{"id":157021,"date":"2026-08-18T12:39:23","date_gmt":"2026-08-18T12:39:23","guid":{"rendered":"https:\/\/barc.com\/?p=157021"},"modified":"2026-08-18T16:03:21","modified_gmt":"2026-08-18T16:03:21","slug":"datenqualitaetsmanagement-definition-lebenszyklus-verantwortung","status":"publish","type":"post","link":"https:\/\/barc.com\/de\/datenqualitaetsmanagement-definition-lebenszyklus-verantwortung\/","title":{"rendered":"Datenqualit\u00e4tsmanagement: Definition, Lebenszyklus und Verantwortung"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Im BARC<a href=\"https:\/\/barc.com\/de\/research\/bi-trend-monitor-2025\/\"> <em>Data, BI and Analytics Trend Monitor 2026<\/em><\/a> bewerteten 1.550 Befragte Datenqualit\u00e4tsmanagement durchschnittlich mit 7,9 von 10 Punkten. Damit teilt sich das Thema den ersten Platz mit Data Security &amp; Privacy. Die Priorit\u00e4t ist seit Jahren bekannt. Vielen Unternehmen fehlt jedoch ein wirksames Vorgehen.\u2060\u2060<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsmanagement bedeutet, kontinuierlich daran zu arbeiten, Daten f\u00fcr einen konkreten gesch\u00e4ftlichen Zweck verl\u00e4sslich zu machen. Dazu erarbeitet ein Unternehmen die Anforderungen der Datenkonsumenten, untersucht den Prozess der Datenerzeugung, leitet daraus Ver\u00e4nderungen am Entstehungsprozess ab und \u00fcberwacht, ob die vereinbarte Qualit\u00e4t erreicht wird.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Die Qualit\u00e4t einer Information ist nie absolut. Datenqualit\u00e4t entscheidet sich sowohl an der Nutzung der Daten als auch an dem Prozess, der den Datenpunkt erzeugt. Wer Nutzung und Entstehung versteht, kann kritische Daten bestimmen und geeignete Ma\u00dfnahmen ausw\u00e4hlen. Erst danach kann der \u00fcblicherweise diskutierte Werkzeugkasten des Datenqualit\u00e4tsmanagements zum Einsatz kommen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Was ist Datenqualit\u00e4t?<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4t beschreibt, ob Daten f\u00fcr einen konkreten Zweck geeignet sind.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Generische Definitionen und Messmodelle l\u00f6sen das Grundproblem nicht. Wer Daten als Produkt versteht, muss ihre Qualit\u00e4t aus der vorgesehenen Nutzung ableiten.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Was ist Datenqualit\u00e4tsmanagement?<\/strong><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsmanagement (DQM) im Kontext von Enterprise Data Management ist ein umfangreicher Prozess der sicherstellt, dass Daten akkurat, verl\u00e4sslich und valide sind \u00fcber ihren gesamten Lebenszyklus hinweg. Es bedient sich sowohl an technischen als auch organisatorischen Ma\u00dfnahmen. (BARC Definition)<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Warum ist Datenqualit\u00e4tsmanagement wichtig?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Unzuverl\u00e4ssige und widerspr\u00fcchliche Daten f\u00fchren zu widerspr\u00fcchlichen Kennzahlen, manueller Nacharbeit und zeitraubenden Diskussionen. Sie erh\u00f6hen zugleich Compliance-Risiken und verursachen fehlerhafte Analysen und Entscheidungen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Probleme bleiben oft lange unbemerkt. Analysen wirken verl\u00e4sslich, obwohl die zugrunde liegenden Daten ungeeignet sind. Fr\u00fcher oder sp\u00e4ter treten aber immer wieder Probleme mit der Datenqualit\u00e4t auf. Wer wiederholt auf fehlerhafte Daten st\u00f6\u00dft, nutzt dann wieder zunehmend Instinkt und Meinung als Grundlage f\u00fcr Entscheidungen oder bezweifelt sogar datengetriebene Entscheidungen anderer.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Langfristiges Vertrauen in Daten ist das Zwischenziel vieler Unternehmen, um sich zu einer datengetriebenen Organisation zu entwickeln. Die Herausforderung ist zu verstehen, dass eine perfekte Datenqualit\u00e4t unm\u00f6glich ist, Fehler sind damit absehbar. Beispiele aus der Praxis zeigen aber, dass es durchaus m\u00f6glich ist, dennoch Vertrauen in Daten zu schaffen. Ein Betriebsmodell muss die Grundlage f\u00fcr kontinuierliche Qualit\u00e4tsarbeit bieten: Fehler fr\u00fch erkennen, zeitnah beheben und ihre Wiederholung verhindern.