Datenqualität verbessern für KI: 7 Schritte zum sauberen Datenfundament

Dein KI-Projekt scheitert nicht am Modell. Es scheitert an den Daten. Das ist kein Klischee, sondern eine messbare Realität: Laut Gartner verlieren Unternehmen im Schnitt 12,9 Millionen Dollar pro Jahr durch schlechte Datenqualität. IBM beziffert die Gesamtkosten mangelhafter Daten in den USA auf 3,1 Billionen Dollar jährlich. Und eine Studie von Harvard Business Review zeigt, dass nur 3 % der Daten in typischen Unternehmen grundlegenden Qualitätsstandards genügen.

Für KI-Projekte verschärft sich das Problem. Ein Sprachmodell oder ein Machine-Learning-Algorithmus kann nur so gut arbeiten wie die Daten, die du ihm gibst. Wenn deine Kundendatenbank voller Duplikate ist, deine Produktstammdaten in drei verschiedenen Formaten vorliegen und die Hälfte deiner CRM-Einträge veraltete Telefonnummern enthält, wird kein noch so gutes KI-Modell brauchbare Ergebnisse liefern.

Dieser Artikel zeigt dir in sieben konkreten Schritten, wie du die Datenqualität in deinem Unternehmen systematisch verbesserst. Kein theoretisches Framework, sondern ein Plan, den du nächste Woche starten kannst.

Das Wichtigste in Kürze

• Datenqualität entscheidet über Erfolg oder Scheitern von KI-Projekten. Die Mehrheit der gescheiterten KI-Initiativen scheitert nicht an der Technologie, sondern an unzureichenden Daten.
• Ein 7-Schritte-Plan bringt Struktur: Datenaudit, Bereinigung, Standardisierung, Deduplizierung, Anreicherung, Monitoring und Governance bilden das Fundament.
• Datensilos sind der häufigste Qualitätskiller im Mittelstand. Wenn ERP, CRM und Excel-Listen nicht miteinander reden, entstehen Widersprüche und Lücken.
• Die Kosten schlechter Daten sind konkret bezifferbar: Fehlentscheidungen, manuelle Nacharbeit, verlorene Kunden und falsche Prognosen kosten ein mittelständisches Unternehmen mit 200 Mitarbeitern leicht 500.000 EUR pro Jahr.
• Tools wie OpenRefine (kostenlos) und Talend (Open Source) ermöglichen den Einstieg ohne sechsstelliges Budget.
• Die Weiterbildung zum Digitalisierungsmanager behandelt Datenqualität, Datenpipelines und KI-Integration als festen Bestandteil. 4 Monate, komplett online, DEKRA-zertifiziert, mit Bildungsgutschein 100 % förderbar.

Warum Datenqualität über Erfolg und Scheitern entscheidet

Der Satz "Garbage in, garbage out" ist so alt wie die Informatik. Für KI bekommt er eine neue Dimension. Klassische Software macht bei schlechten Eingabedaten das Falsche, aber vorhersagbar. Ein KI-Modell macht bei schlechten Daten das Falsche auf eine Weise, die du nicht vorhersehen kannst.

Drei Beispiele aus der Praxis:

Beispiel 1: Kundensegmentierung. Ein Handelsunternehmen will seine 50.000 Kunden per KI in Segmente einteilen. Die CRM-Daten enthalten 12.000 Duplikate (gleicher Kunde mit zwei Schreibweisen), 8.000 Einträge ohne Branchenangabe und 3.000 Datensätze mit veralteter Adresse. Das Ergebnis: Die KI erfindet Segmente, die in der Realität nicht existieren, weil die Datenbasis verzerrt ist.

Beispiel 2: Bedarfsprognose. Ein Zulieferer will mit KI die Nachfrage für das nächste Quartal prognostizieren. Die historischen Bestelldaten liegen in drei Systemen: ERP, Excel-Tabellen des Vertriebs und einem alten Warenwirtschaftssystem. Die Formate sind unterschiedlich, Stornierungen fehlen in einem System, und saisonale Sonderaktionen sind nirgends markiert. Das Modell prognostiziert 30 % daneben.

