Es ist Mittwochmorgen, Geschäftsführungsrunde in einem Zulieferbetrieb, und auf dem Tisch liegen drei Auswertungen mit drei verschiedenen Kundenzahlen. Alle drei Abteilungen haben sauber gerechnet. Trotzdem geht die nächste halbe Stunde dafür drauf, wessen Zahl überhaupt gilt.

Datenqualität im Mittelstand entscheidet sich nicht an der Software, sondern an drei Fragen: Welche Felder sind verbindlich, wer pflegt sie, und woran merkst du, dass es schiefläuft. Wer diese drei Punkte klärt, bekommt Zahlen, über die niemand mehr diskutiert. Wer sie offen lässt, kauft sich das nächste Tool und hat danach denselben Streit in schönerer Oberfläche.

Warum drei Abteilungen drei Wahrheiten haben

In fast jedem Betrieb ab dreißig Mitarbeitenden ist irgendwann ein zweites System dazugekommen. Erst die Warenwirtschaft, dann ein CRM, dann ein Newsletter-Tool, dazwischen zwei Tabellen, die eigentlich nur eine Übergangslösung waren. Jedes dieser Systeme hat seine eigene Vorstellung davon, was ein Kunde ist. Für die Buchhaltung ist es jemand, der eine Rechnung bekommen hat. Für den Vertrieb jemand, der einen Auftrag unterschrieben hat. Für das Marketing jemand, der eine E-Mail-Adresse hinterlassen hat.

Das ist kein Softwareproblem. Das ist eine fehlende Definition. Solange dein Betrieb nicht an einer einzigen Stelle festgehalten hat, was ein Datensatz bedeutet, produziert jedes System brav seine eigene Wahrheit. Und du diskutierst in jeder Runde aufs Neue über Zahlen, statt über Entscheidungen.

Was schlechte Daten wirklich kosten

Die Zahlen dazu sind unangenehm deutlich. Gartner hat die durchschnittlichen Kosten schlechter Datenqualität 2020 mit 12,9 Millionen US-Dollar pro Unternehmen und Jahr beziffert. Das ist eine Konzernzahl, klar. Näher an deinem Alltag liegt eine zweite Zahl: Der Datenqualitätsforscher Thomas Redman kam 2016 im Harvard Business Review zu dem Ergebnis, dass Beschäftigte rund die Hälfte ihrer Arbeitszeit damit verbringen, Daten zu suchen, zu prüfen und zu korrigieren. In derselben Untersuchung lagen nur drei Prozent der geprüften Datensätze in einem akzeptablen Fehlerbereich.

Rechne das für deinen Betrieb einmal grob durch, gerne konservativ. Selbst wenn es bei dir nur die Hälfte davon ist, also ein Viertel der Zeit, bindest du bei fünf Leuten im Innendienst mehr als eine volle Stelle, die nichts anderes tut als Fehler auszubügeln, die vorher entstanden sind. Dazu passt eine alte Faustregel aus dem Datenmanagement, die 1-10-100-Regel: Einen Fehler zu verhindern kostet eine Einheit, ihn später zu korrigieren zehn, ihn zu ignorieren hundert. Die Beträge sind eine Modellrechnung, das Verhältnis ist der Punkt.

Was ein Cockpit über Datenqualität lehrt

In meiner Zeit als Pilot auf der C-130 gab es eine Regel, die anfangs übertrieben wirkte. Vor jedem Start wurden bestimmte Werte nicht nur abgelesen, sondern gegen eine zweite Quelle geprüft. Sprit, Gewicht, Schwerpunkt. Das dauerte Minuten, jedes Mal, auch beim dreihundertsten Flug.

Der Grund dafür war nicht Misstrauen gegenüber den Instrumenten. Der Grund war, dass eine falsche Zahl im Cockpit sich nicht wie eine falsche Zahl anfühlt. Sie sieht genauso aus wie eine richtige. Sie ist gut lesbar, sie steht an der gewohnten Stelle, und du merkst erst, dass sie falsch war, wenn es unangenehm wird. Genau so verhalten sich Zahlen in deinem Reporting. Ein Umsatz pro Kunde, der auf einer verschmutzten Kundenliste beruht, sieht exakt so aus wie einer, der stimmt.

