28.08.2026
28.8.2026
28.8.2026
Was haben Claude Monet und die Datenqualität in Deinem Unternehmen gemeinsam? Dieser Beitrag zeigt, warum unscharfe, inkonsistente Daten Entscheidungen verzerren können und wie Du eine verlässliche Grundlage für Steuerung, Analysen und KI schaffst.
Le Havre, 1872: Claude Monet steht am Fenster seines Hotelzimmers und malt den Sonnenaufgang über dem Hafen. Was er auf die Leinwand bringt, irritiert zunächst: verschwommene Kräne, ein diffuses Orange im Dunst, schemenhafte Boote. Ein Kritiker spottet später, das Bild sei nicht einmal fertig, sondern bloß eine „Impression“. Der Begriff bleibt hängen. Impression, soleil levant gibt einer ganzen Kunstbewegung ihren Namen: dem Impressionismus.
Es gibt eine unterhaltsame Theorie dazu, warum Monet den Hafen so malte, wie er ihn malte: Er sei kurzsichtig gewesen. Das Bild zeigte den Hafen demnach nicht unbedingt so, wie er war, sondern so, wie Monet ihn wahrnahm.
Mit der Brille von heute betrachtet, hätte Monet damit ein klassisches Problem der Datenqualität gehabt.
Bleiben wir kurz bei der Analogie: Monets Geschäftsprozess war das Malen. Sein Input war die Realität vor dem Fenster, seine Sensorik waren seine Augen, sein Output das Gemälde.
Zwischen Realität und Leinwand lag eine Verarbeitungsstrecke, also quasi eine Datenpipeline. Und in dieser Pipeline saß möglicherweise ein Defekt: Die Rohdaten – der Hafen von Le Havre mit Kränen, Dampfschiffen und Handelsströmen – kamen unscharf, verrauscht und farbverschoben an. Monet machte daraus Kunstgeschichte.
Ganz eindeutig ist diese Diagnose nicht. Ob Monet tatsächlich kurzsichtig war, wird unterschiedlich eingeordnet. Gesichert ist jedoch, dass er im Alter an Grauem Star litt. Seine Bilder wurden über Jahre rötlicher und gelblicher, weil seine Linse Blautöne zunehmend herausfilterte. Nach einer Operation im Jahr 1923 soll Monet erschrocken festgestellt haben, wie stark sich seine Wahrnehmung verändert hatte. Einige späte Werke überarbeitete oder zerstörte er anschließend.
Die Analogie geht damit über ein einmaliges Pipeline-Problem hinaus. Es geht um eine schleichende Verschlechterung der Datenqualität ohne Monitoring. Der Fehler tritt nicht plötzlich auf, sondern entwickelt sich kontinuierlich. Ohne geeignete Messung, Validierung und Verantwortlichkeiten bleibt er oft lange unbemerkt.
Die Pointe ist nicht, dass Monet einen Data Engineer gebraucht hätte. Für die Kunstgeschichte war die Unschärfe sogar ein Glücksfall.
Für Unternehmen gilt jedoch ein anderer Maßstab. Monet malte einen bedeutenden Handelshafen. Wäre er jedoch Händler gewesen, hätte er den Hafen als Marktplatz voller Informationen lesen müssen: Welche Schiffe liegen am Kai? Welche Waren werden gekauft? Wo entstehen heute Geschäftsmöglichkeiten?
Wenn Wettbewerber diese Informationen schneller oder verlässlicher erfassen, entsteht ein Nachteil. Während andere bereits handeln, sucht man selbst noch nach den relevanten Signalen.
Genau deshalb sind Daten das Sinnessystem Deines Unternehmens.
So wie Monets Augen zwischen Hafen und Leinwand standen, stehen Deine Daten zwischen Realität und Entscheidung. Märkte, Kunden, Wettbewerber und interne Geschäftsprozesse nimmst Du nicht unmittelbar wahr. Du siehst sie durch Berichte, Dashboards, Excel-Listen, operative Systeme und informelle Updates.
Die Bedeutung der Datenqualität liegt deshalb nicht allein in technisch korrekten Datensätzen. Es geht darum, ob Daten für den vorgesehenen Zweck geeignet sind: für die Steuerung von Geschäftsprozessen, die Analyse von Kundenverhalten, die Bewertung von Risiken oder die strategische Entscheidungsfindung.