Beispiel 3: Chatbot für den Kundensupport. Ein Dienstleister baut einen KI-Chatbot, der Kundenfragen beantwortet. Die Wissensbasis besteht aus 400 Dokumenten. 60 davon sind veraltet, 35 widersprechen sich, und 80 existieren in zwei Versionen (eine im Wiki, eine auf dem Laufwerk). Der Chatbot gibt falsche Antworten und verliert das Vertrauen der Kunden.

In allen drei Fällen war die KI-Technologie nicht das Problem. Die Datenqualität war es.

Was Datenqualität konkret bedeutet

Datenqualität lässt sich in sechs Dimensionen messen:

Für ein KI-Projekt brauchst du nicht in allen sechs Dimensionen Perfektion. Aber du brauchst ein klares Bild, wo du stehst und welche Dimensionen für deinen konkreten Anwendungsfall kritisch sind. Ein Chatbot braucht vor allem korrekte und aktuelle Dokumente. Eine Bedarfsprognose braucht vollständige und konsistente Bestelldaten.

Der 7-Schritte-Plan zum sauberen Datenfundament

Schritt 1: Datenaudit durchführen

Bevor du Daten bereinigst, musst du wissen, was du hast. Ein Datenaudit beantwortet drei Fragen: Welche Daten existieren wo? Wie gut sind sie? Welche Daten braucht der geplante KI-Anwendungsfall?

Konkret machst du Folgendes:

1. Datenquellen inventarisieren. Liste alle Systeme auf, in denen relevante Daten liegen: ERP, CRM, Warenwirtschaft, Excel-Listen, SharePoint, E-Mail-Postfächer, Papierarchive. Vergiss die "Schattensysteme" nicht. In fast jedem Unternehmen gibt es Excel-Tabellen auf persönlichen Laufwerken, die kritische Geschäftsdaten enthalten.

2. Stichproben ziehen. Prüfe pro System 100 zufällige Datensätze auf die sechs Qualitätsdimensionen. Wie viele Felder sind leer? Wie viele Einträge sind offensichtlich falsch? Wie alt ist der aktuellste Eintrag?

3. Qualitätsscore berechnen. Bewerte jede Datenquelle auf einer Skala von 1 (unbrauchbar) bis 5 (produktionsreif für KI). Das gibt dir eine Landkarte deiner Datenlandschaft.

Zeitaufwand: 2 bis 5 Tage, abhängig von der Anzahl der Systeme.

Schritt 2: Daten bereinigen

Bereinigung bedeutet: Offensichtliche Fehler korrigieren, Lücken füllen, Ausreißer markieren. Nicht alles auf einmal, sondern priorisiert nach dem, was dein KI-Anwendungsfall braucht.

Typische Bereinigungsaktionen:

• Leere Pflichtfelder füllen (z. B. fehlende PLZ aus der Stadt ableiten)
• Offensichtliche Tippfehler korrigieren (z. B. "Berln" zu "Berlin")
• Veraltete Einträge markieren oder löschen
• Formatfehler beheben (z. B. Datum "12.3.25" zu "2025-03-12")
• Ausreißer identifizieren (z. B. Bestellwert 999.999 EUR bei einem Durchschnitt von 500 EUR)

Tool-Empfehlung: OpenRefine ist kostenlos, Open Source und eignet sich hervorragend für die interaktive Bereinigung von Datensätzen bis zu einigen hunderttausend Zeilen. Du importierst eine CSV oder Excel-Datei, bekommst sofort eine Übersicht über Wertverteilungen und kannst mit Facetten und Clustern ähnliche Einträge zusammenführen.

Schritt 3: Daten standardisieren

Standardisierung stellt sicher, dass gleiche Dinge gleich geschrieben werden. Das klingt trivial, ist aber einer der häufigsten Stolpersteine.

Beispiele für Standardisierungsregeln:

• Telefonnummern immer im Format +49 XXX XXXXXXX
• Firmennamen immer mit Rechtsform, immer ohne Punkt ("GmbH" nicht "G.m.b.H.")
• Datumsformat immer ISO 8601 (YYYY-MM-DD)
• Adressen immer mit Straße, Hausnummer, PLZ, Ort (getrennte Felder)
• Produktnummern immer 8-stellig mit führenden Nullen

Diese Regeln dokumentierst du in einem Datenstandard-Dokument. Das ist kein 50-seitiges Regelwerk, sondern eine übersichtliche Tabelle: Feld, erlaubtes Format, Beispiel, Ausnahmen.