Schritt 1: Die Felder festlegen, die wirklich zählen

Fang nicht mit einer Datenbereinigung an. Fang mit einer Liste an. Setz dich mit Vertrieb, Buchhaltung und Marketing an einen Tisch und schreib auf, welche Felder in eurem Geschäft tatsächlich Entscheidungen tragen. In den meisten Mittelstandsbetrieben sind das zehn bis fünfzehn: Firmenname, Rechtsform, Adresse, Ansprechperson mit Funktion, Branche, Status, Betreuung, Umsatzklasse, Quelle des Erstkontakts.

Alles andere ist Beiwerk. Es darf existieren, es muss aber nicht gepflegt sein. Diese Trennung ist der eigentliche Hebel, weil Datenpflege immer dann scheitert, wenn sie sich anfühlt wie eine Pflicht ohne Grenze. Fünfzehn Felder kann ein Team ernst nehmen. Hundert Felder nimmt niemand ernst.

Schritt 2: Pflege an den Prozess hängen, nicht an die Disziplin

Der zweite Schritt ist der, an dem die meisten Betriebe scheitern. Sie machen einmal sauber, schicken eine Rundmail und hoffen, dass es diesmal hält. Es hält nie, weil Disziplin kein System ist.

Stattdessen koppelst du die Pflege an Momente, die ohnehin stattfinden. Ein Angebot lässt sich nur erzeugen, wenn Adresse und Ansprechperson vollständig sind. Ein Auftrag lässt sich nur abschließen, wenn Branche und Quelle gesetzt sind. Ein Kontakt, der zwölf Monate keine Aktivität hatte, taucht automatisch in einer Prüfliste auf. Niemand muss sich etwas merken, weil das System an der richtigen Stelle fragt. Genau das meinen wir, wenn wir von Systemarchitektur sprechen: Der Ablauf sorgt für die Qualität, nicht der gute Wille am Freitagnachmittag.

Schritt 3: Qualität sichtbar machen

Was niemand misst, verbessert niemand. Nimm dir drei einfache Kennzahlen und zeig sie monatlich in derselben Runde, in der du Umsatz zeigst: Anteil vollständiger Pflichtfelder, Anzahl vermuteter Dubletten, Anteil der Datensätze ohne Aktivität in den letzten zwölf Monaten.

Diese drei Werte brauchen kein Data-Warehouse und kein Beratungsprojekt. Sie brauchen eine Abfrage und einen festen Platz im Monatsbericht. Der Effekt ist erstaunlich banal und trotzdem verlässlich: Sobald eine Zahl regelmäßig auf dem Tisch liegt und einen Namen daneben hat, bewegt sie sich.

Aus der Branche

In Gesprächen mit Inhaberinnen und Inhabern begegnet uns immer wieder dasselbe Muster. Die Datenqualität wird nicht als Thema erkannt, sondern als Charakterfrage behandelt. Es heißt dann, die Leute pflegten eben nicht sauber, man müsse mal wieder dahinter. Fragst du eine Ebene tiefer, stellt sich fast immer heraus, dass nie definiert wurde, was sauber überhaupt heißt, und dass die Pflege an keiner Stelle im Ablauf verankert ist.

Das zweite Muster: Datenqualität taucht erst auf, wenn etwas Neues gebaut werden soll. Ein Dashboard, eine Automatisierung, ein KI-System für den Innendienst. Dann fällt auf, dass die Grundlage nicht trägt. Gartner führt 85 Prozent der gescheiterten KI-Vorhaben genau darauf zurück, auf Datenqualität und Datenverfügbarkeit. Der Aufwand verschwindet dabei nicht, er verschiebt sich nur nach hinten und wird teurer.

Fazit: Erst die Daten, dann die Werkzeuge

Du brauchst für gute Daten kein neues System. Du brauchst eine Definition, die alle kennen, eine Pflege, die im Ablauf steckt, und drei Kennzahlen, die monatlich jemand ansieht. Das ist unspektakulär, es lässt sich in wenigen Wochen aufsetzen, und es ist die Voraussetzung für alles, was du danach an Automatisierung oder KI oben drauf bauen willst.

Genau an dieser Stelle bauen wir digitale Systeme, in denen Marke, Website, Ads und CRM zusammenhängen und Daten nur einmal entstehen. Wenn du wissen willst, welche deiner Zahlen gerade auf welcher Grundlage stehen, lass uns reden. Buche einen Kennenlerncall, und wir schauen gemeinsam auf deine Prozesse, deine Systemarchitektur und die drei Auswertungen, die in deiner nächsten Runde wieder nicht zusammenpassen werden.