Datenqualität
Datenqualität bezeichnet den Grad, in dem Daten für ihren Verwendungszweck geeignet sind – gemessen an Dimensionen wie Vollständigkeit, Korrektheit, Aktualität, Konsistenz und Eindeutigkeit. Im ERP-System entscheidet die Datenqualität der Stamm- und Bewegungsdaten unmittelbar darüber, wie zuverlässig Prozesse automatisiert und Auswertungen belastbar sind.
Datenqualität bezeichnet, wie gut Daten für den Zweck geeignet sind, für den sie genutzt werden sollen. Gemessen wird sie nicht als einzelne Kennzahl, sondern über mehrere Dimensionen: Vollständigkeit (sind alle nötigen Felder gefüllt?), Korrektheit (stimmen die Werte mit der Realität überein?), Aktualität (sind die Daten auf dem neuesten Stand?), Konsistenz (widersprechen sich Daten an verschiedenen Stellen nicht?), Eindeutigkeit (existiert jeder Sachverhalt nur einmal, ohne Dubletten?) sowie Konformität und Genauigkeit (halten Werte das erwartete Format und die nötige Präzision ein?).
Im ERP-Kontext bezieht sich Datenqualität vor allem auf die Stammdaten – Artikel-, Kunden- und Lieferantenstammsätze – und auf die daraus erzeugten Bewegungsdaten wie Aufträge, Rechnungen und Buchungen. Da alle Module eines ERP-Systems auf denselben Datenbestand zugreifen, wirkt sich schlechte Datenqualität nicht lokal, sondern durch die gesamte Prozesskette aus: Ein falscher Steuerschlüssel im Kundenstamm erzeugt fehlerhafte Rechnungen, ein leeres Gewichtsfeld im Artikelstamm blockiert die Versandkostenberechnung, eine Dublette verfälscht Umsatzauswertungen. Datenqualität ist damit keine reine IT-Frage, sondern die Grundvoraussetzung dafür, dass ein ERP-System die versprochene Automatisierung und Transparenz überhaupt liefern kann.
Auf einen Blick
- Eignung von Daten für ihren Verwendungszweck – kein Ja/Nein, sondern ein Grad
- Zentrale Dimensionen: Vollständigkeit, Korrektheit, Aktualität, Konsistenz, Eindeutigkeit, Konformität
- Größter Hebel liegt bei den Stammdaten – Fehler pflanzen sich über alle Belege fort
- Typische Feinde: Dubletten, Karteileichen, uneinheitliche Formate, veraltete Adressen
- Wird gesichert durch Pflichtfelder, Validierung, Dublettenprüfung und klare Datenverantwortung
Die Dimensionen der Datenqualität
Datenqualität ist mehrdimensional: Ein Datensatz kann vollständig, aber veraltet sein oder korrekt, aber inkonsistent zu einem zweiten System. Deshalb wird Qualität an mehreren, teils gegenläufigen Kriterien gemessen. Die gebräuchlichsten Dimensionen sind Vollständigkeit (alle erforderlichen Attribute sind vorhanden), Korrektheit oder Richtigkeit (die Werte entsprechen der abgebildeten Realität), Aktualität (die Daten spiegeln den gegenwärtigen Stand), Konsistenz (dieselbe Information ist überall identisch), Eindeutigkeit oder Dublettenfreiheit (jedes reale Objekt existiert genau einmal) sowie Konformität (Werte halten das definierte Format ein, etwa eine gültige IBAN oder ein normiertes Ländernamen-Kürzel).
In der Praxis lassen sich diese Dimensionen zu messbaren Kennzahlen verdichten, etwa dem Anteil gefüllter Pflichtfelder, der Dublettenquote oder der Zahl fehlerhafter USt-IdNr. Diese Messbarkeit ist der Kern professionellen Datenqualitätsmanagements: Erst wenn Qualität mit Regeln geprüft und quantifiziert wird, lässt sie sich gezielt verbessern und im Zeitverlauf überwachen.
Datenqualität vs. Datenintegrität
Datenqualität und Datenintegrität werden oft verwechselt, meinen aber Unterschiedliches. Integrität ist ein technisches Konzept: Sie stellt sicher, dass Daten technisch unversehrt und widerspruchsfrei gespeichert sind – etwa durch Fremdschlüssel, Transaktionen und Validierungsregeln der Datenbank. Datenqualität ist das fachliche Konzept darüber: Selbst technisch integre Daten können fachlich falsch, veraltet oder für den Zweck ungeeignet sein. Eine korrekt gespeicherte, aber inhaltlich falsche Lieferadresse ist integer, aber von schlechter Datenqualität.
Warum Datenqualität im ERP entscheidend ist
Der wirtschaftliche Nutzen eines ERP-Systems – Automatisierung, Einmalpflege, durchgängige Prozesse und belastbares Reporting – steht und fällt mit der Datenqualität. Da Belege ihre Werte automatisch aus den Stammdaten ziehen, multipliziert sich jeder Stammdatenfehler über alle nachgelagerten Vorgänge. Ein falsch hinterlegtes Zahlungsziel verzögert systematisch den Geldeingang, ein fehlerhafter Steuerstatus führt zu falsch ausgewiesener Umsatzsteuer, und ein unvollständiger Artikelstamm bremst Kommissionierung und Versand aus.