Schritt 4: Duplikate eliminieren

Duplikate sind der stille Killer jeder Datenbank. Sie entstehen, wenn verschiedene Mitarbeiter denselben Kunden, Lieferanten oder Artikel anlegen, ohne zu prüfen, ob er schon existiert. In einem typischen CRM-System sind 10 bis 30 % der Datensätze Duplikate.

Deduplizierung in drei Schritten:

1. Matching-Kriterien definieren. Welche Felder identifizieren einen Datensatz eindeutig? Bei Kunden oft: Name + PLZ + Hausnummer. Bei Produkten: Artikelnummer oder EAN.
2. Fuzzy Matching anwenden. "Müller GmbH" und "Mueller GmbH" und "H. Müller GmbH & Co. KG" sind wahrscheinlich derselbe Kunde. Tools wie OpenRefine, Talend oder dedizierte Matching-Software erkennen solche Ähnlichkeiten.
3. Zusammenführen. Den vollständigsten Datensatz behalten, die anderen löschen oder als Alias verknüpfen.

Warnung: Automatisches Zusammenführen ohne menschliche Prüfung ist riskant. "Müller GmbH, München" und "Müller GmbH, Hamburg" sind vermutlich zwei verschiedene Firmen. Immer einen Menschen über zweifelhafte Fälle entscheiden lassen.

Schritt 5: Daten anreichern

Anreicherung bedeutet: Fehlende Informationen aus externen Quellen ergänzen. Das verbessert die Vollständigkeit und macht die Daten für KI-Anwendungen wertvoller.

Beispiele:

• Firmendaten: Branche, Mitarbeiterzahl, Umsatzklasse aus Handelsregister oder Firmen-Datenbanken ergänzen
• Geodaten: PLZ in Koordinaten umwandeln für räumliche Analysen
• Kontaktdaten: E-Mail-Adressen oder Telefonnummern über Business-Datenbanken verifizieren und ergänzen
• Marktdaten: Branchenklassifikation (WZ-Code) zuordnen

Für die Anreicherung gibt es kostenpflichtige Dienste (z. B. Echobot, Dun & Bradstreet) und kostenlose Quellen (Handelsregister, OpenStreetMap-Geocoding). Welche Quellen du brauchst, hängt von deinem KI-Anwendungsfall ab.

Schritt 6: Monitoring einrichten

Datenqualität ist kein einmaliges Projekt. Ohne Monitoring verschlechtert sie sich innerhalb von Monaten zurück auf den Ausgangszustand. Neue Mitarbeiter legen Daten in alten Formaten an. Integrationen brechen. Quelldaten ändern sich.

Monitoring-Setup:

• Automatische Qualitätschecks: Ein Script, das täglich oder wöchentlich prüft: Wie viele leere Pflichtfelder? Wie viele Duplikate? Wie viele Datensätze seit > 12 Monaten nicht aktualisiert?
• Dashboard: Die Ergebnisse sichtbar machen. Nicht in einem Report, den niemand liest, sondern als Dashboard, das das Team regelmäßig sieht.
• Schwellenwerte und Alerts: Wenn die Duplikatrate über 5 % steigt oder die Vollständigkeit unter 90 % fällt, geht eine Benachrichtigung raus.

Tool-Empfehlung: Great Expectations (Open Source, Python) eignet sich für automatisierte Datenqualitäts-Tests. Für kleinere Setups reicht ein Python-Script mit Pandas, das einmal täglich läuft.

Schritt 7: Data Governance etablieren

Governance klingt nach Konzern. Ist es nicht. Governance bedeutet im Kern: Wer darf welche Daten anlegen, ändern und löschen? Wer ist verantwortlich, wenn die Qualität sinkt? Und welche Regeln gelten für neue Datenquellen?

