15 Oktober 2026

Datenqualität beschreibt, wie gut Daten die Anforderungen ihres vorgesehenen Verwendungszwecks erfüllen. In der Produktion müssen beispielsweise Mengen richtig, Auftragsbezüge eindeutig und Zustandsmeldungen rechtzeitig verfügbar sein. Ein Datensatz kann in einer Hinsicht gut und in einer anderen unzureichend sein. Deshalb wird Datenqualität anhand mehrerer nachvollziehbarer Kriterien bewertet.

Warum ist Datenqualität zweckabhängig?

Eine um zehn Minuten verspätete Meldung kann für eine Monatsauswertung ausreichend aktuell sein. Für die unmittelbare Reaktion auf einen Produktionsstopp ist sie möglicherweise ungeeignet. Derselbe Datenbestand besitzt somit nicht für jede Aufgabe dieselbe Eignung.

Auch die erforderliche Genauigkeit hängt vom Zweck ab. Eine gerundete Mengenübersicht kann für eine grobe Kapazitätsdiskussion genügen. Für die Rückverfolgung eines einzelnen Produkts werden dagegen eindeutige Kennungen benötigt. Qualitätsanforderungen sollten deshalb aus konkreten Entscheidungen und Prozessen abgeleitet werden.

Wichtige Kriterien der Datenqualität

In der Praxis werden unter anderem die folgenden Dimensionen verwendet. IBM beschreibt diese verbreiteten Kriterien in seiner Übersicht zu Datenqualitätsdimensionen. Die Auswahl ist kein abschließendes, für jeden Anwendungsfall identisches Modell.

Kriterium	Leitfrage	Produktionsbeispiel
Richtigkeit	Entspricht die Angabe dem tatsächlichen Sachverhalt?	Die gemeldete Gutmenge stimmt mit der freigegebenen Menge überein.
Vollständigkeit	Sind die benötigten Angaben vorhanden?	Jede relevante Rückmeldung besitzt einen Auftragsbezug.
Konsistenz	Widersprechen sich zusammengehörige Angaben?	Auftragsstatus und bestätigte Abschlussmeldung passen zusammen.
Aktualität	Liegt die Information rechtzeitig vor?	Eine Störung wird innerhalb des benötigten Zeitfensters angezeigt.
Gültigkeit	Entspricht die Angabe vereinbarten Regeln?	Eine Mengeneinheit gehört zum zulässigen Wertebereich.
Eindeutigkeit	Werden Objekte und Ereignisse ohne unbeabsichtigte Dubletten geführt?	Eine Rückmeldung wird nur einmal fachlich verarbeitet.

Ein gültiger Wert muss nicht richtig sein. Die Zahl 120 kann formal zulässig sein, obwohl tatsächlich nur 102 Teile gefertigt wurden. Ebenso kann ein vollständig ausgefüllter Datensatz falsche Zuordnungen enthalten. Automatische Formatprüfungen decken daher nur einen Teil der Datenqualität ab.

Praxisbeispiel: Drei Kennzahlen statt eines Sammelwerts

Das folgende Beispiel ist fiktiv. Für 1.000 Produktionsrückmeldungen ist eine gültige Auftragskennung vorgeschrieben. Bei 950 Meldungen ist das Feld gefüllt. Die reine Feldvollständigkeit beträgt 950 / 1.000 × 100 = 95 Prozent.

Von diesen 950 Kennungen lassen sich 920 einem gültigen Auftrag zuordnen. Bezogen auf die ausgefüllten Felder beträgt diese Gültigkeitsquote etwa 96,8 Prozent. Bezogen auf alle erwarteten Meldungen sind nur 92 Prozent mit einer gültigen Kennung versehen. Beide Zahlen sind korrekt, beantworten aber unterschiedliche Fragen. Der Nenner muss genannt werden.

Zusätzlich sollen die Meldungen innerhalb von fünf Minuten eintreffen. Das gelingt bei 800 der 1.000 Rückmeldungen. Die Quote rechtzeitiger Meldungen beträgt somit 80 Prozent. Aus den bisherigen Angaben lässt sich nicht berechnen, wie viele Meldungen zugleich gültig zugeordnet und rechtzeitig sind, weil die Überschneidung der Gruppen unbekannt ist.