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Jeder Datensatz bildet nur einen Ausschnitt der Wirklichkeit ab<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Im Bereich der industriellen Fertigung gibt es den Begriff des digitalen Zwillings. Er deutet auf einen simplen Grundgedanken hin: Digitale Daten sind in erster Linie ein Werkzeug, um unsere Realit\u00e4t modellhaft im digitalen Raum darzustellen, eine Grundvoraussetzung f\u00fcr den Einsatz von Informationstechnologie im Kontext des Unternehmens.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ein digitaler Zwilling ist jedoch keine objektive Kopie der Realit\u00e4t. Und so verh\u00e4lt es sich auch mit vielen anderen Datenpunkten, mit denen wir t\u00e4glich in Kontakt treten. Menschen und Organisationen \u00fcbersetzen einen Ausschnitt der Wirklichkeit in Begriffe und Strukturen der IT, damit sie Abl\u00e4ufe konsistent, effizient und regelkonform wiederholen k\u00f6nnen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Darin liegt eine der Wurzeln vieler Datenqualit\u00e4tsprobleme: Nicht nur einzelne Werte k\u00f6nnen falsch sein. Schon das Modell kann f\u00fcr einen bestimmten Zweck unzureichend sein.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das ist kein rein digitales Problem: Eine Landkarte zeigt nur die Aspekte der Welt, die f\u00fcr ihren Zweck relevant sind. Genauso sind Daten vereinfachte Projektionen der Realit\u00e4t. Ihre Qualit\u00e4t kann nur relativ zu einer Nutzung beurteilt werden. Niemand k\u00e4me auf die Idee, einen Atlas f\u00fcr Fernfahrer als schlecht zu bezeichnen, nur weil er kleine Wanderwege nicht darstellt.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Drei Fehler f\u00fchren zu Problemen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Das ist ein <strong>konzeptioneller Fehler<\/strong> im Datenmodell. Gehen wir nochmal weg vom Bauplan und zu einem digitalen Datenproblem**:** Das CRM modelliert den \u201eKunden\u201c so, dass Sales Opportunities steuern kann. F\u00fcr Finance fehlen aber m\u00f6glicherweise Rechtseinheit, Umsatzsteuer-ID oder Vertragsstruktur. Der Datensatz ist dadurch nicht objektiv falsch, sondern f\u00fcr einen anderen Business Outcome unzureichend modelliert.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Weitere Fehler entstehen bei <strong>der Erfassung.<\/strong> Auch hier ein Beispiel: Ohne Validierung entstehen oft falsche Kombinationen aus Postleitzahl und Ort. F\u00fcr den Customer Service bleibt das zun\u00e4chst unsichtbar. In der Logistik wird daraus eine fehlgeleitete Sendung.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Zu guter Letzt erzeugen schlechte Abl\u00e4ufe schlechte Daten: ein <strong>Prozessfehler<\/strong>. Menschen erfassen Informationen anders als erwartet, wenn Zweck, Anforderungen, Zeit, Oberfl\u00e4che oder Training nicht zum Prozess passen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Ein Orientierungsmodell f\u00fcr Datenqualit\u00e4tsmanagement<\/strong><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsmanagement verbindet drei Aspekte:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Der <strong>fachliche und unternehmerische Aspekt<\/strong> beschreibt sowohl die Entstehung als auch den Impact von Daten(qualit\u00e4t)<\/li>\n\n\n\n<li>Menschen sind f\u00fcr Datenqualit\u00e4t verantwortlich, daher braucht es eine <strong>organisatorische Verankerung<\/strong> in Ablauf- und Aufbauorganisation<\/li>\n\n\n\n<li><strong>Technologie<\/strong> ist daf\u00fcr geeignet, Menschen zu entlasten und bei wiederkehrenden T\u00e4tigkeiten automatisiert zu unterst\u00fctzen<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" width=\"630\" height=\"355\" src=\"https:\/\/barc.com\/wp-content\/uploads\/2026\/08\/Datenqualitaetsmanagement-1-e1787055456302.png\" alt=\"Abbildung 1: Orientierungsmodell f\u00fcr Datenqualit\u00e4tsmanagment\" class=\"wp-image-157023\"\/><figcaption class=\"wp-element-caption\"><em>Abbildung 1: Orientierungsmodell f\u00fcr Datenqualit\u00e4tsmanagment<\/em><\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ein Beispiel zeigt, wo die Priorit\u00e4ten liegen sollten<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Bestandssteuerung eines fiktiven