Daten sind die Grundlage jeder rationalen Entscheidung, ob beim Einkauf von Büromaterial oder bei millionenschweren Investitionen.

Doch was, wenn diese Grundlage fehlerhaft, unvollständig oder widersprüchlich ist?
Schlechte Datenqualität ist kein Randproblem, sondern eine stille Kostenfalle, die tagtäglich Projekte bremst, Ressourcen bindet und schlechte Entscheidungen provoziert. Um dies zu verhindern, muss man wissen, was schlechte Datenqualität ist, wie man sie messen kann und welche Auswirkungen sie haben kann. Mit dem Bewusstsein, warum es sich lohnt, frühzeitig gegenzusteuern, ist der erste Schritt zu besseren Daten und besseren Entscheidungen gemacht.

Was ist schlechte Datenqualität?

Bevor man die Auswirkungen schlechter Datenqualität betrachtet, lohnt sich ein Blick auf ihre Definition und Auswirkungen im Alltag.

Datenqualität beschreibt den Grad der Anwendbarkeit von Daten für die Entscheidungen und Tätigkeiten von Organisationen. Hohe Datenqualität bedeutet, dass Informationen vollständig, korrekt und relevant vorliegen und damit fundierte Handlungen für Organisationen ermöglichen. Das Erreichen einer hohen Datenqualität ist daher ein Ziel in vielen Organisationen. Schlechte Datenqualität dagegen ist die fehlende oder eingeschränkte Anwendbarkeit von Daten für Organisationen.

Schlechte Datenqualität macht sich tagtäglich bemerkbar, denn sie ist meistens der Grund, dass vermeidbare Probleme entstehen:

• Der/die Kund:in hat eine Nachfrage für den Kundenservice, aber wichtige Informationen sind veraltet oder nicht gepflegt. Aufwendige Rückfragen sind die Folge.
• Eine Bestellung wird geplant, aber Menge und Liefertermin sind unklar.
• Kolleg:innen sprechen über dasselbe Produkt, aber unterschiedlich gepflegte Stammdaten führen zu Missverständnissen.

Solche und ähnliche Probleme lassen sich auf schlechte Datenqualität zurückführen.

Schlechte Datenqualität ist messbar

Um über den Grad der Datenqualität sprechen zu können, muss man ihn objektiv messbar machen.

Folgende Kriterien helfen, den Zustand der Daten im Unternehmen zu bewerten:

• Zugänglichkeit: Die Daten sind für Verantwortliche leicht aufrufbar.
• Genauigkeit: Angaben, wie Eigenschaften eines Produktes, sind korrekt und eindeutig.
• Vollständigkeit & Präzision: Daten sind so vollständig und präzise wie nötig.
• Konsistenz: Maßeinheiten, wie etwa Formate, Einheiten und Strukturen, sind bei allen Produkten und Leistungen einheitlich gepflegt.
• Relevanz: Erfasste Daten sind für Entscheidungen und Prozesse tatsächlich relevant.
• Aktualität & Gültigkeit: Die Daten sind auf dem neuesten Stand und gültig.
• Einzigartigkeit: Es gibt keine Duplikate oder Redundanzen von Einträgen.

Wer diese Messgrößen im Auge behält, erkennt früh, wo Probleme entstehen und kann handeln, bevor schlechte Datenqualität teuer wird.

Warum Daten uns tagtäglich beeinflussen

Man mag meinen, dass schlechte und gute Daten so einfach zu unterscheiden sind wie die Spreu vom Weizen. Meist verlassen wir uns dabei auf unsere Erfahrungswerte. Und genau hier liegt der Stolperstein: Daten sind immer nur eine Teilabbildung der Realität. Sie zeigen nie das vollständige Bild, können jederzeit von der Realität abweichen oder nur einen bisher unbekannten Teil davon abbilden. Davon abgesehen, dass Erfahrungswerte längst überholt sein können. Trotzdem formen Daten jede Entscheidung. Denn Entscheidungen entstehen nicht aus dem Nichts, sie bauen aufeinander auf: Zeichen werden zu Daten, Daten werden zu Information, Information wird zu Wissen. Auf Basis dieses Wissens handeln wir und treffen Entscheidungen.

Die Wissenspyramide verdeutlicht:

Schlechte Daten führen zu ungenauen Informationen und damit zu falschem Wissen. Auf dieser fehlerhaften Grundlage werden schließlich Entscheidungen getroffen, die sowohl monetäre als auch strategische Folgen haben können.

Kurz gesagt: Schlechte Daten führen zu schlechten Entscheidungen. Gute Daten garantieren zwar keine Perfektion, erhöhen aber die Chancen für bessere Entscheidungen erheblich.

