Datenqualität verbessern: 10 Maßnahmen, die 2026 wirklich funktionieren

Pexon Consulting | 9 Min. Lesezeit | 23.03.2026

TL;DR

Schlechte Datenqualität kostet Unternehmen laut Gartner durchschnittlich 12,9 Millionen USD pro Jahr. Die meisten Firmen messen diesen Verlust nicht einmal. Dieser Leitfaden zeigt 10 konkrete Maßnahmen — von Data Profiling über automatisierte Datenbereinigung bis Microsoft Purview — mit denen IT-Leiter und Data Engineers die Datenqualität systematisch verbessern. Pexon Consulting setzt diese Maßnahmen bei Mittelstandskunden mit Microsoft Fabric und Purview um.

Was ist Datenqualität und warum ist sie entscheidend?

Für das Datenmanagement ist das mehr als eine akademische Frage: Jede Entscheidung, jeder KI-Anwendungsfall und jeder automatisierte Prozess ist nur so gut wie die Daten, auf denen er aufbaut. Ein Unternehmen mit inkonsistenten Kundendaten kann keine verlässliche Umsatzprognose erstellen, ein KI-Modell mit lückenhaften Trainingsdaten liefert unbrauchbare Ergebnisse – unabhängig davon, wie fortschrittlich die eingesetzte Technologie ist.

12,9 Millionen USD — so viel kostet schlechte Datenqualität pro Jahr

Die Zahl stammt aus einer Gartner-Analyse und beschreibt den durchschnittlichen jährlichen Verlust durch mangelhafte Daten. Nicht bei einem Konzern mit 50.000 Mitarbeitenden — branchenübergreifend, über alle Unternehmensgrößen hinweg.

Was diese Zahl konkret bedeutet: Falsche Adressen in der Kundendatenbank führen zu Retouren. Inkonsistente Stammdaten im ERP verursachen doppelte Bestellungen. Veraltete Lieferantendaten in SAP blockieren die Rechnungsfreigabe. Und KI-Modelle, die auf unsauberen Trainingsdaten basieren, liefern Ergebnisse, die niemand verwenden kann.

Das Problem wird größer, nicht kleiner. Mit der Verbreitung von KI-Agenten und RAG-Systemen verschärft sich die Anforderung an Datenqualität dramatisch. Ein Large Language Model, das auf fehlerhaften internen Dokumenten trainiert wurde, halluziniert nicht — es reproduziert die Fehler mit hoher Überzeugungskraft.

Unsere Empfehlung: Bevor Sie in KI-Projekte investieren, prüfen Sie die Qualität Ihrer Datenbasis. In 7 von 10 Projekten, die wir bei Pexon Consulting begleiten, beginnt die Arbeit mit einem Data Assessment — nicht mit Prompt Engineering.

Die 6 Dimensionen der Datenqualität — und wie Sie sie messen

Bevor Sie verbessern können, müssen Sie messen. Data Quality Management basiert auf sechs Dimensionen, die international in Standards wie ISO/IEC 25012 und dem DAMA-DMBOK Framework definiert sind:

Wir raten dazu, sich nicht auf alle sechs Dimensionen gleichzeitig zu stürzen. Starten Sie mit den zwei oder drei Dimensionen, die den größten geschäftlichen Schmerz verursachen. Bei einem Pharma-Kunden war das Aktualität — weil veraltete Chargendaten zu Compliance-Verstößen führten. Bei einem Großhändler war es Eindeutigkeit — weil 14% der Lieferanten doppelt angelegt waren.

10 Maßnahmen zur Verbesserung der Datenqualität

1. Data Profiling: Verstehen, was Sie haben

Kein Verbesserungsprojekt ohne Bestandsaufnahme. Data Profiling analysiert Ihre Datenbestände statistisch: Welche Felder sind wie oft befüllt? Welche Wertebereiche kommen vor? Wo gibt es Ausreißer?

