Inhaltsverzeichnis
Datenqualität entscheidet darüber, ob Ihren Prozessen, Analysen und Entscheidungen zu trauen ist. Für B2B-Hersteller und -Händler speist derselbe Produktsatz ERP, Webshop, Marktplätze, Printkataloge und Partnersysteme – ein einziger falscher Wert pflanzt sich also überallhin fort. Dieser Beitrag behandelt die Grundlagen der Datenqualität, ihre Standard-Dimensionen, die Messung mit konkreten KPIs, die relevanten ISO-Normen und bewährte Methoden zur Verbesserung.
Was ist Datenqualität?
Die anerkannteste Definition von Datenqualität lautet „Fitness for use“ (Gebrauchstauglichkeit): Daten sind hochwertig, wenn sie für ihren vorgesehenen Einsatz in Betrieb, Entscheidung und Planung geeignet sind. Diese Definition – geprägt von Wang & Strong sowie Thomas C. Redman – macht Qualität kontextabhängig: Derselbe Datensatz kann für einen Zweck exzellent und für einen anderen unzureichend sein.
Bei Produktdaten ist das besonders relevant. Ein Datensatz muss zugleich einer Ingenieurin mit detaillierten technischen Spezifikationen und einem Einkäufer mit nutzenorientierten Beschreibungen dienen – und nachgelagerte Automatisierung sowie KI speisen. Hohe Datenqualität heißt: Jeder Nutzer erhält Daten, die für seinen Zweck vollständig, korrekt und konsistent sind.
Die sechs Dimensionen der Datenqualität
Das gängigste und am häufigsten zitierte Rahmenwerk sind die sechs Dimensionen der DAMA-UK-Arbeitsgruppe von 2013. Zusammen liefern sie ein Vokabular dafür, was „gut“ konkret bedeutet – und was zu messen ist.
Warum Datenqualität im Unternehmen entscheidend ist
Schlechte Datenqualität hat einen messbaren Preis. Gartner schätzt die durchschnittlichen Kosten auf 12,9 Mio. US-Dollar pro Unternehmen und Jahr. Die MIT Sloan Management Review berichtet, dass die meisten Unternehmen den Gegenwert von 15–25 % ihres Umsatzes durch schlechte Datenqualität verlieren. Das sind Schätzungen, doch die Richtung ist eindeutig: Schlechte Daten sind teuer.
In Fertigung und Handel verursachen schlechte Produktdaten Retouren, abgelehnte Marktplatz-Listings, entgangene Conversions und manuelle Nacharbeit. Zunehmend wird Qualität auch regulatorisch zur Pflicht: Der Digitale Produktpass (DPP) verlangt vollständige, korrekte Produktdaten. Hohe Datenqualität ist deshalb keine IT-Pflege, sondern ein kommerzieller Hebel – und das operative Ergebnis, das eine gute Data Governance liefern soll.
Datenqualität messen: KPIs und Methoden
Was man nicht misst, kann man nicht verbessern. Messung übersetzt die abstrakten Dimensionen in konkrete, verfolgbare Zahlen.
Beispielhafte KPI-Scorecard, die Dimensionen auf messbare Zielwerte abbildet.
- Data Profiling – Struktur, Inhalt und Beziehungen systematisch auswerten, um Auffälligkeiten und Qualitätsprobleme sichtbar zu machen.
- Konkrete Metriken – Vollständigkeitsrate (z. B. 99 % ohne Null-Werte), Fehler-/Dublettenrate (z. B. 20 Dubletten in 1.000 = 2 %), Genauigkeit als Trefferquote gegen eine vertrauenswürdige Quelle sowie systemübergreifende Konsistenzrate.
- SMART-Zielwerte – etwa „95 % Vollständigkeit für Kundendaten erreichen“ oder „Fehlerrate in sechs Monaten um 10 % senken“.
- Scorecards & Dashboards – Qualität unternehmensweit visualisieren – als Momentaufnahme oder als laufendes Monitoring.