Schlechte Datenqualität kann dazu führen, dass Zahlen zwar plausibel erscheinen, aber keine belastbare Grundlage für Entscheidungen bieten. Gute Datenqualität schafft dagegen eine gemeinsame, vertrauenswürdige Faktenbasis.
Viele Unternehmen kennen Situationen wie diese:
Das ist wie der Hafen von Le Havre im Morgennebel: Es entsteht ein Bild der Realität, aber es bleibt eine Impression.
Probleme mit der Datenqualität sind dabei jedoch nicht auf einen einzelnen Datensatz beschränkt. Sie können entstehen, wenn Daten aus verschiedenen Quellen zusammengeführt werden, ohne dass Definitionen, Metadaten und Standards abgestimmt sind. Auch manuelle Übertragungen, fehlende Validierung oder unklare Zuständigkeiten können zu Inkonsistenzen führen.
Eine allgemeingültige Definition von Datenqualität gibt es nicht losgelöst vom konkreten Einsatzgebiet. Die Qualität der Daten bemisst sich daran, ob sie die Anforderungen einer bestimmten Entscheidung, Analyse oder Automatisierung erfüllen.
Für die Bewertung der Datenqualität sind insbesondere diese Aspekte der Datenqualität relevant:
Diese Dimensionen der Datenqualität zeigen: Datenqualität ist kein rein technisches Thema. Genauigkeit, Konsistenz und Gültigkeit müssen fachlich definiert und organisatorisch verankert werden.
„Wir haben ein Problem mit unseren Daten“ ist eine wichtige Beobachtung, aber noch keine belastbare Analyse. Um Datenqualität zu messen, braucht es klare Erwartungen an kritische Datensätze und nachvollziehbare Metriken.
Die Messung der Datenqualität beginnt deshalb mit konkreten Fragen: Welche Daten sind für einen Prozess oder eine Entscheidung besonders relevant? Welche Qualitätsanforderungen gelten für sie? Und wie lässt sich regelmäßig prüfen, ob diese Anforderungen eingehalten werden?
Ein Beispiel: Für eine vertrauenswürdige Kundenanalyse kann es erforderlich sein, dass Kundendaten vollständig, konsistent und eindeutig sind. Für eine operative Steuerung kann zusätzlich Aktualität relevant sein. Die Anforderungen unterscheiden sich je nach Anwendungsfall, Datenmenge und Risikoprofil.
Die Bewertung der Datenqualität sollte nicht einmalig erfolgen. Denn Datenbestände verändern sich ständig: Neue Datenquellen kommen hinzu, Schnittstellen werden angepasst und große Datenmengen werden automatisiert verarbeitet. Deshalb ist es sinnvoll, Datenqualität kontinuierlich zu messen und Veränderungen sichtbar zu machen.
Datenqualitätsmanagement bedeutet, Datenqualität systematisch zu verwalten, zu messen und zu verbessern. Dabei geht es nicht nur um die Bereinigung einzelner fehlerhafter Daten. Es geht um wiederholbare Prozesse, klare Verantwortlichkeiten und geeignete Standards für Datenqualität.
Ein wirksames Datenqualitätsmanagement verbindet mehrere Perspektiven:
Data Governance und Datenintegrität sind dabei eng miteinander verbunden. Datenintegrität beschreibt vereinfacht, dass Daten vollständig, korrekt und konsistent bleiben, wenn sie gespeichert, verarbeitet oder zwischen Systemen übertragen werden. Governance schafft den Rahmen, um diese Anforderungen im gesamten Unternehmen nachvollziehbar umzusetzen.
Das Ziel besteht nicht darin, jede Information mit maximalem Aufwand zu perfektionieren. Hohe Datenqualität bedeutet, dass die Qualität der Daten zum jeweiligen Anwendungsfall passt und für die relevanten Entscheidungen verlässlich genug ist.
Die Herausforderungen bei der Datenqualität wachsen häufig mit der Menge an Daten, der Zahl der Systeme und den Anforderungen an die Nutzung. Historisch gewachsene Anwendungen, unterschiedliche Fachdefinitionen und Daten aus verschiedenen Quellen können dazu führen, dass eine einheitliche Sicht fehlt.
Mit KI gewinnt das Thema Datenqualität zusätzlich an Relevanz. KI-Modelle arbeiten mit den Datensätzen, die ihnen bereitgestellt werden. Sind diese ungenau, unvollständig oder inkonsistent, kann auch das Ergebnis keine belastbare Faktenbasis ersetzen. KI kann die Analyse beschleunigen und Prozesse unterstützen. Sie löst aber keine grundlegenden Probleme in den Eingangsdaten.
