10 Anzeichen für schlechte Daten: So erkennst du mangelhafte Datenqualität

Was sind schlechte Daten?

Wenn wir gute Daten als „zweckmäßig“ definieren, dann sind schlechte Daten nicht zweckmäßig. Sie sind also nicht gut genug, um die angestrebten Ergebnisse zu unterstützen. 

Rohdaten gelten oft als schlechte Daten. Daten aus sozialen Netzwerken wie Twitter sind zum Beispiel unstrukturiert und in ihrem Rohzustand weder analysierbar noch direkt nutzbar. 

Durch Datenbereinigung und -verarbeitung können Rohdaten jedoch zu guten Daten werden – das braucht in der Regel Zeit. 

Am einfachsten gesagt: Daten ohne klare Struktur und mit Qualitätsproblemen wie Ungenauigkeit, Unvollständigkeit, Inkonsistenzen oder Duplikaten gelten als schlechte Daten.

Warum Datenqualität zählt

Datenqualität beschreibt den Zustand qualitativer oder quantitativer Datenpunkte: Sie misst anhand von Faktoren wie Genauigkeit, Vollständigkeit, Konsistenz, Verlässlichkeit und Aktualität, wie gut Daten sind. Neben Kundendaten betrifft das auch Produkt-, Unternehmens- und Lieferantendaten und vieles mehr. 

Gute Datenqualität ist geschäftskritisch. Um aus Daten Wert zu ziehen, müssen sie korrekt sein, die gewünschten Ergebnisse sinnvoll unterstützen und die vorhandenen Ressourcen bestmöglich nutzbar machen.  

Warum entsteht mangelhafte Datenqualität? 

Drei Hauptarten von Datenqualitätsproblemen wirken sich direkt auf die operative Effizienz aus: 

• Menschliche Fehler. Einer der häufigsten Gründe für schlechte Datenqualität sind Tipp- und Erfassungsfehler – typischerweise bei fehlender Standardisierung in der Dateneingabe oder wenn Mitarbeitende manuell Werte in Tabellen pflegen. Beides erhöht die Fehlerquote.
• Disparate Systeme. Viele Organisationen speichern Daten in verschiedenen, voneinander getrennten Systemen mit eigenen Regeln. Beim Aufbau eines Datensatzes müssen dann mehrere Quellen integriert werden – das führt leicht zu Duplikaten, fehlenden Feldern oder uneinheitlichen Bezeichnungen. Häufig meinen unterschiedliche Felder dasselbe, werden aber in anderen Systemen anders benannt.
• Ungültige Daten. Veränderung ist normal, Unternehmen entwickeln sich weiter. Dann müssen auch Daten angepasst werden (z. B. Detaillierungsgrad, veraltete Felder, Aktualisierungen). Oft fällt Analysten jedoch erst bei der Nutzung der Daten auf, dass Änderungen nötig wären. 

Diese Faktoren sind Haupttreiber schlechter Daten und werden zum Engpass, sobald die Daten genutzt werden sollen. 

Wie du Datenqualität in Python verbesserst, lernst du im DataCamp Data Cleaning Tutorial.

Die Kosten schlechter Daten

Die Kosten schlechter Daten hängen von vielen Faktoren ab. In manchen Fällen entstehen sie in nachgelagerten Prozessen oder durch Verzögerungen in kritischen Abläufen. Im Worst Case scheitert der gesamte Prozess. 

Schauen wir uns einige Kostentreiber an.

Fehlerhafte Erkenntnisse

Die Qualität der Insights hängt von der Qualität der Daten ab. Treffen Führungskräfte Entscheidungen auf Basis von Daten, ohne zu merken, dass die genutzten Quellen Duplikate enthalten, werden Ergebnisse verzerrt und bilden die Realität nicht ab – mit entsprechend fehlerhaften Schlussfolgerungen.  

Finanzielle Aufwände 

In einem Beitrag zur Business-Argumentation für bessere Datenqualität schreibt Gartner, „Organisationen halten mangelhafte Datenqualität im Schnitt für verantwortlich für 15 Millionen US-Dollar Verlust pro Jahr“ – mit steigender Tendenz, je komplexer Informationslandschaften werden. Das betrifft Unternehmen jeder Größe. 

