Datenqualität als BI-Erfolgsfaktor

Die unbequeme Wahrheit

In unserer Beratungspraxis bei ATVISIO sehen wir immer wieder: Datenqualität ist nicht das Problem, das BI-Projekte verhindert. Datenqualität ist der Vorwand. Das eigentliche Problem liegt oft tiefer – in fehlenden Verantwortlichkeiten, unklaren Prozessen oder der Angst vor Transparenz.

Mein Gespräch im Performance Manager Podcast mit Corinne Schuler, Head of Data Quality Management bei Swisscom, zeigt eindrucksvoll: Erfolgreiche Unternehmen warten nicht auf perfekte Daten. Sie starten ihre Projekte und verbessern die Datenqualität parallel. Systematisch. Nachhaltig.

Datenqualitätsmanagement ist mehr als Messen

Viele BI-Verantwortliche denken bei Datenqualität zuerst an Mess-Tools und Dashboards mit roten Ampeln. Das ist zu kurz gedacht. Ein ganzheitliches Datenqualitätsmanagement umfasst drei Dimensionen:

Präventive Maßnahmen verhindern, dass Fehler überhaupt entstehen. Das beginnt bei der Datenerfassung: Welche Felder sind Pflichtfelder? Welche Validierungsregeln greifen bereits im Quellsystem? Wie stellen wir sicher, dass Stammdaten von Anfang an korrekt angelegt werden? Im BI-Kontext bedeutet das: Qualität beginnt nicht im Data Warehouse, sondern in den operativen Systemen.

Unterstützende Maßnahmen schaffen Transparenz und Verantwortlichkeit. Wer ist Data Owner für welche Datenbereiche? Welche Qualitätsregeln gelten? Wie werden Abweichungen dokumentiert? Für BI-Projekte ist diese Klarheit essentiell: Ein Dashboard ist nur so gut wie die Datenverantwortlichkeiten dahinter.

Reaktive Maßnahmen korrigieren Fehler systematisch und eliminieren deren Ursachen. Nicht durch manuelle Eingriffe in Excel, sondern durch strukturierte Prozesse. Im Reporting bedeutet das: Wenn eine Kennzahl falsch ist, reicht es nicht, den Wert zu korrigieren. Man muss verstehen, warum der Fehler entstanden ist – und ihn an der Wurzel beheben.

Die Einzelkämpfer-Strategie scheitert

Ein häufiger Fehler: Unternehmen benennen eine Person oder ein kleines Team, das sich um Datenqualität kümmern soll. Diese sollen dann die Daten „sauber machen“, damit das BI-Projekt starten kann. Das funktioniert nicht. Datenqualität ist keine Insellösung, sondern eine Querschnittsfunktion. Sie erfordert die Zusammenarbeit zwischen:

Governance-Funktionen, die Regeln und Standards definieren

Business-Bereichen, die sowohl Probleminhaber als auch häufig Problemverursacher sind

IT- und Support-Funktionen, die Daten erfassen und pflegen

Für BI-Projekte bedeutet das konkret: Der Controller, der bessere Forecasts braucht, muss mit dem Vertrieb sprechen, der die Opportunitäten erfasst. Der CFO, der Echtzeit-Reporting fordert, muss verstehen, dass dies nur funktioniert, wenn die Buchhaltung zeitnah und korrekt bucht. Und die IT muss die technischen Voraussetzungen schaffen, ohne zum Flaschenhals zu werden.

Praxisbeispiel: Reporting-Projekt trotz Datenqualitätsproblemen

Ein typisches Szenario aus unserer Beratungspraxis: Ein Unternehmen will ein neues Vertriebs-Reporting aufbauen. Die bekannten Probleme: Kundendaten sind inkonsistent, Produkthierarchien stimmen nicht, historische Daten sind lückenhaft.

Der klassische Ansatz wäre: Erst die Daten bereinigen, dann das Reporting bauen. Das kann Monate dauern – und scheitert meist an fehlenden Ressourcen.

Der bessere Weg: Das Reporting-Projekt startet sofort, aber mit klaren Datenqualitäts-Prinzipien:

Transparenz über Datenqualität schaffen: Welche Kennzahlen sind vertrauenswürdig, welche nicht? Das wird im Dashboard sichtbar gemacht.

Verantwortlichkeiten klären: Wer pflegt Kundenstammdaten? Wer ist für Produkthierarchien zuständig?

Präventive Maßnahmen einführen: Neue Validierungsregeln in den Quellsystemen verhindern, dass sich Probleme wiederholen.

Reaktive Bereinigung priorisieren: Nicht alles auf einmal, sondern die Daten zuerst korrigieren, die für die wichtigsten Analysen relevant sind.

Nach drei Monaten steht ein funktionsfähiges Reporting – und die Datenqualität ist deutlich besser als vorher. Weil das Projekt die Organisation gezwungen hat, sich mit dem Thema auseinanderzusetzen.

Startvoraussetzungen für erfolgreiche BI-Projekte

Drei Faktoren entscheiden über Erfolg oder Misserfolg:

Klare Regeln: Welche Datenqualitätsstandards gelten? Wer darf was entscheiden? Ohne diese Klarheit verzettelt sich jedes Projekt in Endlosdiskussionen.

Ausreichende Ressourcen: Datenqualität kostet Zeit und Geld. Wer das nicht einplant, scheitert. Nicht an der Technik, sondern an der Ressourcenknappheit.

Unterstützung aus der Führung: Wenn die Geschäftsleitung Datenqualität nur als IT-Thema sieht, wird es schwierig. Erfolgreiche BI-Initiativen haben Executive Sponsorship – und zwar echte, nicht nur auf dem Papier.

Fazit: Von der Blockade zum Erfolgsfaktor

Datenqualität darf kein Grund sein, BI-Projekte nicht zu starten. Aber sie darf auch nicht ignoriert werden. Der Schlüssel liegt im parallelen Vorgehen: Projekte starten und dabei Datenqualität systematisch verbessern.

Das erfordert Mut – den Mut, mit unvollkommenen Daten zu arbeiten, Transparenz über Qualitätsprobleme zu schaffen und organisatorische Widerstände zu überwinden. Aber es lohnt sich. Denn am Ende steht nicht nur besseres Reporting, sondern eine Organisation, die gelernt hat, Daten als strategischen Erfolgsfaktor zu behandeln.

Mehr Einblicke in die Praxis des Datenqualitätsmanagements gibt Corinne Schuler im Performance Manager Podcast. Sie berichtet, wie Swisscom ein unternehmensweites Datenqualitätsmanagement aufgebaut hat – mit allen Herausforderungen, Rückschlägen und Erfolgen.
Unterstützung aus der Führung: Wenn die Geschäftsleitung Datenqualität nur als IT-Thema sieht, wird es schwierig. Erfolgreiche BI-Initiativen haben Executive Sponsorship – und zwar echte, nicht nur auf dem Papier.