Datenqualität verbessern: Beratung für Unternehmen in Deutschland

Was schlechte Datenqualität Ihr Unternehmen kostet

Schlechte Datenqualität heißt: Die Datensätze zu Kunden, Lieferanten oder Produkten stimmen nicht mehr mit der Wirklichkeit überein. Mitarbeiter merken das an einem Angebot, das an einen Kontakt geht, der das Unternehmen verlassen hat, oder an einem Bericht, der einen Kunden doppelt zählt.

In der Digitalisierungsumfrage der DIHK vom November 2025 unter 4.686 Unternehmen nannten 31 Prozent schlechte Datenqualität als Herausforderung bei der Nutzung ihrer Daten. Ein Jahr zuvor waren es 28 Prozent. Rechtsunsicherheit lag mit 60 Prozent vorn (DIHK, Januar 2026).

Datensätze veralten, weil sich die Dinge ändern, die sie beschreiben. Ein Unternehmen ändert seinen Namen, fusioniert oder schließt, und eine Ansprechpartnerin wechselt zu einem anderen Arbeitgeber. Eine Tabelle, die am Tag des Imports sauber war, veraltet von da an (Data Change Management).

KI-Werkzeuge machen das Problem sichtbarer. Ein Assistent, der aus Ihrem CRM antwortet, wiederholt eine veraltete Adresse und gibt keinen Hinweis darauf, dass sie falsch sein könnte.

Wie ich die Datenqualität verbessere

Ich messe zuerst. Danach bereinige ich nach Regeln, deren Änderungen sich rückgängig machen lassen. Zum Schluss bekommen die Stellen, an denen Fehler hereinkommen, eigene Prüfungen. Diese Regeln sind auf der Informationsplattform eines Kunden im produktiven Einsatz. Das Konzept steht auf der Seite Änderungsmanagement, Deduplizierung und Workflows.

Ein Dublettenscan meldet mehr als seine Zusammenführungen. Er listet auf, wie viele Kandidaten jedes Signal gefunden hat, wie viele ein Widerspruch ausgeschlossen hat und welche Paare unter der Schwelle für eine automatische Zusammenführung geblieben sind. Kandidaten ergeben sich aus Name, Adresse und gemeinsamen Nummern wie der USt-IdNr., denn der englische und der deutsche Name eines Unternehmens haben manchmal kein einziges Wort gemeinsam.

Ein hoher Match-Score setzt sich nicht über einen Widerspruch hinweg. Zwei Unternehmen können sich eine Adresse teilen, und die Standorte Werk Nord und Werk Süd gehören als zwei Werke zum selben Hersteller. Ein aufgelöstes Unternehmen und ein später an derselben Adresse gegründetes sind zwei verschiedene Unternehmen. Der Scan prüft solche Widersprüche, bevor er eine Zusammenführung schreibt.

Eine Zusammenführung legt einen Datensatz still und hält ihn mit seinen Kennungen als Alias des anderen fest. Eine Korrektur fügt den neuen Wert mit Quelle und Datum hinzu und blendet den alten aus. Beides lässt sich rückgängig machen, und die Historie zeigt, wer was geändert hat.

Paare, die sich nach den Regeln nicht entscheiden lassen, gehen an einen Menschen oder an einen KI-Agenten, für den dieselben Regeln gelten wie für die Mitarbeiter. Bei einer unsicheren Antwort bleiben beide Datensätze stehen.

Der letzte Schritt ist der Eingang. Neue Dubletten kommen über Importe, Webformulare und Mitarbeiter, die einen Kunden anlegen, den es schon gibt. Ein Importkonto darf Datensätze anlegen, aber keine bestehenden überschreiben, und ein Formular kann nach einem passenden Datensatz suchen, bevor es einen neuen anlegt.

Checkliste zur Datenqualität Ihrer Kundendaten

Diese Fragen gehe ich am Anfang einer Bereinigung durch. Sie können sie für Ihre eigene Kundentabelle beantworten.

1. Wie viele Datensätze teilen sich eine USt-IdNr., eine Handelsregisternummer oder eine E-Mail-Domain mit einem anderen Datensatz?
2. Wie viele Datensätze nennen weder eine Quelle noch das Datum ihrer letzten Prüfung?
3. Wie viele Kunden in der Tabelle wurden aufgelöst oder umbenannt, nachdem sie erfasst wurden?
4. Wie viele Kontakt-E-Mails kamen in den letzten zwölf Monaten als unzustellbar zurück?
5. Welche Pflichtfelder sind leer, und bei welchem Anteil der Datensätze?
6. Welche Werte widersprechen sich innerhalb eines Datensatzes, etwa eine deutsche Postleitzahl mit dem Ländercode für Österreich?
7. Wer darf einen Kundendatensatz ändern, und wird jede Änderung mit ihrem Urheber protokolliert?
8. Lässt sich eine falsche Änderung oder eine falsche Zusammenführung rückgängig machen?
9. Über welche Wege kommen neue Datensätze herein: Importe, Webformulare, Mitarbeiter, andere Systeme?
10. Welche Berichte und KI-Werkzeuge lesen diese Datensätze, und welche der Probleme oben erreichen sie?

Wer ich bin

Ich bin Michael Wutzke, arbeite von Frankfurt aus und habe mehr als zwanzig Jahre Erfahrung in IT und Medien. Bei einer globalen Immobiliendatenbank habe ich die Datenbanken selbst programmiert, und später habe ich mit Elasticsearch die Suche einer Immobiliendatenbank gebaut. Heute helfe ich einem Kunden, eine Informationsplattform mit KI-Agenten aufzubauen, die dieselben Regeln befolgen wie ein menschlicher Redakteur. Ich unterrichte im Claude Hacker House und baue Software mit Claude und Codex. Außerdem interessieren mich Open-Source-KI-Modelle, die ein Unternehmen auf eigenen Servern betreibt. Details: Berufliche Stationen.