Handelsunternehmens<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Supa24 ist ein fiktiver, regionaler Einzelh\u00e4ndler im Lebensmittelgesch\u00e4ft. Ein Zentrallager steuert rund 10.000 der Artikel datenbasiert. Der Einkauf tr\u00e4gt die Verantwortung f\u00fcr die Bestellentscheidung, ist aber auf korrekte Informationen aus der Warenannahme angewiesen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Eines Tages ereignet sich ein Vorfall, der allerdings erst Wochen sp\u00e4ter auff\u00e4llt: Supa24 verkauft Wasser in Sechserpacks, die im Lager normalerweise als eine Packung gez\u00e4hlt werden. Eine studentische Aushilfe erfasst bei einer einzelnen Lieferung die Zahl der einzelnen Flaschen, nicht die Zahl der Sechserpacks, alle anderen Wasserlieferungen in derselben Woche werden korrekt eingetragen. Der Systembestand ist dadurch h\u00f6her als der tats\u00e4chliche Bestand.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Der Einkauf interpretiert den Wert als \u00dcberbestand und verschiebt eine sp\u00e4tere Lieferung um unn\u00f6tige Lagerfl\u00e4chen zu belegen und Kosten zu vermeiden. Das Wasser ist anschlie\u00dfend ausverkauft, Kundinnen und Kunden finden ein Alltagsprodukt nicht vor. Der Filialleiter nimmt entsprechend den Telefonh\u00f6rer in die Hand und beschwert sich in der Zentrale. F\u00fcr ihn schaut es so aus, als h\u00e4tte die Einkaufsabteilung gerade bei so einem wichtigen Artikel eine unn\u00f6tige Fehlentscheidung zu seinen Lasten getroffen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sofort geht der Einkauf von Supa24 auf Ursachenanalyse. Ausgangspunkt ist die Differenz zwischen erwarteten und tats\u00e4chlich vorhandenen Packungen. Schnell stellt der verantwortliche Analyst fest: Die angeblichen Best\u00e4nde haben physisch nie existiert. Der Fehler l\u00e4sst sich durch den Vergleich von Lieferbeleg und Buchung der Warenannahme auf die falsche Mengeneinheit zur\u00fcckf\u00fchren. Das Management stellt dann die offensichtliche Frage: Wie konnte eine einzelne Eingabe ohne Plausibilit\u00e4tspr\u00fcfung eine Bestellentscheidung ver\u00e4ndern?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Das Management entscheidet sich, dass dieses Problem gesch\u00e4ftsentscheidend ist und beauftragt den Chief Data Officer, eine L\u00f6sung zwischen Einkauf, Logistik und IT zu moderieren. Das Ergebnis ist erstaunlich banal und so oder \u00e4hnlich bereits in vielen Warenwirtschaftssystemen umgesetzt: Bei der Warenannahme vergleicht das System jede gebuchte Lieferposition mit der angek\u00fcndigten Menge auf dem Lieferbeleg. Bei einer Abweichung erhalten die Person in der Warenannahme und die Einkaufsverantwortung vor Abschluss der Buchung einen Hinweis und es wird nochmal nachgez\u00e4hlt. Gr\u00f6\u00dfere Abweichungen erfordern eine weitere Z\u00e4hlung durch eine dritte Person.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Der Fehler entstand bei der physischen Warenannahme. Das IT-System machte ihn lediglich als falschen Bestand sichtbar. Daher brauchen sie auch die fachlichen Manager, IT-Experten jedoch in vielen F\u00e4llen nur zur Unterst\u00fctzung.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Der Lebenszyklus des Datenqualit\u00e4tsmanagements<\/h2>\n\n\n\n<figure class=\"wp-block-image size-full\"><img decoding=\"async\" width=\"630\" height=\"629\" src=\"https:\/\/barc.com\/wp-content\/uploads\/2026\/08\/Datenqualitaetsmanagement-2.png\" alt=\"Abbildung 2: Lebenszyklus des Datenqualit\u00e4tsmanagements\" class=\"wp-image-157025\" srcset=\"https:\/\/barc.com\/wp-content\/uploads\/2026\/08\/Datenqualitaetsmanagement-2.png 630w, https:\/\/barc.com\/wp-content\/uploads\/2026\/08\/Datenqualitaetsmanagement-2-300x300.png 300w, https:\/\/barc.com\/wp-content\/uploads\/2026\/08\/Datenqualitaetsmanagement-2-150x150.png 150w, https:\/\/barc.com\/wp-content\/uploads\/2026\/08\/Datenqualitaetsmanagement-2-600x599.png 600w, https:\/\/barc.com\/wp-content\/uploads\/2026\/08\/Datenqualitaetsmanagement-2-100x100.png 100w\" sizes=\"(max-width: 630px) 100vw, 630px\" \/><figcaption class=\"wp-element-caption\"><em>Abbildung 2: Lebenszyklus des Datenqualit\u00e4tsmanagements<\/em><\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Die sieben grunds\u00e4tzlichen Phasen von Datenqualit\u00e4tsmanagement:<\/strong><\/h3>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Discover<\/strong>: Baue ein Inventar der relevanten Datenquellen auf.