Daher sollte die Einführung von KI mit der Frage verbunden sein, ob die zugrunde liegenden Daten für den vorgesehenen Zweck geeignet sind. Hochwertige Daten, klare Metadaten und eine konsistente Datenbasis helfen dabei, die Ergebnisse besser einzuordnen und ihre Nutzung verantwortungsvoll zu gestalten.
Die Vorteile guter Datenqualität zeigen sich nicht erst in großen Transformationsprogrammen. Sie beginnen im operativen Alltag: weniger manuelle Abstimmung, eine schnellere Analyse, weniger Diskussionen über widersprüchliche Kennzahlen und eine bessere Grundlage für Entscheidungen.
Eine Verbesserung der Datenqualität kann insbesondere dabei helfen,
Dabei ist nicht jede Datenqualität im gleichen Maß wichtig. Eine gemeinsame Monatssicht kann für bestimmte Managemententscheidungen völlig ausreichend sein. Andere Prozesse benötigen möglicherweise eine höhere Genauigkeit oder aktuellere Daten. Entscheidend ist, dass die Anforderungen transparent sind und die Qualität der Daten dazu passt.
Monets Geschichte endet versöhnlich: Nach seiner Operation konnte er wieder Blautöne wahrnehmen, arbeitete weiter an seinen Seerosen und schuf auch im hohen Alter bedeutende Werke. Sein Sinnessystem hatte sich verändert und damit auch sein Output.
Für die Kunst war die Unschärfe ein Geschenk. Für Unternehmenssteuerung ist sie es in der Regel nicht.
Die entscheidende Frage lautet deshalb: Woher weißt Du, dass Dein Unternehmen den Hafen scharf sieht?
Der erste Schritt muss kein Tool-Kauf sein. Sinnvoller ist ein strukturierter Sehtest: Wo bestehen bereits verlässliche Daten- und Entscheidungsgrundlagen? Wo werden Annahmen, manuelle Abstimmungen oder widersprüchliche Kennzahlen noch für Fakten gehalten? Und in welchen Bereichen hätte die Verbesserung der Datenqualität den größten Nutzen?
Formate wie ein Data & AI Potentials Workshop können dabei helfen, Fach- und Führungsperspektiven zusammenzubringen. Gemeinsam lässt sich herausarbeiten, wo schärferes Sehen für Kundenbeziehungen, Prozesse und strategische Entscheidungen den größten Unterschied machen kann.
Du möchtest Datenqualität gezielt verbessern und eine gemeinsame, verlässliche Faktenbasis schaffen? Wir unterstützen Dich dabei, relevante Datenpotenziale zu identifizieren, Verantwortlichkeiten zu klären und passende Maßnahmen für Deine Datenstrategie abzuleiten.
Data Strategy Solution Lead
Am Zitat „Daten sind das Gold des 21. Jahrhunderts“ kam in den letzten Jahren kaum jemand vorbei. Doch es gibt einen entscheidenden Unterschied zwischen Daten und Gold. Daten haben nur einen Wert, wenn man sie nutzt. Um diese Nutzung zu ermöglichen, muss sich in vielen Fällen etwas ändern – die Daten müssen demokratisiert werden.
Die Europäische Zentralbank (EZB) sowie viele andere Aufsichtsbehörden erkannten in der Analyse der Ursachen der Finanzkrise 2008 unter anderem große Defizite in der IT und Datenarchitektur der Institute. Diese Defizite führten dazu, dass Risikobewertungen nicht schnell und präzise genug und nicht vollständig durchgeführt werden konnten. Kurz gesprochen: Risiken konnten weder im angemessenen Maße berichtet noch kontrolliert werden. Aus dieser Lehre heraus wurde von dem Baseler Ausschuss für Bankenaufsicht (engl. Basel Committee on Banking Supervision, kurz BCBS) der vielseits durch die Presse bekannte Standard 239 veröffentlicht, auch bekannt als „Principles for effective risk data aggregation and risk reporting“ bzw. als AT 4.3.4 der MaRisk.
Genauso, wie die meisten von uns in der Musik harmonische Akkorde Dissonanzen vorziehen, so erreicht man auch erst mit der Harmonisierung von Data Strategy, Data Organization und Data Governance maximale Effekte in der Wertschöpfung. Wir beantworten die wichtigsten Fragen und zeigen erfolgreiche Beispiele.
Kein vorheriger Beitrag
Kein nächster Beitrag