Tools wie Microsoft Purview bieten automatisiertes Data Profiling mit Anomalie-Erkennung. In Microsoft Fabric können Sie Data Profiling direkt in Notebooks ausführen:

# Data Profiling in Microsoft Fabric (PySpark)
from pyspark.sql.functions import count, when, col, isnan, isnull

df = spark.read.table("lakehouse.stammdaten_kunden")

# Vollständigkeit pro Spalte messen
profiling = df.select([
    (count(when(isnull(c) | isnan(c), c)) / count("*") * 100)
    .alias(f"null_pct_{c}")
    for c in df.columns
])
profiling.display()

# Duplikate identifizieren
duplicates = df.groupBy("kunde_name", "plz") 
    .count() 
    .filter(col("count") > 1) 
    .orderBy(col("count").desc())
print(f"Duplikat-Cluster: {duplicates.count()}")

Unsere Empfehlung: Führen Sie Data Profiling nicht einmalig durch, sondern automatisiert — mindestens wöchentlich. Die Überraschungen kommen nicht beim ersten Scan, sondern wenn jemand drei Monate später einen CSV-Import ohne Validierung durchführt.

2. Data Governance einführen — aber schlank

Data Governance klingt nach 80-seitigen Regelwerken und Governance Boards, die sich monatlich treffen. In der Praxis scheitern genau diese Ansätze. Was funktioniert: klare Verantwortlichkeiten, wenige verbindliche Regeln und automatisierte Durchsetzung.

Drei Elemente reichen für den Start:

• Data Owner pro Datendomäne (Kunden, Produkte, Lieferanten). Nicht die IT — die Fachabteilung.
• Datenqualitätsregeln je Domäne. Maximal 10-15 Regeln, die automatisiert geprüft werden.
• Eskalationspfad, wenn Regeln verletzt werden. Wer wird informiert? Wer entscheidet?

Pexon Consulting implementiert Data Governance mit Microsoft Purview als zentrale Plattform. Der Vorteil: Governance-Policies werden nicht in einem Wiki dokumentiert, das niemand liest, sondern direkt in der Datenplattform durchgesetzt.

3. Stammdatenmanagement zentralisieren

Master Data Management ist das Fundament. Wenn Kundenstammdaten in CRM, ERP und Marketing-Automation unterschiedlich geführt werden, hilft keine Datenbereinigung — Sie wischen nur Symptome weg. zentrale datenplattform

Ein Golden Record pro Entität bedeutet: Es gibt genau eine autoritative Quelle für jeden Kunden, jeden Lieferanten, jedes Produkt. Alle anderen Systeme beziehen ihre Daten von dort.

In der Microsoft-Welt setzt Pexon das über Microsoft Fabric um: Das Lakehouse fungiert als zentraler Data Hub, Dataflows verteilen die Golden Records an nachgelagerte Systeme, und Purview überwacht die Datenqualität automatisiert.

4. Automatisierte Datenbereinigung einrichten

Manuelle Datenbereinigung skaliert nicht. Ein Mitarbeiter, der einmal pro Quartal Duplikate in einer Excel-Liste zusammenführt, wird das Problem nicht lösen. Automatisierung bedeutet hier:

• Validierungsregeln bei der Dateneingabe: PLZ muss 5-stellig sein, E-Mail muss @-Zeichen enthalten, Umsatz muss positiv sein.
• Automatische Standardisierung: „GmbH“, „Gesellschaft mit beschränkter Haftung“ und „gmbh“ werden beim Schreiben normalisiert.
• Duplikat-Erkennung in Echtzeit: Fuzzy Matching beim Anlegen neuer Stammdaten, bevor der Datensatz gespeichert wird.

5. Datenqualitäts-KPIs in Dashboards integrieren

Was nicht gemessen wird, wird ignoriert. Laut Gartner messen fast 60% der Unternehmen die finanziellen Auswirkungen schlechter Datenqualität nicht. Das erklärt, warum Data Quality Management in vielen Organisationen ein Schattendasein führt.

Wir empfehlen ein einfaches Ampel-Dashboard mit drei Metriken pro Datendomäne:

• Vollständigkeit (grün > 95%, gelb > 85%, rot < 85%)
• Duplikatrate (grün < 2%, gelb < 5%, rot > 5%)
• Aktualität (grün = letzte 30 Tage aktualisiert, rot = älter als 90 Tage)

Dieses Dashboard gehört in den Management-Report. Nicht als PDF-Anhang, sondern als Live-Ansicht in Power BI oder Fabric.

6. Datenqualität an der Quelle sichern

Die günstigste Fehlerbehebung ist die, die nie nötig wird. Gartner beziffert die Kosten für die nachträgliche Erkennung und Korrektur von Datenfehlern auf das Zehnfache der Prävention.

