, Bezeichnungen waren uneinheitlich, und bei einigen Artikeln stimmte der Steuersatz nicht. Die Folge: aufgesplittete Umsätze in Auswertungen, Fehllieferungen an veraltete Adressen und wiederkehrende Rechnungskorrekturen.
Das Unternehmen führte verbindliche Pflegeroutinen ein: klare Verantwortliche je Datenobjekt, Pflichtfelder und Namenskonventionen, eine Dublettenprüfung schon bei der Anlage sowie einen monatlichen Bereinigungslauf. Zusätzlich prüfte ein automatischer Abgleich Adressen und Steuersätze. Innerhalb weniger Monate sank die Dublettenquote deutlich, Rechnungskorrekturen wurden zur Ausnahme, und das Controlling konnte sich wieder auf seine Zahlen verlassen.
Häufige Fragen
Passende Leistungen
Quellen
Fragen zu Datenpflege in deinem ERP-Projekt?
Wir beraten herstellerunabhängig – und setzen es auf Wunsch selbst um.