Organisationale Effizienz

Je stärker Unternehmen datengetrieben arbeiten, desto direkter trifft schlechte Datenqualität die gesamte Organisation. Beispiel: Das Vertriebsteam adressiert die falsche Zielgruppe – vermeidbar, wenn gute Daten vorgelegen hätten.  

Probleme bei Migrationen

Wechselt eine Organisation auf eine neue Plattform, gelten dort oft andere Regeln für Data Governance und Standardisierung – Migrationsprobleme sind vorprogrammiert. Speichert die neue Plattform Daten zudem in anderem Format, wird sauberes Mapping zur Herausforderung. 

Ein genereller Engpass 

Schlechte Datenqualität bremst digitale Transformationen massiv aus. Probleme müssen behoben werden – das Projekt pausiert. Wiederholt sich das, leidet die Adoption und es werden Ressourcen verschlungen. 

10 Anzeichen für schlechte Daten

Die Qualität des Inputs bestimmt die Qualität des Outputs. Mit unvollständigen, inkonsistenten oder korrupten Daten sind verlässliche Reports praktisch unmöglich: Garbage in, garbage out. 

Woran erkennst du, ob dein Unternehmen ein Datenqualitätsproblem hat? Achte auf diese zehn Anzeichen (ohne Reihenfolge):

#1 Wichtige Informationen fehlen 

Fehlende Daten haben viele Ursachen: Geräteausfälle, verlorene Dateien, unvollständige Eingaben usw. Etwas fehlende Information ist normal – fehlen jedoch zentrale Angaben, entstehen Probleme. Drei zentrale Punkte: 

1. Weniger Daten senken die Teststärke – echte Effekte bleiben unentdeckt. 
2. Fehlwerte können Parameterschätzungen verzerren. 
3. Fehlende Schlüsselinformationen verringern die Repräsentativität der Stichprobe.

Mehr über den Umgang mit fehlenden Daten in Python erfährst du in unserem Online-Kurs.  

#2 Zu viel Zeit für Routinearbeiten 

Verbringst du die meiste Zeit mit manuellen Aufgaben, sind deine Daten vermutlich schlecht. Eine schwache (oder fehlende) Datenmanagement-Strategie führt dazu, dass du Daten aus unterschiedlichen Quellen manuell ordnest, fehlende Infos hinterherläufst und alles in Tabellen einpflegst.  

#3  Zu wenige umsetzbare Insights 

Umsetzbare Insights sind Schlussfolgerungen, die sich direkt in Handlungen übersetzen lassen. Sie müssen relevant, konkret und für die Entscheidungsträger wertvoll sein. 

Wertvoll sind Insights, wenn sie wirklich Neues liefern – nicht zwingend aus völlig neuen Datensätzen. Erzählen dir die Daten nur Altbekanntes, fehlt der Mehrwert. 

#4 Datenanalyse ist mühsam 

Deine Daten müssen normalisiert sein, um: 

1. sicherzustellen, dass Tabellen nur Daten enthalten, die sich direkt auf den Primärschlüssel beziehen,
2. jedes Feld genau ein Datenelement umfasst und
3. Redundanzen entfernt sind. 

Ohne Normalisierung wird Analyse extrem schwierig, weil jede Quelle eigene Formate, Felder und Labels mitbringt – und diese variieren. 

#5 Verpasste Chancen 

Das Gefühl, aus den vorhandenen Daten nicht das Maximum herauszuholen, ist ein Warnsignal – besonders, wenn du deiner Datenstrategie misstraust. Ein klares Zeichen schlechter Daten ist, dass dein Risiko unnötig steigt und du auf plötzliche Veränderungen schlecht vorbereitet bist.

#6 Insights kommen zu spät 

Du brauchst direkten Zugriff auf Daten in einem zentralen Repository. So erstellst du Berichte schnell und einfach – mit weiteren Vorteilen wie weniger Redundanz, weniger Fehlern und leichterer Informationssuche.