Konkret heißt das: Eingabeformulare mit Validierung, Dropdown-Menüs statt Freitext bei Kategorien, automatische Adressvalidierung über externe Dienste, und Pflichtfeld-Definitionen, die nicht umgangen werden können.

Ein Beispiel: Ein Mittelstandskunde aus der Logistik hatte jährlich 8.000 fehlerhafte Adressdatensätze in seinem TMS. Die Ursache war ein Freitextfeld für die Länderkennung. Nach der Umstellung auf ein validiertes Dropdown-Feld sank die Fehlerquote um 94%.

7. Datenbereinigung als kontinuierlichen Prozess etablieren

Datenbereinigung ist kein Projekt mit Start- und Enddatum. Es ist ein Kreislauf aus vier Phasen: Analysieren, Bereinigen, Schützen, Überwachen. Dann wieder von vorn.

Der häufigste Fehler: Unternehmen investieren einmalig in eine große Bereinigungsaktion — und zwei Jahre später sind die Daten genauso schlecht wie vorher. Weil sich niemand um die laufende Qualitätssicherung kümmert.

Unsere Empfehlung: Planen Sie 10-15% des initialen Bereinigungsaufwands als laufendes Budget ein. Ein Data Steward, der pro Woche vier Stunden auf Datenqualität verwendet, verhindert mehr Schaden als eine jährliche Großaktion.

8. Microsoft Purview für automatisierte Qualitätsprüfung nutzen

Microsoft Purview Data Quality bietet seit 2025 Funktionen, die Data Quality Management von der Excel-Tabelle in die Enterprise-Plattform heben:

• No-Code-Regeln: Vordefinierte Qualitätsregeln für Vollständigkeit, Format und Bereich — ohne Programmierung.
• KI-generierte Regeln: Purview schlägt automatisch Qualitätsregeln vor, basierend auf den erkannten Datenmustern.
• Inkrementelle Scans: Statt jedes Mal den gesamten Datenbestand zu prüfen, scannen Sie nur die Änderungen seit dem letzten Lauf.
• Datenqualitäts-Scores: Automatische Bewertung auf Ebene von Assets, Datenprodukten und Governance-Domänen.

In Kombination mit Microsoft Fabric entsteht eine durchgängige Plattform: Fabric als Daten-Engine, Purview als Governance- und Qualitätsschicht.

9. Datenqualität für KI-Projekte priorisieren

RAG-Systeme, KI-Chatbots und Agentic AI sind nur so gut wie die Daten, auf denen sie arbeiten. Garbage In, Garbage Out gilt 2026 mehr denn je — mit dem Unterschied, dass ein KI-Agent fehlerhafte Antworten mit beeindruckender Selbstsicherheit liefert.

Bevor Sie ein KI-Projekt starten, empfehlen wir ein Data Readiness Assessment:

1. Welche Datenquellen soll das KI-System nutzen?
2. Wie aktuell sind diese Daten?
3. Gibt es Duplikate oder Widersprüche zwischen den Quellen?
4. Welche Daten sind personenbezogen und unterliegen der DSGVO?
5. Wer ist Data Owner für jede Quelle?

Bei Pexon Consulting starten wir KI-Projekte mit einem zweiwöchigen AI Readiness Assessment, das genau diese Fragen beantwortet — bevor die erste Zeile Code geschrieben wird.

10. Schulung und Datenbewusstsein im Unternehmen verankern

Die beste Technologie hilft nichts, wenn Mitarbeitende nicht verstehen, warum Datenqualität wichtig ist. Das heißt nicht, dass jeder ein Data-Engineering-Training braucht. Es reicht, drei Dinge zu vermitteln:

• Warum das korrekte Ausfüllen von Feldern den Kollegen in der nächsten Abteilung Zeit spart.
• Wie man Duplikate erkennt, bevor man einen neuen Datensatz anlegt.
• An wen man sich wendet, wenn man Datenprobleme bemerkt.

Das ist kein Change-Management-Projekt mit Steering Committee. Das ist eine halbe Stunde pro Abteilung, einmal im Quartal.