Eine Stichprobe mit dem tatsächlichen Ablauf muss außerdem prüfen, ob die zugeordneten Aufträge fachlich richtig sind. Ein existierender Auftrag kann dennoch der falsche sein. Das Beispiel zeigt, weshalb ein einzelner Durchschnittswert wichtige Schwächen verdecken kann.

Wo entstehen Qualitätsprobleme?

Fehler können bereits an der Quelle auftreten: eine falsche Eingabe, ein ungeeigneter Sensor oder eine unklare Buchungsregel. Später können Schnittstellen, Umrechnungen und Auswertungen zusätzliche Probleme erzeugen. Ein korrekt erfasster Messwert kann beispielsweise mit einer falschen Einheit weitergegeben werden.

Uneindeutige Definitionen von Gutmenge, Ausschuss oder Stillstand.
Manuelle Mehrfacheingaben desselben Vorgangs.
Fehlende Zuordnung zu Auftrag, Produkt oder Ressource.
Verwechslung von Ereigniszeit und Empfangszeit.
Unbemerkte Änderungen an Datenformaten oder Skalierungen.
Nicht abgestimmte Korrekturen in mehreren Systemen.

Interoperabilität hilft nur dann, wenn die Bedeutung der Daten erhalten bleibt. Eine technisch erfolgreiche Übertragung ist kein Nachweis dafür, dass der Empfänger den Inhalt fachlich richtig verwendet.

Datenqualität systematisch verbessern

Verwendung klären: Festlegen, welche Entscheidung oder Funktion die Daten unterstützt.
Anforderungen definieren: Benötigte Felder, Aktualität und fachliche Regeln beschreiben.
Ausgangslage messen: Qualitätsprobleme mit eindeutigen Kennzahlen sichtbar machen.
Ursachen untersuchen: Fehler bis zur Entstehung im Prozess zurückverfolgen.
Verbesserung umsetzen: Erfassung, Schnittstellen oder Zuständigkeiten anpassen.
Wirkung prüfen: Qualität und betrieblichen Nutzen nach der Änderung bewerten.

Eine automatische Bereinigung kann bestehende Daten nutzbarer machen. Sie beseitigt jedoch nicht zwingend die Ursache. Wenn Beschäftigte regelmäßig eine ungeeignete Kategorie wählen müssen, sollte die Eingabemaske oder Definition verbessert werden. Eine spätere Korrektur allein führt sonst zu dauerhaftem Zusatzaufwand.

Die Betriebsdatenerfassung sollte deshalb mit den tatsächlichen Abläufen gestaltet werden. Verständliche Begriffe und passende Ausnahmefälle können die Qualität bereits bei der Entstehung verbessern.

Messdaten und Unsicherheit

Bei Prozessdaten gehört die Qualität der Messung zur Betrachtung. Auflösung, Messstelle, Kalibrierung und Umgebungsbedingungen beeinflussen die Aussage. Viele Nachkommastellen bedeuten nicht automatisch hohe Richtigkeit.

Ein fehlender oder unsicherer Wert sollte entsprechend gekennzeichnet werden. Wird er durch null ersetzt, kann die Auswertung einen tatsächlichen Prozesszustand vortäuschen. Auch geschätzte oder nachträglich korrigierte Werte sollten bei relevanten Anwendungen von direkt gemessenen Werten unterscheidbar bleiben.

Eine Plausibilitätsgrenze kann auffällige Werte markieren. Sie beweist aber nicht, dass alle Werte innerhalb der Grenze korrekt sind. Für wichtige Merkmale sind geeignete Referenzprüfungen und fachliche Kontrollen notwendig.

Bedeutung für KI und Kennzahlen

Bei Machine Learning können falsche Zielkennzeichen oder nicht repräsentative Beispiele die spätere Leistung begrenzen. Ein Datenbestand kann formal vollständig und trotzdem für die geplante Aufgabe ungeeignet sein. Beispielsweise fehlen möglicherweise seltene Fehler oder bestimmte Produktvarianten.