Zentralisierte Daten bedeuten: Alle arbeiten nach demselben Bauplan und denselben Regeln. So vermeidest du Abweichungen durch verschiedene Datenquellen und Tools. 

#7 Zu viele Fehler in den Daten

Menschen machen Fehler. Perfekte Daten zu erwarten ist unrealistisch, wenn Eingaben manuell erfolgen. Daten sollten daher regelmäßig geprüft werden. So erkennst du auch, ob Fehler vom Dienstleister stammen oder auf menschliche Irrtümer zurückgehen. 

#8 Entscheidungsträger verlieren Vertrauen

Daten sollten Vertrauen schaffen. Verlässliche Daten sind Grundvoraussetzung für datenbasierte Entscheidungen. Fehlt das Vertrauen, fallen Teams in alte Muster zurück – Entscheidungen nach Bauchgefühl und grober Schätzung sind die Folge. 

Mehr zur Bedeutung von Data-Driven Decision Making for Business lernst du in unserem Online-Kurs.

#9 Fehlende Sichtbarkeit zentraler Kennzahlen 

Sind Key Performance Indicators (KPIs) nicht in Echtzeit verfügbar, ist unklar, welche Maßnahmen den größten Hebel haben. 

#10 Bruchhafte Customer Experience 

Ein deutliches (und oft teures) Zeichen für schlechte Daten ist, wenn Kundinnen und Kunden Inhalte erhalten, die nicht zu ihrer Phase in der Customer Journey passen. Heute wollen Konsumentinnen und Konsumenten nicht nur Personalisierung – sie erwarten sie. Bleibt diese über Touchpoints hinweg aus, wirkt die Experience bruchhaft.

Erkennst du mehrere dieser Symptome in deinem Unternehmen, ist Vorsicht geboten: Es liegt sehr wahrscheinlich ein Datenqualitätsproblem vor. Erfahre mehr über das Erstellen von Recommendation Engines in Python in unserem Online-Kurs. 

Schlechte Daten managen: So gehst du vor

Nicht alle Daten sind gut – das ist hoffentlich klar. Am besten verhinderst du schlechte Qualität direkt an der Quelle. Ist das Kind aber schon in den Brunnen gefallen, wird es schwieriger. 

Diese Schritte helfen dir, bereits gesammelte schlechte Daten in den Griff zu bekommen: 

Schritt 1: Realität anerkennen

Du hast schlechte Daten. Akzeptiere es. Solange du das Problem nicht erkennst, wirst du kaum bereit sein, es anzugehen. 

Schritt 2: Schlechte Daten aktualisieren

Nutze dein Wissen zur Identifikation schlechter Daten und bereinige sie – das umfasst meist auch die Aktualisierung bestehender Datensätze. 

Schritt 3: Ein Data-Quality-Programm einführen

Mit Programmen zur Datenqualität reduzierst du Fehlerquellen und etablierst gemeinsame, verlässliche Prozesse für Erzeugung und Nutzung von Daten. 

Schritt 4: Datenerhebung verbessern

Setze auf bessere Erhebungsmethoden: Fordere nur notwendige Informationen an und erkläre, warum du bestimmte Daten brauchst, wie du sie nutzt und welchen Vorteil Kundinnen und Kunden durch das Teilen ihrer Daten haben.

Schritt 5: Umfeld schulen 

Damit Daten besser gemanagt werden, müssen Mitarbeitende wissen, wie sie Daten erheben, verarbeiten, aufbewahren und verwalten.

Der Schlüssel im Umgang mit schlechten Daten liegt an der Quelle. Hast du bereits schlechte Daten gesammelt, erkenne das Problem an und führe Bereinigung sowie notwendige Aktualisierungen durch. Danach gilt es, das Risiko künftiger Probleme zu senken – mit einem Data-Quality-Programm und besseren Datenmanagement-Praktiken in deiner Organisation. Hast du die nötigen Data Skills? Lerne, reale Fragen mit Daten zu beantworten – mit dem DataCamp Data Skills for Business Lernpfad.