Die versteckten Kosten schlechter Datenqualität

Eine fehlerhafte Dateneingabe, die 1 € in der Prävention gekostet hätte, kostet 10 € in der Korrektur und 100 € in der Behebung von Folgeschäden und daraus resultierendem entgangenem Umsatz. Deshalb lohnt es sich, schon von Beginn an auf saubere und vollständige Daten zu achten.

Auch Studien, wie von Gartner aus 2021 unterstreichen, dass schlechte Datenqualität ein echter Kostenfaktor ist. So stellten sie fest, dass schlechte Daten Unternehmen im Schnitt 12,9 Millionen $ pro Jahr kosten. Das britische Government Data Quality Hub stuft es sogar noch stärker ein: Ihre Expert:innen schätzen, dass Unternehmen 10–30 % des gesamten Umsatzes für die Behebung von Datenqualitätsproblemen einsetzen.

Wie wir bereits wissen, sind die Merkmale schlechter Datenqualität zahlreich. Hier sind noch ein paar weitere typische Beispiele aus einem ERP-System aufgelistet:

• Fehlende Daten: Produktattribute wie Farben oder Abmessungen fehlen vollständig oder sind unvollständig gepflegt.
• Duplikate: Ein und dasselbe Produkt ist mehrfach angelegt.
• Inkonsistenzen: Maßeinheiten oder Formate unterscheiden sich von Eintrag zu Eintrag.
• Logische Fehler: Herstelleradressen entsprechen nicht den landesspezifischen Vorgaben oder enthalten schlicht falsche Daten.

Schlechte Datenqualität bringt direkte finanzielle Folgen mit sich: Angestellte müssen Fehler im System mühsam korrigieren, der Vertrieb gibt Falschinformationen heraus oder die Buchhaltung erstellt fehlerbehaftete Rechnungen. Noch gravierender sind die langfristigen Folgen: Falsche Informationen untergraben das Vertrauen der Kunden und können im schlimmsten Fall zu deren Abwanderung führen. Gleichzeitig geraten strategische und operative Entscheidungen ins Wanken.

Unsere Erfahrung: Datenqualität als Erfolgsfaktor im E-Commerce ansehen

Komplexe Probleme brauchen echte Expertise.

Seit unserer Gründung fokussieren wir uns auf E-Commerce: Wir sorgen dafür, dass Online-Shops und Vertriebsplattformen, deren digitale Prozesse, Schnittstellen und die nahtlose Anbindung an Systeme wie ERP, Logistik oder Versanddienstleister reibungslos funktionieren. Von dieser Expertise profitieren unsere Kunden tagtäglich. Doch wir wissen: Viel wichtiger als die optimierten Prozesse und Nutzeroberflächen sind hochwertige Daten, damit ein Projekt zum Erfolg wird.

Die gute Nachricht: Mit einer durchdachten Datenstrategie lässt sich die Datenqualität gezielt steigern. Damit wird die zuverlässige Grundlage für Projekterfolge geschaffen.

Weil Datenqualität ein Spezialthema ist, arbeiten wir eng mit erfahrenen Partnern wie Matthias Knapp von KDQ zusammen, um genau hier die nötige Expertise ins Projekt zu bringen. So stellen wir sicher, dass technische Umsetzung und Datenbasis perfekt zusammenspielen. Gleichzeitig gilt aber auch: Erste Schritte zu besserer Datenqualität sind kein Hexenwerk, insbesondere in der Prävention von Datenfehlern. Denn Datenqualität ist kein rein technisches Thema. Sie ist Teil einer gelebten Unternehmenskultur. Wird darauf geachtet, dass genügend Zeit für die korrekte Dateneingabe eingeplant wird und einfache Regeln (bspw. zur Eingabe von Dezimalzahlen) bekannt sind, kann insbesondere Eingabe von Daten verbessert werden. Auch kleine technische Hilfsmittel können dabei unterstützen, Daten schnell zu optimieren. Ist jedoch ein großes Maß an Daten vorhanden, sollte die Optimierung der Datenqualität gemeinsamen mit einem Expert:innen auf dem Gebiet erfolgen.

Beim E-Commerce Stammtisch Aachen im Juli 2025 zeigte Matthias Knapp von KDQ, welche Auswirkungen schlechte Datenqualität haben kann und wie der Prozess zur Verbesserung der Datenqualität gestaltet sein sollte.

Ein kurzer Blick in die Zukunft

Die Bedeutung von Datenqualität wird weiter zunehmen.

Im Jahr 2024 hat Gartner prognostiziert, dass die große Mehrheit der KI-Projekte an schlechter Datenqualität scheitern wird und damit nicht nur Investitionen in KI verpuffen, sondern auch Chancen auf Automatisierung und Wettbewerbsvorteile verloren gehen. Unternehmen, die jetzt in saubere Daten investieren, sichern sich damit die Grundlage für erfolgreiche digitale und KI-getriebene Strategien.