<\/li>\n\n\n\n<li><strong>Profile:<\/strong> Analysiere die Daten, um ihren Aufbau und eventuelle Anomalien zu erkennen.<\/li>\n\n\n\n<li><strong>Define &amp; Design:<\/strong> Definiere Regeln und Standards.<\/li>\n\n\n\n<li><strong>Monitor:<\/strong> Beobachte, wie Regeln und Metriken eingehalten werden<\/li>\n\n\n\n<li><strong>Identify Issues:<\/strong> Identifiziere und priorisiere Datenqualit\u00e4tsprobleme<\/li>\n\n\n\n<li><strong>Remediate:<\/strong> Analysiere den grundlegenden Ausl\u00f6ser und behebe das Problem<\/li>\n\n\n\n<li><strong>Report:<\/strong> Berichte den Status quo an die beteiligten Stakeholder<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Dieser Lebenszyklus ist nach wie vor die Grundlage des Datenqualit\u00e4tsmanagements. Der Data Quality Lifecycle wird wiederholt, sobald der Abschlussbericht Verbesserungsbedarf zeigt oder ein neues Problem auftritt (iterativer Ansatz).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wie er genau ausgef\u00fchrt werden kann und wie er sich dank k\u00fcnstlicher Intelligenz weiterentwickelt, erkl\u00e4rt mein Kollege Timm Grosser im Blogbeitrag <a href=\"https:\/\/barc.com\/de\/ki-datenqualitaet-erfolgsfaktoren\/\"><em>Warum Datenqualit\u00e4t von gestern deine KI-Projekte ruiniert<\/em><\/a> und in diesem <a href=\"https:\/\/barc.com\/webinare\/data-quality\/\">BARC-Webinar<\/a>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Arbeitsteilung im \u00dcberblick<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Fachliche Verantwortliche definieren die akzeptable Qualit\u00e4t und bewerten die Folgen eines Fehlers. Gleichzeitig gibt es in vielen Unternehmen zentralisierte Teams in Governance und IT, die einen gro\u00dfen Anteil leisten k\u00f6nnen, um Datenqualit\u00e4t zu verbessern. Allerdings nur dann, wenn alle verstehen, dass zentrale Teams nur unterst\u00fctzen k\u00f6nnen und nie verantwortlich sein k\u00f6nnen f\u00fcr Datenqualit\u00e4t.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Einige Beispiele:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Governance-Verantwortliche moderieren und \u00fcbersetzen Anforderungen in gemeinsame Prinzipien, Standards und Entscheidungswege. So entsteht ein koh\u00e4rentes Gesamtbild mit konsistenten Standards. Das ist essentiell f\u00fcr ein effizientes Arbeiten und Automatisierung.<\/li>\n\n\n\n<li>Data Engineers implementieren Kontrollen in Datenbest\u00e4nden und Pipelines.<\/li>\n\n\n\n<li>Data Stewards \u00fcberwachen Ergebnisse, koordinieren die Bearbeitung und halten Definitionen und Metadaten aktuell. Idealerweise sitzen Data Stewards daher in der fachlichen Abteilung.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Warum Verantwortlichkeit f\u00fcr Daten so oft fehlschl\u00e4gt<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Ownership f\u00fcr Daten(qualit\u00e4t) scheitert h\u00e4ufig an der logischen Struktur des Problems: Die produzierende Person tr\u00e4gt den Aufwand f\u00fcr bessere Erfassung. Die konsumierende Person tr\u00e4gt die Konsequenz schlechter Qualit\u00e4t.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wer Daten produziert, ist m\u00f6glicherweise weniger von ihnen abh\u00e4ngig oder nutzt eine andere Qualit\u00e4tsdefinition. Viele Programme beantworten dieses Anreizproblem mit Richtlinien, Ownership-Eintr\u00e4gen im Datenkatalog, RACI-Diagrammen oder einem Datenqualit\u00e4tstool. Diese Instrumente dokumentieren das Problem, l\u00f6sen aber nicht das Grundproblem, dass der Produzent schlicht keinen rationalen Grund hat, in das Nebenprodukt seiner Prozesse (Daten) zu investieren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Formale Ownership bleibt wirkungslos, wenn die benannte Person den Entstehungsprozess nicht ver\u00e4ndern kann. Entscheidend ist deshalb, woran sich echte Ownership erkennen l\u00e4sst.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In der Praxis k\u00f6nnen Sie das in wenigen Minuten selbst \u00fcberpr\u00fcfen. Denn echte Ownership erf\u00fcllt 3 Bedingungen:<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Ein Owner hat die Autorit\u00e4t, den Prozess zu ver\u00e4ndern, der die Information erzeugt.