Häufige Herausforderungen und wie Sie diese meistern

Auch mit den zehn Maßnahmen oben laufen Datenqualitäts-Initiativen im Mittelstand typischerweise gegen dieselben Hürden. Branchenübergreifend sind das vor allem:

• Fehlendes Executive-Buy-in: Datenqualität liefert selten kurzfristig sichtbare Ergebnisse, wodurch Budget und Priorität im Tagesgeschäft leicht verloren gehen. Ohne eine Führungskraft, die das Thema aktiv trägt, versanden Initiativen nach der ersten Analysephase.
• Daten-Silos zwischen Fachabteilungen: Vertrieb, Produktion und Buchhaltung pflegen häufig eigene Systeme mit eigenen Definitionen für dieselben Entitäten (zum Beispiel „Kunde“). Ohne gemeinsame Stammdaten-Basis widersprechen sich Auswertungen aus unterschiedlichen Abteilungen.
• Tool-Wildwuchs: Über Jahre angeschaffte Einzel-Software für Teilaufgaben (Adressvalidierung, Deduplizierung, Reporting) erschwert eine unternehmensweite Sicht auf Datenqualität, weil jedes Tool nur einen Ausschnitt sieht.
• Altsysteme als Bremse: Gewachsene ERP- und Legacy-Systeme lassen sich oft nicht ohne Weiteres an moderne Data-Governance-Software anbinden, was Automatisierung erschwert und manuelle Nacharbeit nötig macht.

Keine dieser Hürden ist ein Grund, auf Datenqualität zu verzichten – sie erklären aber, warum viele Projekte ins Stocken geraten, bevor Entscheidungen über den weiteren Ausbau getroffen werden. Wer diese Muster kennt, kann sie von Anfang an einplanen statt sie erst im laufenden Projekt zu entdecken. Einen strukturierten Einstieg dafür bietet unser Data Quality Governance Workshop, der genau an diesen organisatorischen Hürden ansetzt, nicht nur an der Technik.

Checkliste: Datenqualität verbessern in 90 Tagen

Der ROI von Datenqualität: Kosten-Nutzen-Analyse und Erfolgsmessung

Datenqualität lässt sich nicht nur an Dimensionen wie Vollständigkeit oder Konsistenz messen, sondern auch am tatsächlichen Return on Investment. Die Zahlen aus unseren Projekten (siehe FAQ unten) ergeben zusammen ein konsistentes Bild: Ein initiales Data Assessment beginnt ab 5.000 EUR für eine zweiwöchige Analyse der wichtigsten Datendomänen. Ein vollständiges Data-Governance-Setup mit Qualitätsregeln und Dashboard liegt typischerweise bei 30.000 bis 60.000 EUR, abhängig von der Anzahl der Quellsysteme.

Auf der Nutzen-Seite zeigen sich erste messbare Effekte meist nach 3 bis 6 Monaten: weniger Retouren durch korrekte Adressdaten, schnellere Rechnungsfreigabe durch saubere Stammdaten, weniger Support-Tickets durch konsistente Produktdaten. Der volle ROI, inklusive besserer KI-Ergebnisse und reduzierter Compliance-Risiken, zeigt sich nach 12 bis 18 Monaten.

Für das Management heißt das konkret: Die Investition rechnet sich nicht durch eine einzelne große Kennzahl, sondern durch die Summe kleinerer, aber messbarer Verbesserungen im Tagesgeschäft. Wer vor der Investition eine Analyse der eigenen Datenqualitäts-Baseline durchführt (siehe Data Profiling, Maßnahme 1), kann diese Entscheidungen mit echten Zahlen statt Bauchgefühl treffen – und den Fortschritt anhand derselben Kennzahlen nach 90 Tagen, 6 und 12 Monaten nachverfolgen.

Warum Pexon Consulting der richtige Partner für Datenqualität ist

Pexon Consulting ist Microsoft Gold Partner mit über 80 Mitarbeitenden und einem spezialisierten Data-Team, das Microsoft Fabric, Purview und Azure bei Mittelstandskunden implementiert. Wir sind keine Tool-Verkäufer — wir setzen Data Governance und Datenqualitäts-Management operativ um.

Referenzkunden wie Schaeffler, Liebherr und Reinhausen setzen auf Pexon für ihre Datenplattformen. Unsere Data Engineers arbeiten direkt in Ihren Systemen, nicht aus PowerPoint-Folien.

Zukünftige Trends: KI, Dark Data und die Rolle der Datenqualität

Die Anforderungen an Datenqualität verschärfen sich in den nächsten Jahren eher, als dass sie sich entspannen – vor allem durch zwei Entwicklungen.