Besonders kostspielig sind Qualitätsmängel im Reporting: Auswertungen, Forecasts und Dispositionsentscheidungen sind nur so verlässlich wie die Daten, auf denen sie beruhen. Zerfallen die Umsätze eines Großkunden wegen Dubletten auf drei Stammsätze, greifen Kreditlimit- und ABC-Analysen ins Leere. Gute Datenqualität ist damit die Voraussetzung sowohl für operative Prozesssicherheit als auch für datengetriebene Entscheidungen – und der Grund, warum vor jeder Datenmigration eine Bereinigung stehen sollte, statt schlechte Daten in ein neues System zu übernehmen.
Wie Datenqualität gesichert wird
Datenqualität entsteht nicht von selbst, sondern durch ein Zusammenspiel aus Regeln, Werkzeugen und Zuständigkeiten. Präventiv wirken Pflichtfelder, Formatvalidierungen (etwa Prüfziffern bei IBAN oder USt-IdNr.), Auswahllisten statt Freitext, Namenskonventionen und eine Dublettenprüfung schon bei der Neuanlage. Reaktiv kommen Bereinigungsläufe hinzu: Profiling deckt Auffälligkeiten im Bestand auf, Deduplizierung führt doppelte Sätze zusammen, und Anreicherung ergänzt fehlende Werte aus verlässlichen Quellen.
Genauso wichtig wie die Technik ist die organisatorische Verankerung. Data Governance legt fest, wer für welche Datenobjekte verantwortlich ist (Data Owner und Data Steward), nach welchen Regeln gepflegt wird und wie Qualität gemessen wird. In größeren Organisationen bündelt ein Master Data Management diese Aufgaben und definiert je Objekt einen führenden Datenhaltungspunkt, damit nicht mehrere Systeme widersprüchliche Wahrheiten pflegen.
Der Golden Record als Zielbild
Ein zentrales Ergebnis konsequenter Datenqualitätsarbeit ist der Golden Record: der eine, bereinigte und angereicherte Datensatz je realem Objekt, der als verbindliche Referenz über alle Systeme hinweg gilt. Er entsteht typischerweise, indem Dubletten zusammengeführt und die jeweils besten Feldwerte aus verschiedenen Quellen zu einem konsolidierten Stammsatz verschmolzen werden. Ohne Dublettenfreiheit und klare Regeln, welche Quelle je Feld gewinnt, lässt sich ein solcher Golden Record nicht bilden.
DACH-Besonderheiten: GoBD und rechtssichere Daten
Im deutschsprachigen Raum hat Datenqualität auch eine regulatorische Dimension. Die GoBD verlangen für buchungsrelevante Daten unter anderem Nachvollziehbarkeit, Vollständigkeit, Richtigkeit, zeitgerechte Erfassung und Unveränderbarkeit – allesamt Anforderungen, die unmittelbar an der Datenqualität ansetzen. Fehlende oder widersprüchliche Steuermerkmale, unvollständige Belegdaten oder nicht nachvollziehbare Änderungen sind damit nicht nur ein Prozessproblem, sondern ein Compliance-Risiko in der Betriebsprüfung.
Praktisch bedeutet das: Steuerrelevante Stammdaten wie USt-IdNr., Steuerschlüssel und Debitoren-/Kreditorenkonten müssen korrekt, aktuell und geprüft sein – die USt-IdNr. idealerweise über das Bestätigungsverfahren verifiziert. Für innergemeinschaftliche Lieferungen, die E-Rechnung und die DATEV-konforme Übergabe an die Steuerkanzlei ist konsistente, formatkonforme Datenqualität die Grundvoraussetzung. Schlechte Datenqualität verursacht hier nicht nur Nacharbeit, sondern potenziell Steuerrisiken.
Hinzu kommt die DSGVO: Kunden- und Kontaktdaten sind fast immer personenbezogen, weshalb auch ihre Aktualität und Löschbarkeit zur Datenqualität zählen. Veraltete oder überflüssige personenbezogene Daten sind nicht nur ein Qualitäts-, sondern ein Rechtsproblem. Ein ERP-System sollte deshalb Aufbewahrungsfristen für buchungsrelevante Daten und geregelte Löschroutinen für nicht mehr benötigte Merkmale sauber trennen können – was wiederum eine klare, gut strukturierte Feldpflege voraussetzt.
Praxisbeispiel
Beispiel: Datenqualität als Fundament einer ERP-Einführung
Ein mittelständischer Onlinehändler für Sportartikel wollte sein Wachstum mit einem neuen ERP-System abfangen. Bei der Bestandsaufnahme zeigte sich das eigentliche Problem: Der Artikelstamm aus Shop, Marktplatz-Exports und einer alten Warenwirtschaft enthielt widersprüchliche Bezeichnungen, fehlende Gewichte und Zolltarifnummern, uneinheitliche Einheiten und rund zwölf Prozent Dubletten. Automatisierte Versandkosten und Zollabwicklung wären auf dieser Basis unmöglich gewesen.
Vor der Migration wurde deshalb die Datenqualität systematisch gehoben: Pflichtfelder definiert, Formate vereinheitlicht, Dubletten je Artikel zu einem Golden Record zusammengeführt und fehlende Attribute nachgepflegt. Erst der bereinigte Bestand wurde in Testimporten geprüft und nach fachlicher Freigabe produktiv übernommen. Ergebnis: Versandkosten, Zolldaten und Bestandsführung liefen von Anfang an automatisiert – der Aufwand steckte nicht in der Software, sondern in der Datenqualität davor.
Häufige Fragen
Passende ERP-Systeme
Passende Leistungen
Quellen
Fragen zu Datenqualität in deinem ERP-Projekt?
Wir beraten herstellerunabhängig – und setzen es auf Wunsch selbst um.