<\/li>\n\n\n\n<li>Ein Owner hat die M\u00f6glichkeit einen Fehler zu sehen, wenn er entsteht oder relevant wird.<\/li>\n\n\n\n<li>Ein Owner ist betroffen von der Konsequenz, wenn niemand handelt. Sei es direkt oder indirekt bspw. \u00fcber Incentives oder Verrechnung.<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Nur bei einem klaren Ja zu allen drei Bedingungen existiert ein echter Owner.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Die produzierende Seite tr\u00e4gt zu schnell die Schuld<\/strong><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Ein bekanntes Schema bei Datenqualit\u00e4tsprobleme ist au\u00dferdem eine vorschnelle Schuldzuweisung. Die konsumierende Seite sieht eine falsche Information und schlie\u00dft: Jemand hat diesen Wert eingegeben, also liegt dort die Schuld. Gleichzeitig formuliert sie ihre Qualit\u00e4tsanforderung h\u00e4ufig erst, nachdem etwas schiefgegangen ist. Niemand kann auf eine Erwartung optimieren, die nie ausgesprochen wurde. Die Verantwortung verl\u00e4uft deshalb in beide Richtungen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Die richtige Reihenfolge<\/strong><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Zuerst Requirements-Arbeit: Welche Entscheidung h\u00e4ngt von der Information ab? Welche Elemente k\u00f6nnen das Ergebnis ver\u00e4ndern? Was bedeutet \u201egut genug\u201c? Was passiert, wenn die Anforderung nicht erf\u00fcllt ist? Ohne diese Klarheit sollte noch keine Diskussion \u00fcber konkrete Kontrollen beginnen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Danach den Prozess untersuchen, der die Information erzeugt. Dort wird Qualit\u00e4t praktisch entschieden. Erst anschlie\u00dfend folgen Metriken, Lebenszyklus, RACI-Diagramme und Technologie.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Observability: Telemetrie f\u00fcr Daten<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Data Observability erweitert das Datenqualit\u00e4tsmanagement um eine kontinuierliche technische \u00dcberwachung. Angelehnt an Systemtelemetrie aus der Softwareentwicklung betrachtet man Entstehung, Speicherung, Verarbeitung und Fluss von Daten wie eine Aneinanderkettung von kleinen Subsystemen, fast so wie eine Produktionsstra\u00dfe in der Automobilindustrie. Geht einem Roboter das \u00d6l aus oder bleibt eine Karosse irgendwie an einer Befestigung h\u00e4ngen, schl\u00e4gt ein System Alarm.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Data Observability erkennt und bewertet also Ver\u00e4nderungen, die eine korrekte oder rechtzeitige Datenlieferung gef\u00e4hrden. Mehr Details zum Thema haben wir in der BARC Research Note<em><a href=\"https:\/\/barc.com\/de\/research\/observability-ai-trends-requirements-practices\/\"> Observability for AI Innovation<\/a><\/em> dargestellt.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Welche Rolle spielt KI im Datenqualit\u00e4tsmanagement?<\/strong><\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">KI ver\u00e4ndert, welche Daten und Qualit\u00e4tsanforderungen Unternehmen ber\u00fccksichtigen m\u00fcssen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Einerseits werden neben strukturierten Tabellen nun auch unstrukturierte Texte, Dokumente, Bilder, Metadaten, Kontext, sowie menschliche Validierung relevant. Au\u00dferdem kommen andere Anforderung auf: Fachliche Relevanz und Kontext werden wichtiger, weil formal korrekte Informationen f\u00fcr einen KI-Anwendungsfall trotzdem ungeeignet sein k\u00f6nnen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Es entstehen Herausforderungen, die klassische, veraltete Ans\u00e4tze zum Datenqualit\u00e4tsmanagement ignorieren: In der BARC-Studie <em>Harnessing Unstructured Data for AI Innovation<\/em> gaben 70 Prozent von 196 Befragten an, dass weniger als die H\u00e4lfte ihrer unstrukturierten Daten f\u00fcr Analytics oder KI auffindbar und nutzbar sei. KI-Readiness l\u00e4sst sich also nicht auf einzelne klassische Datenqualit\u00e4tsdimensionen reduzieren.