Erstens: KI-Systeme brauchen mehr, nicht weniger Datenqualität. Wie in Maßnahme 9 beschrieben, verstärkt jedes KI-Modell vorhandene Datenprobleme, statt sie zu kompensieren. Mit zunehmendem Einsatz von KI-Agenten, die eigenständig auf Unternehmensdaten zugreifen und Aktionen auslösen, wächst der Schaden durch fehlerhafte oder inkonsistente Daten proportional mit – ein Agent, der auf einer veralteten Kundenadresse basiert, verursacht denselben Fehler wie ein Mensch, nur automatisiert und potenziell in größerem Maßstab.

Zweitens: Dark Data, also Daten, die Unternehmen bereits besitzen, aber nicht aktiv nutzen (alte Support-Tickets, unstrukturierte Dokumente, Log-Dateien), wird als Ressource relevanter. Für Anwendungsfälle wie unternehmensinterne Suchsysteme oder KI-Assistenten mit Zugriff auf interne Wissensbestände sind genau diese bisher ungenutzten Daten oft die wertvollste Quelle, sofern ihre Qualität und Struktur vorher aufbereitet wurde.

Für die Software- und System-Landschaft im Unternehmen bedeutet das: Data-Quality-Prozesse, die heute für Reporting und Stammdaten aufgebaut werden, sind dieselbe Grundlage, die in ein bis zwei Jahren für KI-Agenten und Dark-Data-Auswertung gebraucht wird. Wer jetzt investiert, baut nicht nur für den aktuellen Bedarf, sondern für die absehbare nächste Stufe.

Häufig gestellte Fragen

Was kostet ein Data-Quality-Projekt im Mittelstand?

Ein initiales Data Assessment bei Pexon Consulting beginnt ab 5.000 EUR für eine zweiwöchige Analyse der wichtigsten Datendomänen. Ein vollständiges Data-Governance-Setup mit Microsoft Purview, Qualitätsregeln und Dashboard liegt typischerweise bei 30.000-60.000 EUR, abhängig von Anzahl der Quellsysteme und Komplexität. Die laufenden Kosten für einen Data Steward (intern oder extern) sind der größere Posten — rechnen Sie mit 0,5-1 FTE.

Wie unterscheidet sich Microsoft Purview von anderen Data-Quality-Tools wie Informatica oder Talend?

Der zentrale Unterschied: Purview ist nativ in die Microsoft-Plattform integriert — Azure, Fabric, Power BI, Dynamics. Wenn Ihr Tech-Stack Microsoft-basiert ist, entfällt die Integrationsarbeit, die bei Drittanbieter-Tools 30-40% des Projektbudgets ausmacht. Informatica und Talend haben Vorteile bei Multi-Cloud-Szenarien oder sehr heterogenen Systemlandschaften. Für Microsoft-zentrierte Mittelständler ist Purview in der Regel die bessere Wahl.

Wie lange dauert es, bis sich eine Investition in Datenqualität rechnet?

In unseren Projekten sehen wir typischerweise nach 3-6 Monaten erste messbare Effekte: weniger Retouren durch korrekte Adressdaten, schnellere Rechnungsfreigabe durch saubere Stammdaten, weniger Support-Tickets durch konsistente Produktdaten. Der volle ROI — inklusive besserer KI-Ergebnisse und reduzierter Compliance-Risiken — zeigt sich nach 12-18 Monaten.

Brauchen wir einen Data Steward oder reicht ein Tool?

Ein Tool ohne Data Steward ist wie ein Auto ohne Fahrer. Purview automatisiert Erkennung und Monitoring, aber jemand muss entscheiden, was mit den gefundenen Problemen passiert. Ein Data Steward muss keine Vollzeitstelle sein — in vielen Mittelstandsunternehmen reichen 15-20 Stunden pro Woche, verteilt auf die Data Owner der Fachbereiche.

Kann ich Datenqualität verbessern, ohne ein ERP-Migrationsprojekt zu starten?

Ja, und das empfehlen wir sogar als ersten Schritt. Datenqualität verbessern heißt nicht, Systeme auszutauschen. Beginnen Sie mit Data Profiling und Governance auf den bestehenden Systemen. Wenn später eine ERP-Migration ansteht — zum Beispiel von SAP ECC auf S/4HANA — profitieren Sie doppelt: Die Migration geht schneller und die Daten im neuen System sind von Tag eins an sauber.

Verwandte Themen