Auch Produktionskennzahlen sind von der Qualität ihrer Eingangsdaten abhängig. Eine sauber implementierte Formel liefert kein belastbares Ergebnis, wenn Zeitgrenzen und Mengenbegriffe nicht passen. Berechnung und Datengrundlage müssen gemeinsam geprüft werden.

Veränderungen im Betrieb können die Qualität beeinflussen. Nach einem Maschinenumbau oder einer neuen Produktvariante sollten Zuordnungen und Regeln überprüft werden. Datenqualität ist deshalb eine laufende Aufgabe und kein einmaliger Bereinigungsschritt.

Verantwortlichkeiten und Prioritäten

Fachverantwortliche bestimmen die Bedeutung und notwendigen Anforderungen. Technische Verantwortliche unterstützen Erfassung, Übertragung und Prüfungen. Für die Bearbeitung konkreter Fehler sollte ein nachvollziehbarer Weg bestehen. Ohne diese Zuständigkeit bleiben Qualitätsberichte häufig folgenlos.

Nicht jedes Datenproblem besitzt dieselbe Priorität. Entscheidend sind die Folgen für den jeweiligen Prozess. Ein fehlender optionaler Beschreibungstext kann weniger wichtig sein als eine falsche Chargenzuordnung. Verbesserungen sollten sich daher am betrieblichen Bedarf orientieren und nicht nur an der Anzahl leicht zählbarer Fehler.

Häufige Fragen zur Datenqualität

Ist Datenqualität dasselbe wie Datenintegrität?

Die Begriffe überschneiden sich, setzen aber unterschiedliche Schwerpunkte. Datenintegrität betrifft unter anderem den verlässlichen Erhalt und die Konsistenz von Daten. Datenqualität bewertet breiter ihre Eignung für einen Zweck. Unverändert gespeicherte Daten können beispielsweise dennoch fachlich falsch oder für eine aktuelle Entscheidung zu alt sein.

Kann Datenqualität vollständig automatisch geprüft werden?

Viele Regeln lassen sich automatisieren, etwa Pflichtfelder, zulässige Einheiten oder Dublettenprüfungen. Die fachliche Richtigkeit erfordert jedoch häufig einen Vergleich mit dem realen Prozess oder einer geeigneten Referenz. Ein formal gültiger Auftrag kann der falsche Bezug sein. Automatische Prüfungen sollten deshalb durch passende fachliche Kontrollen ergänzt werden.

Sind hundert Prozent Vollständigkeit immer erforderlich?

Das hängt vom Verwendungszweck und den Folgen fehlender Angaben ab. Für bestimmte Nachweise kann ein fehlendes Pflichtfeld entscheidend sein. Bei anderen Analysen lässt sich mit dokumentierten Einschränkungen arbeiten. Wichtig ist eine bewusst festgelegte Anforderung. Eine hohe Gesamtquote darf kritische Lücken in einzelnen Datenbereichen nicht verdecken.

Warum reicht eine einmalige Datenbereinigung nicht?

Weil neue Daten laufend entstehen und Fehlerursachen weiterwirken können. Ohne Anpassung der Erfassung oder Verarbeitung treten dieselben Probleme erneut auf. Zusätzlich verändern sich Prozesse und Anforderungen. Ein wirksames Vorgehen verbindet daher Bereinigung, Ursachenbeseitigung und regelmäßige Überwachung der relevanten Qualitätskriterien.

Wie lässt sich der Nutzen besserer Datenqualität zeigen?

Durch die Verbindung mit konkreten Prozesswirkungen, etwa weniger Nachfragen, geringeren Korrekturaufwand oder zuverlässigere Auftragsentscheidungen. Die reine Zahl korrigierter Datensätze zeigt nur die Aktivität. Für eine Nutzenbewertung sollte betrachtet werden, welche Fehlerfolgen tatsächlich reduziert wurden und welcher Aufwand für die Verbesserung und den laufenden Betrieb entsteht.

Quellen und weiterführende Informationen

IBM: Data quality dimensions, verbreitete Qualitätskriterien.
ISO/IEC 25012:2008: Data quality model, allgemeines Modell für strukturierte Daten in Computersystemen.

Stand: Oktober 2026. Das Rückmeldebeispiel ist fiktiv und legt keine allgemeinen Qualitätsziele fest.