Minimale Governance für den Mittelstand:

• Datenverantwortliche benennen. Pro Datenbereich (Kundendaten, Produktdaten, Finanzdaten) eine Person, die für Qualität verantwortlich ist. Das muss keine Vollzeitstelle sein. 2 Stunden pro Woche reichen für den Anfang.
• Anlageregeln definieren. Wer darf neue Kunden/Lieferanten/Artikel anlegen? Welche Felder sind Pflicht? Welche Formate gelten?
• Änderungsprotokoll führen. Wer hat was wann geändert? Die meisten modernen Systeme (ERP, CRM) haben das eingebaut. Aktivieren, nicht ignorieren.
• Regelmäßiges Review. Einmal pro Quartal 30 Minuten: Qualitäts-Dashboard ansehen, Trends besprechen, Maßnahmen ableiten.

Datensilos aufbrechen: Das häufigste Problem im Mittelstand

In fast jedem Mittelständler existieren Datensilos. Der Vertrieb arbeitet im CRM, die Buchhaltung im ERP, das Lager in einem Warenwirtschaftssystem und die Geschäftsführung in Excel. Jedes System hat seine eigene Wahrheit.

Das Problem für KI: Wenn du eine Kundenabwanderungsprognose bauen willst, brauchst du Daten aus CRM (Kontakthistorie), ERP (Bestellungen, Umsatz), Support-Ticketsystem (Beschwerden) und eventuell der Website (Besuchsverhalten). Wenn diese Systeme nicht verbunden sind, fehlt dir das Gesamtbild.

Drei Wege, Silos aufzubrechen:

1. Integration über APIs. Moderne Systeme bieten REST-APIs. Tools wie n8n, Make oder Talend verbinden Systeme und synchronisieren Daten automatisch.
2. Zentraler Data Lake. Alle relevanten Daten werden in einen zentralen Speicher kopiert (z. B. eine PostgreSQL-Datenbank oder ein Cloud Data Warehouse). Die KI greift nur auf den Data Lake zu, nicht auf die Quellsysteme.
3. Master Data Management (MDM). Ein MDM-System verwaltet eine zentrale "Golden Record" pro Kunde, Lieferant oder Artikel. Alle Quellsysteme synchronisieren gegen diesen Master.

Für die meisten Mittelständler ist Option 1 (API-Integration) der pragmatische Einstieg. Option 3 ist das Ziel, wenn die Datenmenge und Komplexität wachsen.

Typische Probleme im Mittelstand

Die gute Nachricht: Keines dieser Probleme braucht ein Millionenbudget zur Lösung. Es braucht einen klaren Plan (die sieben Schritte oben) und jemanden, der sich verantwortlich fühlt.

Tools für die Praxis

OpenRefine (kostenlos, Open Source). Interaktive Datenbereinigung und -transformation. Stärken: Clustering für Duplikat-Erkennung, Facetten für Werteverteilungen, Undo/Redo für jede Aktion, Export in viele Formate. Limitierung: Nicht für Echtzeit-Pipelines oder Datenmengen über 1 Million Zeilen geeignet.

Talend Open Studio (kostenlos, Open Source). ETL-Tool (Extract, Transform, Load) für komplexere Datenpipelines. Stärken: Visuelle Pipeline-Erstellung, Hunderte Konnektoren (SAP, Salesforce, Datenbanken, Dateien), Scheduling, Logging. Limitierung: Lernkurve steiler als bei OpenRefine, Java-basiert.

Great Expectations (kostenlos, Open Source, Python). Automatisierte Datenqualitäts-Tests. Definiere Erwartungen ("Spalte PLZ hat immer 5 Ziffern"), und das Tool prüft automatisch bei jedem Datenlauf. Integrierbar in bestehende Datenpipelines.

n8n (kostenlos, Open Source). Workflow-Automatisierung mit 400+ Integrationen. Nicht primär ein Datenqualitäts-Tool, aber ideal um Systeme zu verbinden, Daten zu synchronisieren und Qualitätschecks zu automatisieren.

Was schlechte Daten wirklich kosten

Die Kosten schlechter Datenqualität sind schwer zu beziffern, weil sie sich auf viele Bereiche verteilen. Eine konservative Rechnung für ein mittelständisches Unternehmen mit 200 Mitarbeitern:

Diese Zahlen sind keine Theorie. Thomas Redman, Autor von "Data Driven" und langjähriger Berater für Datenqualität, schätzt, dass Unternehmen 15 bis 25 % ihres Umsatzes durch mangelhafte Datenqualität verlieren. Bei einem Mittelständler mit 20 Millionen Umsatz wären das 3 bis 5 Millionen EUR pro Jahr.

