www.simplify-data.de
Ein neues Dashboard wird vorgestellt, und schon in der ersten Besprechung heißt es: „Diese Zahl stimmt nicht.“ Danach greifen viele wieder zur gewohnten Excel-Liste. Die Ursache liegt selten im BI-Werkzeug, sondern fast immer in den Daten dahinter. Dieser Artikel erklärt, welche Qualitätsprobleme typisch sind und wie Sie sie systematisch angehen.
Warum Datenqualität über Akzeptanz entscheidet
Ein Dashboard macht Daten sichtbar, die vorher in Systemen und Tabellen verteilt waren. Damit werden auch Fehler sichtbar, die bisher niemand bemerkt hat, weil sie im manuellen Reporting stillschweigend korrigiert wurden.
Vertrauen ist dabei schnell verspielt. Wenn Nutzer einmal eine falsche Zahl entdecken, zweifeln sie auch an allen anderen. Deshalb sollte Datenqualität kein Nachgedanke sein, sondern Teil jedes Dashboard-Projekts.
Die typischen Dimensionen der Datenqualität
In der Fachliteratur werden Datenqualitätsprobleme meist nach einigen Dimensionen geordnet. Für die Praxis im Mittelstand sind vor allem diese relevant:
| Dimension | Frage | Typisches Beispiel |
|---|---|---|
| Vollständigkeit | Sind alle nötigen Werte vorhanden? | Aufträge ohne Vertriebsmitarbeiter oder Kostenstelle |
| Eindeutigkeit | Gibt es jedes Objekt nur einmal? | derselbe Kunde mit drei Kundennummern |
| Korrektheit | Entsprechen die Werte der Realität? | falsche Postleitzahl, veralteter Ansprechpartner |
| Konsistenz | Stimmen Systeme überein? | Artikelpreis im ERP weicht vom Shop ab |
| Aktualität | Sind die Daten aktuell genug? | Lagerbestand wird nur einmal pro Woche übertragen |
| Einheitlichkeit | Sind Formate gleich? | „GmbH“, „Gmbh“ und „G.m.b.H.“ im Kundennamen |
Häufige Ursachen
Stammdaten ohne Verantwortung
Stammdaten sind die langlebigen Grunddaten eines Unternehmens: Kunden, Lieferanten, Artikel, Mitarbeitende. Sie werden oft von vielen Personen angelegt und von niemandem gepflegt. Ohne klare Zuständigkeit entstehen Dubletten und veraltete Einträge.
Freitextfelder statt Auswahllisten
Wo Mitarbeitende Branche, Region oder Grund einer Reklamation frei eintippen, entstehen zahlreiche Schreibvarianten. Für eine Auswertung nach Branche oder Region sind solche Felder kaum nutzbar, solange sie nicht bereinigt werden.
Mehrere Systeme ohne gemeinsame Schlüssel
Shop, CRM, ERP und Buchhaltung verwenden oft eigene Nummernkreise. Ohne einen gemeinsamen Schlüssel lassen sich Datensätze nur über Namen oder E-Mail-Adressen verknüpfen, was fehleranfällig ist.
Unklare Definitionen
Manchmal sind die Daten korrekt, aber die Begriffe nicht eindeutig. Zählt ein stornierter Auftrag zum Auftragseingang? Ist ein „aktiver Kunde“ jemand, der in den letzten zwölf oder in den letzten 24 Monaten bestellt hat? Unterschiedliche Antworten führen zu unterschiedlichen Zahlen, obwohl technisch alles stimmt.
Manuelle Korrekturen im Reporting
Wenn Fehler jeden Monat in Excel nachträglich bereinigt werden, bleibt das Problem in der Quelle bestehen. Beim Umstieg auf ein automatisiertes Dashboard fehlen diese Korrekturen plötzlich.
Datenqualität messbar machen
Was nicht gemessen wird, verbessert sich selten. Sie können Datenqualität mit einfachen Prüfregeln sichtbar machen und in einem eigenen kleinen Qualitäts-Dashboard verfolgen.
- Anteil leerer Pflichtfelder: etwa Kunden ohne Branche oder Artikel ohne Warengruppe.
- Anzahl möglicher Dubletten: zum Beispiel Kunden mit gleicher Umsatzsteuer-ID oder gleicher Adresse.
- Abweichungen zwischen Systemen: Summe der Rechnungen im ERP verglichen mit der Buchhaltung.