Normen für Datenqualität: ISO 8000 und ISO/IEC 25012
Zwei internationale Normen geben der Datenqualität ein formales Rückgrat. ISO 8000 ist die Norm für Datenqualität und Stammdaten und definiert Anforderungen an den Austausch von Stammdaten – Produkt, Lieferant, Asset – zwischen Geschäftspartnern; ISO 8000-1:2022 liefert den Überblick und führt Portabilität als Stammdaten-Anforderung ein. ISO/IEC 25012:2008, Teil der SQuaRE-Reihe, definiert ein Datenqualitätsmodell mit 15 Merkmalen – aus inhärenter Sicht (Genauigkeit, Vollständigkeit, Konsistenz, Glaubwürdigkeit, Aktualität) und systemabhängiger Sicht (Zugänglichkeit, Konformität, Nachvollziehbarkeit, Portabilität u. a.). Der Bezug auf diese Normen hilft, interne Definitionen an ein anerkanntes Vokabular anzulehnen.
Datenqualität verbessern: Methoden und Best Practices
Datenqualität zu verbessern ist ein kontinuierlicher Zyklus, keine einmalige Bereinigung. Der bewährte Kreislauf verbindet Menschen, Prozesse und Werkzeuge.
Alle vier Schritte ruhen auf Governance (Ownership und Standards) und Master Data Management (ein konsistenter Golden Record für Kerndomänen). Ohne sie verlieren bereinigte Daten wieder an Qualität. Ein wirksamer Hebel ist die Konsolidierung auf eine Single Source of Truth, die widersprüchliche Kopien beseitigt.
Datenqualität bei Produktdaten: Wie ein PIM hilft
Für Produktinformationen ist ein PIM-System der direkteste Hebel für Datenqualität, weil es die Regeln an der Quelle anwendet – bevor Daten überhaupt einen Kanal erreichen.
- Pflichtfelder & Vollständigkeits-Score – das System misst, wie vollständig jeder Produktsatz gegenüber einem Zielwert ist.
- Regelbasierte Validierung – Formate, erlaubte Werte und Abhängigkeiten werden automatisch erzwungen und machen Konsistenz messbar.
- Workflows & Freigaben – Korrekturen und Freigaben werden vor der Veröffentlichung gesteuert.
- Kanalspezifische Ausgabe – eine geregelte Quelle versorgt unterschiedliche Zielgruppen, ohne Daten neu anzulegen.
Genau so steigert ein PIM in der Praxis die Produktdatenqualität: Es operationalisiert die sechs Dimensionen für Produktdaten und hält sie dauerhaft messbar.
Häufige Fragen zur Datenqualität
Welche Dimensionen hat Datenqualität?
Das am häufigsten zitierte Rahmenwerk sind die sechs DAMA-UK-Dimensionen: Vollständigkeit, Eindeutigkeit, Aktualität, Gültigkeit, Genauigkeit und Konsistenz. Einige Anbieter ergänzen Integrität als siebte.
Wie misst man Datenqualität?
Über Data Profiling und konkrete KPIs wie Vollständigkeitsrate, Fehler-/Dublettenrate, Genauigkeit als Trefferquote und systemübergreifende Konsistenz – verfolgt auf einer Scorecard oder einem Dashboard gegen SMART-Zielwerte.
Welche ISO-Normen gelten für Datenqualität?
ISO 8000 behandelt Datenqualität und den Austausch von Stammdaten; ISO/IEC 25012 definiert ein Datenqualitätsmodell mit 15 Merkmalen aus inhärenter und systemabhängiger Sicht.
Wie verbessert ein PIM die Datenqualität?
Ein PIM erzwingt Pflichtfelder, Validierungsregeln und Freigabe-Workflows an der Quelle und berichtet Vollständigkeits- und Qualitäts-Scores – so bleiben Produktdaten über alle Kanäle konsistent.
Kurz gesagt: Datenqualität ist Gebrauchstauglichkeit – messbar gemacht über sechs Dimensionen und konkrete KPIs. Verbessern Sie sie als kontinuierlichen Zyklus, verankern Sie sie in der Governance und setzen Sie sie für Produktdaten mit einem PIM durch.