Dagegen stehen die Kosten für ein Datenqualitätsprojekt: Ein interner Verantwortlicher (2 Stunden/Woche), Open-Source-Tools (0 EUR Lizenz), eventuell externe Beratung für den Anfang (5.000 bis 15.000 EUR). Der ROI ist in den meisten Fällen innerhalb von drei Monaten positiv.

Wie du vorgehst: Priorisierung nach KI-Readiness

Nicht alle Daten müssen gleichzeitig perfekt sein. Starte mit dem Datensatz, der für deinen ersten KI-Anwendungsfall am wichtigsten ist. Wenn du einen KI-Readiness-Check für dein Unternehmen machst, wird die Datenqualität einer der zentralen Bewertungspunkte sein.

Empfohlene Reihenfolge:

1. Kundenstammdaten (CRM) bereinigen, weil fast jeder KI-Anwendungsfall auf Kundendaten zugreift
2. Den einen Datensatz priorisieren, den dein erstes KI-Projekt braucht
3. Standardisierung und Governance parallel einführen, damit neue Daten von Anfang an sauber sind
4. Datensilos schrittweise verbinden, nicht alles auf einmal

Eine KI-Strategie für den Mittelstand berücksichtigt die Datenqualität von Anfang an. Wer die Datenbasis ignoriert und direkt mit der KI-Implementierung startet, baut auf Sand.

FAQ

Wie lange dauert es, bis die Datenqualität für KI ausreicht? Abhängig von Ausgangslage und Umfang: 4 bis 12 Wochen für eine erste nutzbare Datenbasis. Das bedeutet nicht, dass alles perfekt ist. Es bedeutet, dass die Daten für einen konkreten KI-Anwendungsfall ausreichen. Perfektion ist das Ziel von Governance, nicht von einem einmaligen Projekt.

Brauche ich einen Data Engineer? Für den Einstieg nicht. Die ersten Schritte (Audit, Bereinigung, Standardisierung) kann jeder machen, der Excel und eine Datenbank bedient. Ab dem Punkt, wo du automatisierte Pipelines und Echtzeit-Monitoring brauchst, lohnt sich jemand mit Data-Engineering-Kenntnissen.

Welche Daten braucht ein KI-Chatbot? Vor allem korrekte und aktuelle Dokumente. Die Wissensbasis muss widerspruchsfrei sein, vollständig und regelmäßig aktualisiert. Format und Struktur sind weniger kritisch, weil das Sprachmodell auch mit unstrukturierten Texten umgehen kann. Aber: Wenn drei Versionen eines Dokuments existieren, muss klar sein, welche die gültige ist.

Was kostet ein Datenqualitätsprojekt? Mit Open-Source-Tools (OpenRefine, Talend, Great Expectations): 0 EUR Lizenzkosten. Die Hauptkosten sind Arbeitszeit: 2 bis 5 Personentage für den Audit, 5 bis 20 Personentage für die Erstbereinigung, danach 2 bis 4 Stunden pro Woche für Monitoring und Governance. Externe Beratung für den Kickoff kostet 5.000 bis 15.000 EUR.

Reicht es, die Daten einmal zu bereinigen? Nein. Ohne Monitoring und Governance verschlechtert sich die Datenqualität innerhalb von 6 bis 12 Monaten zurück auf den alten Stand. Schritt 6 (Monitoring) und Schritt 7 (Governance) sind deshalb keine Kür, sondern Pflicht.

Datenqualität lernen: Der praktische Weg

Datenqualität, Datenpipelines und KI-Integration gehören zusammen. In der Weiterbildung zum Digitalisierungsmanager bei SkillSprinters lernst du, wie du Daten aufbereitest, Systeme verbindest und KI-Anwendungen auf einem sauberen Datenfundament aufbaust. DEKRA-zertifiziert, 4 Monate, komplett online, Standort Bayreuth. Mit Bildungsgutschein ist die Teilnahme zu 100 % förderbar.