Datenqualität

Daten sind nicht an sich gut oder schlecht. Eine Adressliste, die für einen Newsletter reicht, kann für die Rechnungsstellung unbrauchbar sein, weil dort jede Hausnummer stimmen muss. Datenqualität ist deshalb zweckbezogen: Die Merkmale bleiben gleich, die Anforderungen je Merkmal ergeben sich aus der Verwendung.

Der Begriff stammt aus dem Informations- und Datenmanagement. Normen wie ISO/IEC 25012 und die Reihe ISO 8000 und das Referenzwerk der Data Management Association (DAMA) liefern gemeinsame Begriffe, damit Fachbereich und IT dasselbe meinen. Drei Begriffe werden oft vermischt: Data Governance legt Regeln und Zuständigkeiten fest, Datenqualität beschreibt und misst den Zustand der Daten, Datenbereinigung korrigiert einzelne Fehler.

Mit KI bekommt das alte Thema neues Gewicht. Ein Sprachmodell, das Fragen aus internen Dokumenten beantwortet, prüft seine Quellen nicht. Es gibt veraltete oder widersprüchliche Inhalte flüssig und überzeugend wieder. Für Führungskräfte heißt das: Wie gut ein KI-Assistent antwortet, hängt an Daten, die meist lange vor dem KI-Projekt entstanden sind.

Die Dimensionen der Datenqualität.

Eine Arbeitsgruppe der DAMA UK hat 2013 sechs Kerndimensionen beschrieben, die sich als gemeinsame Sprache durchgesetzt haben. Richtigkeit fragt, ob ein Wert mit der Wirklichkeit übereinstimmt. Vollständigkeit fragt, ob alle benötigten Werte vorhanden sind. Konsistenz fragt, ob derselbe Sachverhalt in verschiedenen Systemen gleich abgebildet ist. Eindeutigkeit fragt, ob jedes Objekt, etwa ein Kunde, nur einmal vorkommt. Gültigkeit fragt, ob Werte dem vereinbarten Format und Wertebereich entsprechen. Aktualität fragt, ob die Daten den Stand zum benötigten Zeitpunkt wiedergeben.

Die internationale Norm ISO/IEC 25012 aus dem Jahr 2008 geht weiter. Sie beschreibt 15 Merkmale aus zwei Blickwinkeln. Inhärente Merkmale liegen in den Daten selbst, etwa Richtigkeit, Vollständigkeit und Glaubwürdigkeit. Systemabhängige Merkmale hängen von der Technik ab, etwa Verfügbarkeit, Wiederherstellbarkeit und Übertragbarkeit. Einige Merkmale wie Vertraulichkeit und Rückverfolgbarkeit gehören zu beiden. Die Normenreihe ISO 8000 behandelt Daten- und Stammdatenqualität, unter anderem den Austausch von Stammdaten zwischen Unternehmen.

Für den Alltag reichen meist die sechs Kerndimensionen. Wichtig ist, sie je Datenbestand mit konkreten Anforderungen zu füllen, statt sie abstrakt zu bewerten.

Warum Datenqualität über KI-Ergebnisse entscheidet.

Viele KI-Anwendungen im Unternehmen arbeiten mit Retrieval-Augmented Generation (RAG). Eine Suche holt passende Textstellen aus internen Dokumenten, ein Sprachmodell formuliert daraus die Antwort. Das Modell bewertet nicht, ob eine Quelle noch gilt. Liegen eine alte und eine neue Preisliste nebeneinander, kann es die alte zitieren, und zwar ebenso überzeugend.

Typische Datenfehler wirken hier anders als in einer Tabelle. Dubletten mit abweichendem Inhalt erzeugen widersprüchliche Antworten. Fehlen Angaben wie Datum, Gültigkeit oder zuständige Abteilung, lassen sich veraltete Dokumente nicht ausfiltern. Fehlen Angaben zu Zugriffsrechten, landen Inhalte bei Personen, die sie nicht sehen dürften. Gescannte Dokumente ohne lesbaren Text fallen aus der Suche heraus, und Lücken füllt das Modell mitunter mit erfundenen Angaben, sogenannten Halluzinationen.

Bei Modellen, die mit eigenen Daten trainiert oder nachtrainiert werden, wirkt derselbe Effekt stärker. Fehler in den Trainingsdaten wandern in das Modell und lassen sich danach kaum gezielt entfernen.

Daraus folgt eine Reihenfolge. Bevor ein KI-Assistent auf einen Datenbestand zugreift, wird dieser Bestand geprüft, bereinigt und mit klaren Zuständigkeiten versehen. Dieser Schritt gehört in Projektplan und Budget und nicht in die Zeit nach dem Start.

Wie man Datenqualität misst.

Gemessen wird Datenqualität, indem man Daten gegen Regeln prüft, die aus dem Verwendungszweck abgeleitet sind. Am Anfang steht die Frage, wofür ein Bestand gebraucht wird und welche Fehler dort schaden. Daraus entstehen Regeln je Dimension, etwa: Jeder Kundendatensatz hat eine gültige Rechnungsadresse. Jede Kundennummer kommt nur einmal vor. Jedes Dokument in der Wissensbasis hat ein Prüfdatum, das höchstens ein Jahr zurückliegt.

Jede Regel ergibt eine Kennzahl, zum Beispiel den Anteil gefüllter Pflichtfelder, die Dublettenquote, den Anteil gültiger Formate oder das Durchschnittsalter der Einträge. Für jede Kennzahl legt der Fachbereich einen Sollwert fest.