- Alter der Daten: Zeitpunkt der letzten erfolgreichen Aktualisierung je Datenquelle.
Solche Kennzahlen zeigen nicht nur den aktuellen Zustand, sondern auch, ob Verbesserungsmaßnahmen wirken.
Wo Sie Fehler beheben sollten
Grundsätzlich gilt: Fehler möglichst dort beheben, wo sie entstehen. Eine Bereinigung im BI-Werkzeug ist manchmal als Übergang sinnvoll, verdeckt aber das eigentliche Problem.
- In der Quelle: Dubletten zusammenführen, fehlende Werte nachtragen, Pflichtfelder und Auswahllisten im ERP oder CRM einführen.
- Im Prozess: Klären, wer Stammdaten anlegen darf und welche Angaben dafür nötig sind.
- In der Datenaufbereitung: Einheitliche Formate, Zuordnungstabellen (etwa für alte und neue Artikelnummern) und dokumentierte Regeln für Sonderfälle.
- Im Dashboard: Hinweise auf bekannte Einschränkungen, etwa „Daten aus dem Shop werden täglich um 6 Uhr aktualisiert“.
Verantwortlichkeiten festlegen
Datenqualität ist keine reine IT-Aufgabe. Die IT kann Prüfungen automatisieren und Systeme anpassen, aber nur die Fachabteilungen wissen, welcher von zwei Kundeneinträgen der richtige ist.
Bewährt hat sich, für jeden wichtigen Datenbereich eine fachlich verantwortliche Person zu benennen, etwa für Kunden den Vertriebsinnendienst und für Artikel den Einkauf. Diese Person entscheidet über Definitionen, prüft regelmäßig die Qualitätskennzahlen und stößt Korrekturen an.
Was BI-Werkzeuge beitragen können
Moderne BI-Werkzeuge wie Power BI oder Metabase lösen Datenqualitätsprobleme nicht automatisch, helfen aber dabei, sie sichtbar zu machen. In Power BI lassen sich beim Laden der Daten mit Power Query Formate vereinheitlichen, leere Werte markieren und Zuordnungstabellen anwenden. Die Datenprofilierung im Power-Query-Editor zeigt zudem auf einen Blick, wie viele leere oder fehlerhafte Werte eine Spalte enthält.
In Metabase können Sie Prüfabfragen in SQL schreiben und deren Ergebnisse als eigene Fragen speichern, etwa „Kunden ohne Branche“. Über Benachrichtigungen erhalten die Verantwortlichen dann regelmäßig eine Übersicht.
Wichtig ist, dass solche Regeln dokumentiert werden. Eine Bereinigung, die nur eine Person kennt, ist genauso riskant wie ein undokumentiertes Excel-Makro.
Checkliste für Ihr nächstes Dashboard-Projekt
- Vor dem Projektstart die wichtigsten Datenquellen und deren Stammdaten auflisten.
- Stichproben ziehen: leere Felder, Dubletten und Schreibvarianten zählen.
- Kennzahlen eindeutig definieren und schriftlich festhalten.
- Gemeinsame Schlüssel zwischen den Systemen klären oder eine Zuordnungstabelle aufbauen.
- Für jeden Datenbereich eine fachlich verantwortliche Person benennen.
- Prüfregeln automatisieren und ein kleines Qualitäts-Dashboard einrichten.
- Bekannte Einschränkungen im Dashboard transparent kennzeichnen.
- Datenqualität in regelmäßigen Abständen, etwa quartalsweise, gemeinsam besprechen.
Fazit
Ein Dashboard ist nur so gut wie die Daten, auf denen es beruht. Wer Datenqualität früh prüft, Verantwortlichkeiten klärt und Fehler in der Quelle behebt, schafft die Grundlage dafür, dass Zahlen akzeptiert und tatsächlich für Entscheidungen genutzt werden. Der Aufwand dafür ist meist geringer als die Zeit, die sonst in Diskussionen über abweichende Werte fließt.
Unterstützung durch Simplify Data
Simplify Data unterstützt Unternehmen in Schleswig-Holstein, Hamburg und deutschlandweit dabei, Datenquellen zu analysieren, Prüfregeln aufzubauen und verlässliche Dashboards mit Power BI oder Metabase umzusetzen. Mehr dazu auf unserer Seite zu Business Analytics.