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Weitere Informationen und Analysen dazu enth\u00e4lt die BARC-Studie <a href=\"https:\/\/barc.com\/de\/research\/harnessing-unstructured-data-for-ai-innovation\/\">Harnessing Unstructured Data for AI Innovation<\/a>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wie starten?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Wer lange nach einem Pilotfall suchen muss, hat vermutlich nicht das dringendste Problem gew\u00e4hlt. W\u00e4hlen Sie ein Problem, das Entscheidungen behindert, Kosten verursacht oder Kunden betrifft. Ein Pilot, der niemandem wehtut, erzeugt keinen Handlungsdruck und \u00fcberlebt das Tagesgesch\u00e4ft nicht.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsarbeit greift h\u00e4ufig \u00fcber Bereiche hinweg in Arbeitsabl\u00e4ufe ein. Zentrale Teams in IT oder Governance besitzen daf\u00fcr allein meist nicht genug Autorit\u00e4t. Ein Problem, das die F\u00fchrung bereits sp\u00fcrt, schafft das Mandat, das in vielen F\u00e4llen unverzichtbar ist.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Wie l\u00f6se ich unser Datenqualit\u00e4tsproblem?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4tsprobleme haben h\u00e4ufig nicht den einen banalen Grund, der mit einem schnellen Softwareupdate erledigt ist. Eine strukturierte Analyse grenzt das Problem ein und schafft die Grundlage f\u00fcr erste Ma\u00dfnahmen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">3 Fragen kl\u00e4ren Nutzung, Entstehung und Verantwortung der betroffenen Information. Die Antworten auf diese Fragen liefern die notwendige Klarheit, um das Problem strukturiert zu l\u00f6sen.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Frage 1: Wie wird die Information genutzt, und welche Anforderungen folgen daraus?<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Die konsumierende Seite muss sagen, welche Entscheidung oder welcher Prozess von der Information abh\u00e4ngt.<\/li>\n\n\n\n<li>Sie muss definieren, was \u201egut genug\u201c in diesem Zusammenhang bedeutet.<\/li>\n\n\n\n<li>Nicht ausgesprochene Erwartungen sind keine Anforderungen.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Frage 2: Wie entsteht die Information, und welche Einschr\u00e4nkungen bestehen?<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Den realen Entstehungsprozess ansehen, nicht nur das Datenmodell.<\/li>\n\n\n\n<li>System, Eingabemaske, Arbeitslast, Zeitdruck, \u00dcbergaben, Qualifikation und Training ber\u00fccksichtigen.<\/li>\n\n\n\n<li>Pr\u00fcfen, welche Qualit\u00e4tsanforderungen unter diesen Bedingungen realistisch erf\u00fcllt werden k\u00f6nnen.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Frage 3: Welche Personen sind beteiligt?<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Produzierende und konsumierende Seite konkret benennen.<\/li>\n\n\n\n<li>Sichtbar machen, wer den Entstehungsprozess \u00e4ndern kann, wer das Problem erkennt und wer die Folgen tr\u00e4gt.<\/li>\n\n\n\n<li>Formale Zust\u00e4ndigkeit und tats\u00e4chliche Handlungsmacht auseinanderhalten.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Anschlie\u00dfend l\u00e4sst sich pr\u00fcfen, ob Aufwand und Folgen bei unterschiedlichen Beteiligten liegen, bspw. \u00fcber den genannten Drei-Bedingungen-Test f\u00fcr echte Ownership: Autorit\u00e4t, Sichtbarkeit, Konsequenz.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wenn niemand den Test besteht, darf die logische Konsequenz nicht sein, dass einfach irgendein plausibler Owner benannt wird. Stattdessen gilt es, einen Mechanismus schaffen, der das Problem beim Prozess-Owner internalisiert. M\u00f6gliche Mechanismen sind hier: Zielvereinbarung, Anreiz, ge\u00e4nderter Prozess, transparente Downstream-Auswirkung oder ein klarer Managementauftrag.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Hohe Datenqualit\u00e4t verursacht Aufwand und muss wirtschaftlich begr\u00fcndet sein. Dieses Vorgehen l\u00e4sst sich nicht beliebig oft wiederholen. Deshalb ist auch die Anforderungsanalyse so entscheidend: nicht alle Datenqualit\u00e4tsprobleme eines Unternehmens k\u00f6nnen wirtschaftlich gel\u00f6st werden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Wie bringt mich eine Analyse auf dem Papier weiter?