Daten & Analyse
Warum Datenprojekte an der Datenqualität scheitern, nicht an der Technik
· 4 Minuten
Wer ein Dashboard bestellt, bekommt meist eine Diskussion über Werkzeuge: Power BI oder Tableau, Excel oder Datenbank, Cloud oder lokal. Das ist die falsche erste Frage. Die richtige lautet: Stimmen die Daten, die da hineinlaufen sollen?
Gartner beziffert die durchschnittlichen jährlichen Kosten schlechter Datenqualität in großen Unternehmen auf 12,9 Millionen US-Dollar. Die Zahl lässt sich nicht auf einen Betrieb mit zwanzig Beschäftigten übertragen. Die Ursachen dahinter schon, denn sie sind überall dieselben.
Woran es tatsächlich hängt
- Derselbe Kunde steht mehrfach drin, einmal mit GmbH, einmal ohne, einmal mit Tippfehler.
- Datumsangaben kommen in drei Formaten vor, weil sie aus drei Systemen stammen.
- Beträge sind mal mit, mal ohne Steuer erfasst, ohne dass ein Feld das unterscheidet.
- Pflichtfelder sind leer, weil sie im Alltag übersprungen wurden.
Keines dieser Probleme löst ein besseres Werkzeug. Jedes führt dazu, dass die erste Auswertung Zahlen zeigt, die niemand glaubt. Und eine Auswertung, der niemand glaubt, wird kein zweites Mal geöffnet.
Der Zusammenhang zur KI-Debatte ist direkt: Laut Bitkom berichtet ein Drittel der Unternehmen mit KI-Einsatz von höheren Kosten als erwartet. Der teure Teil ist regelmäßig die Vorarbeit an Datenbestand und Dokumentenstruktur, nicht das Modell.
Die Reihenfolge, die funktioniert
Erst Bestandsaufnahme, dann Bereinigung mit dokumentierten Regeln, dann Auswertung, dann Visualisierung. Die Bereinigungsregeln gehören schriftlich festgehalten, sonst weiß in einem halben Jahr niemand mehr, warum eine Zahl so aussieht, wie sie aussieht.
Das ist unspektakulär und dauert länger, als allen lieb ist. Es ist aber der Unterschied zwischen einem Bericht, der Entscheidungen trägt, und einer bunten Seite, die nach vier Wochen niemand mehr aufruft.