Viele dieser Prüfungen lassen sich automatisieren. Datenprofiling zeigt Wertebereiche, leere Felder und Auffälligkeiten. Prüfregeln in Datenstrecken halten fehlerhafte Datensätze an, bevor sie weiterverarbeitet werden. Eine Ausnahme ist die Richtigkeit: Ob eine Telefonnummer zur richtigen Person gehört, zeigt keine Formatprüfung. Dafür braucht es Stichproben gegen die Wirklichkeit, etwa den Abgleich mit Belegen oder eine Rückfrage beim Kunden.

Gemessen wird laufend und nicht einmalig. Der Verlauf der Kennzahlen zeigt, ob Maßnahmen wirken und wo neue Fehler entstehen.

Ursachen beheben statt nachputzen.

Die naheliegende Reaktion auf schlechte Daten ist eine Bereinigungsaktion: Dubletten zusammenführen, Felder nachtragen, Formate vereinheitlichen. Das hilft für den Moment. Bleibt die Ursache, sind dieselben Fehler nach einigen Monaten wieder da.

Die meisten Fehler entstehen an der Eingabestelle. Typische Quellen sind Freitextfelder, wo eine Auswahlliste reichen würde, fehlende Pflichtfelder, Importe ohne Prüfung und mehrere Systeme, in denen dieselben Kunden unabhängig voneinander angelegt werden. Wirksam sind deshalb Prüfungen bei der Eingabe, klare Formate, Auswahllisten und eine einzige Stelle, an der ein Stammdatensatz entsteht.

Besonders sichtbar werden Probleme bei einer Systemumstellung, etwa beim Wechsel von einem Altsystem und verstreuten Tabellen in ein gemeinsames System. Erst beim Abgleich zeigt sich, dass derselbe Kunde mehrfach, unterschiedlich geschrieben oder mit abweichenden Angaben existiert. Hier setzt Master Data Management an, also die einheitliche Pflege von Stammdaten über alle Systeme.

Für Wissensbestände, die eine KI nutzt, gilt dieselbe Logik. Jedes Dokument bekommt beim Anlegen ein Datum, eine zuständige Stelle und einen Status. Veraltete Fassungen werden archiviert, statt neben der neuen liegen zu bleiben.

Wer für Datenqualität zuständig ist.

Datenqualität ist keine reine IT-Aufgabe. Die IT stellt Systeme, Prüfwerkzeuge und Schnittstellen bereit. Was ein Datensatz fachlich bedeuten muss und welcher Fehler schadet, weiß aber der Fachbereich, der mit den Daten arbeitet.

Im Datenmanagement haben sich dafür zwei Rollen etabliert. Der Data Owner, meist eine Führungskraft im Fachbereich, verantwortet einen Datenbereich wie Kundendaten oder Produktdaten und entscheidet über Regeln und Sollwerte. Der Data Steward kümmert sich im Alltag um den Bestand: Er pflegt die Regeln, beobachtet die Kennzahlen, klärt Fehler mit denen, die die Daten erfassen, und stößt Korrekturen an. In kleineren Unternehmen liegen beide Rollen oft bei derselben Person.

Den Rahmen setzt Data Governance. Sie legt fest, wer welche Rolle hat, welche Regeln gelten und wie Konflikte zwischen Bereichen entschieden werden, etwa wenn Vertrieb und Buchhaltung einen Kunden unterschiedlich führen. Ohne diesen Rahmen fühlt sich für Datenqualität niemand zuständig, bis eine Auswertung oder ein KI-Assistent falsche Ergebnisse liefert.

Für Führungskräfte lautet die wichtigste Frage deshalb: Ist für jeden wichtigen Datenbestand geklärt, wer über seine Regeln entscheidet?

Was Datenschutz und AI Act verlangen.

Datenqualität ist auch eine rechtliche Anforderung. Die Datenschutz-Grundverordnung verlangt in Artikel 5 Absatz 1 Buchstabe d, dass personenbezogene Daten sachlich richtig und erforderlichenfalls auf dem neuesten Stand sind. Unrichtige Daten sind unverzüglich zu löschen oder zu berichtigen, und Betroffene haben nach Artikel 16 ein Recht auf Berichtigung.

Der AI Act stellt für Hochrisiko-KI-Systeme eigene Anforderungen. Nach Artikel 10 müssen Trainings-, Validierungs- und Testdaten im Hinblick auf den Zweck relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sein. Anbieter solcher Systeme müssen unter anderem dokumentieren, woher die Daten stammen, wie sie aufbereitet wurden und wie mögliche Verzerrungen geprüft wurden. Diese Pflichten betreffen nur bestimmte Einsatzzwecke, etwa Personalauswahl oder die Prüfung der Kreditwürdigkeit. Nach der Änderung vom Juli 2026 gelten sie für Hochrisiko-Systeme nach Anhang III ab Dezember 2027, für solche nach Anhang I ab August 2028 (Stand November 2026).

Für die meisten Unternehmen im Mittelstand ist Artikel 10 deshalb nicht unmittelbar einschlägig. Er beschreibt aber gut, was eine sorgfältige Datengrundlage für KI ausmacht: Die Herkunft ist bekannt, die Aufbereitung dokumentiert, Lücken und Verzerrungen sind geprüft.

Die Grenze des Begriffs

Datenqualität beschreibt den Zustand von Daten im Verhältnis zu ihrem Zweck. Abzugrenzen ist sie von Data Governance, die Regeln, Rollen und Zuständigkeiten festlegt, von Datenbereinigung als einzelner Korrekturmaßnahme und von Datenintegrität, die den Schutz vor Veränderung und Verlust meint. Saubere Daten beantworten außerdem nicht automatisch die richtige Frage: Ob ein Bestand für eine Entscheidung taugt, klärt erst der Zweck.