<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Sind Nutzung, Anforderungen, Prozess und Verantwortung gekl\u00e4rt, k\u00f6nnen Unternehmen Datenqualit\u00e4tsmetriken, Regeln, Schwellenwerte und Eskalationen festlegen. Denn diese setzen nur eine bereits getroffene fachliche und organisatorische Entscheidung um.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">So wird Datenqualit\u00e4t wiederholbar<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Datenqualit\u00e4t belegt seit Jahren Spitzenpl\u00e4tze im <a href=\"https:\/\/barc.com\/de\/research\/bi-trend-monitor-2025\/\">BARC Data, BI &amp; Analytics Trend Monitor<\/a>. Das zeigt, dass Datenqualit\u00e4tsmanagement eine klare Priorit\u00e4t ist und vor allem eine gro\u00dfe Herausforderung. Generische Kennzahlen und formale Ownership-Eintr\u00e4ge schaffen allein noch keine verl\u00e4sslichen Daten. Tats\u00e4chlich entsteht Datenqualit\u00e4t erst, wenn die Organisation f\u00fcr ein konkretes Problem Nutzung, Anforderungen, Entstehungsprozess, Beteiligte und Konsequenzen benennen kann: Erst dann ergeben kritische Daten, Owner, Regeln, Signale und Reaktionen ein funktionierendes System.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Nutzung und Entstehungsprozess bestimmen, welche Qualit\u00e4t eine Information ben\u00f6tigt. Datenqualit\u00e4tsmanagement verbindet beide Seiten und macht Verbesserung wiederholbar.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Der <a href=\"https:\/\/barc.com\/de\/research\/barc-data-quality-management-compass\/\">BARC Data Quality Compass<\/a> zeigt, wie Unternehmen Anforderungen, Verantwortung und Kontrollen zu einem Betriebsmodell verbinden<\/p>\n\n\n\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/barc.com\/de\/research\/barc-data-quality-management-compass\/\"><strong>Jetzt Compass herunterladen<\/strong><\/a><\/div>\n<\/div>\n\n\n\n<h2 class=\"wp-block-heading\">FAQ<\/h2>\n\n\n<div id=\"rank-math-faq\" class=\"rank-math-block\">\n<div class=\"rank-math-list \">\n<div id=\"faq-question-1787056325408\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Was ist Datenqualit\u00e4tsmanagement?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Datenqualit\u00e4t beschreibt, ob Daten f\u00fcr einen konkreten Zweck geeignet sind. Datenqualit\u00e4tsmanagement ist die kontinuierliche Arbeit, Anforderungen zu definieren, Daten zu \u00fcberwachen, Probleme zu priorisieren und Ursachen in Daten und Prozessen zu beseitigen. Dazu geh\u00f6ren Metriken, Regeln und Werkzeuge, aber sie folgen aus der gesch\u00e4ftlichen Nutzung und ersetzen sie nicht.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1787056371760\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Warum ist Datenqualit\u00e4tsmanagement wichtig?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Ungeeignete Daten f\u00fchren zu falschen Entscheidungen, Prozessfehlern, Nacharbeit, Compliance-Risiken, Kundenproblemen und fehlerhaften KI-Ergebnissen. Besonders gef\u00e4hrlich ist falsche Sicherheit: Berichte und Modelle k\u00f6nnen technisch funktionieren und dennoch auf Daten beruhen, die f\u00fcr ihren Zweck ungeeignet sind. Ein systematischer Ansatz verbindet Fehler, Gesch\u00e4ftsauswirkung, Verantwortung und Reaktion.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1787056389431\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Was sind kritische Daten?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Kritische Daten sind jene Datenelemente, deren Fehler eine Entscheidung, einen Prozess, einen Bericht oder eine KI-Anwendung wesentlich ver\u00e4ndern k\u00f6nnen. Welche Daten kritisch sind, l\u00e4sst sich daher nur aus ihrer konkreten Nutzung ableiten.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1787056405716\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Welche Rolle spielen Datenqualit\u00e4tsmetriken und Datenqualit\u00e4tsregeln?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Datenqualit\u00e4tsmetriken machen sichtbar, ob Daten die vereinbarten Anforderungen erf\u00fcllen. Datenqualit\u00e4tsregeln \u00fcbersetzen diese Anforderungen in konkrete Pr\u00fcfungen. Schwellenwerte, Warnungen und Eskalationen legen fest, wie die Organisation auf Abweichungen reagiert.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1787056424292\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Was unterscheidet Datenqualit\u00e4t, Datenintegrit\u00e4t und Data Observability?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Datenqualit\u00e4t beschreibt, ob Daten f\u00fcr einen konkreten Zweck geeignet sind. Datenintegrit\u00e4t betrachtet vor allem Korrektheit, Konsistenz und Unversehrtheit. Data Observability \u00fcberwacht, ob Ver\u00e4nderungen in Datenbest\u00e4nden und Datenfl\u00fcssen die korrekte und rechtzeitige Bereitstellung gef\u00e4hrden.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1787056441161\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Was sind die wichtigsten Schritte im Datenqualit\u00e4tsmanagement?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Relevante Quellen identifizieren, Daten und Prozesse analysieren, Anforderungen, Standards und Regeln definieren, Ergebnisse \u00fcberwachen und Probleme priorisieren, Ursachen beheben und Fortschritt berichten, sowie den Zyklus anhand der Ergebnisse wiederholen und verbessern.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1787056483461\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Wer ist f\u00fcr Datenqualit\u00e4t verantwortlich?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Verantwortung ist geteilt, aber nicht beliebig. Der Fachbereich definiert Zweck und akzeptable Qualit\u00e4t. Governance \u00fcbersetzt Anforderungen in gemeinsame Standards. Data Engineering implementiert Kontrollen. Data Stewards koordinieren die laufende Arbeit. Echte Ownership besteht nur, wenn eine Person oder Rolle den Entstehungsprozess ver\u00e4ndern kann, Fehler sieht und die Konsequenz ihres Ausbleibens tr\u00e4gt. Fehlt diese Kombination, muss die Organisation Aufwand und Konsequenz durch einen geeigneten Mechanismus beim Prozess-Owner zusammenf\u00fchren.<\/p>\n\n<\/div>\n<\/div>\n<div id=\"faq-question-1787056504561\" class=\"rank-math-list-item\">\n<h3 class=\"rank-math-question \">Wie unterst\u00fctzt Data Observability das Datenqualit\u00e4tsmanagement?<\/h3>\n<div class=\"rank-math-answer \">\n\n<p>Data Observability erkennt Ver\u00e4nderungen und St\u00f6rungen, die eine korrekte und rechtzeitige Datenbereitstellung gef\u00e4hrden. Sie verbessert Erkennung und Reaktion, bestimmt aber nicht allein, welche Qualit\u00e4t fachlich erforderlich ist. Diese Entscheidung bleibt an Nutzung, Business Outcome und Anforderungen gebunden.<\/p>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Datenqualit\u00e4tsmanagement macht Daten f\u00fcr konkrete Entscheidungen, Prozesse und KI-Anwendungen verl\u00e4sslich. Daf\u00fcr m\u00fcssen Unternehmen Nutzung, Anforderungen, Entstehungsprozess und Verantwortung zusammenbringen.<\/p>\n","protected":false},"author":30,"featured_media":131825,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[462,463,467],"tags":[],"plus":[],"content_typ":[209],"layoutvorlage":[],"class_list":["post-157021","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-bi-analytics","category-data-management","category-data-driven-enterprise-en","content_typ-artikel"],"acf":[],"_links":{"self":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/157021","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/users\/30"}],"replies":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/comments?post=157021"}],"version-history":[{"count":5,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/157021\/revisions"}],"predecessor-version":[{"id":157063,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/posts\/157021\/revisions\/157063"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media\/131825"}],"wp:attachment":[{"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/media?parent=157021"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/categories?post=157021"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/tags?post=157021"},{"taxonomy":"plus","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/plus?post=157021"},{"taxonomy":"content_typ","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/content_typ?post=157021"},{"taxonomy":"layoutvorlage","embeddable":true,"href":"https:\/\/barc.com\/de\/wp-json\/wp\/v2\/layoutvorlage?post=157021"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}