Datenqualität im Unternehmen messen Sie anhand definierter Kennzahlen, die Vollständigkeit, Korrektheit, Konsistenz und Aktualität Ihrer Daten quantifizieren. Für B2B-Handelsunternehmen gilt: Ohne messbare Qualitätskriterien bleibt die Datenpflege reaktiv statt systematisch. Die folgenden Abschnitte beantworten die wichtigsten Fragen rund um Messmethoden, Schwellenwerte und typische Fehlerquellen.
Welche Kennzahlen messen die Datenqualität im Unternehmen?
Die wichtigsten Kennzahlen zur Messung der Datenqualität sind Vollständigkeitsrate, Fehlerquote, Duplikatrate, Aktualitätsgrad und Konformitätsrate. Diese Datenqualitäts-KPIs bilden zusammen ein belastbares Bild davon, wie gut Ihre Stammdaten tatsächlich gepflegt sind und wo konkreter Handlungsbedarf besteht.
- Vollständigkeitsrate: Anteil der Datensätze, bei denen alle Pflichtfelder befüllt sind. Eine Vollständigkeitsrate unter 90 % bei Produktstammdaten führt in der Praxis zu abgelehnten Katalogen bei Marktplätzen und Kunden.
- Fehlerquote: Anteil fehlerhafter Datensätze gemessen an der Gesamtmenge, etwa falsche Einheiten, ungültige Attributwerte oder nicht normkonforme Klassifikationen.
- Duplikatrate: Anteil mehrfach angelegter Datensätze, besonders relevant bei Lieferanten- und Artikelstammdaten in Warenwirtschaftssystemen.
- Aktualitätsgrad: Anteil der Datensätze, die innerhalb eines definierten Zeitraums geprüft oder aktualisiert wurden.
- Konformitätsrate: Anteil der Datensätze, die einem definierten Standard entsprechen, zum Beispiel einer aktuellen ECLASS- oder ETIM-Version.
Diese Kennzahlen lassen sich für einzelne Produktgruppen, Lieferanten oder Vertriebskanäle separat auswerten. So erkennen Sie, ob ein Qualitätsproblem systemisch ist oder auf einen bestimmten Bereich begrenzt bleibt.
Wie unterscheiden sich Datenqualitätsdimensionen voneinander?
Datenqualitätsdimensionen beschreiben verschiedene Eigenschaften, nach denen Daten bewertet werden. Die wichtigsten Dimensionen sind Vollständigkeit, Korrektheit, Konsistenz, Aktualität und Konformität. Jede Dimension misst einen anderen Aspekt der Stammdatenqualität und erfordert eigene Prüfmethoden.
Vollständigkeit prüft, ob alle notwendigen Felder eines Datensatzes befüllt sind. Korrektheit bewertet, ob die enthaltenen Werte sachlich stimmen, also ob eine Längenangabe tatsächlich der physischen Realität entspricht. Konsistenz stellt sicher, dass gleiche Informationen in verschiedenen Systemen übereinstimmen, zum Beispiel zwischen PIM und ERP. Aktualität misst, ob Daten noch dem aktuellen Stand entsprechen oder veraltet sind. Konformität prüft die Einhaltung externer Standards wie BMEcat, ETIM oder ECLASS.
In der Praxis treten Qualitätsprobleme selten in nur einer Dimension auf. Ein Artikel kann vollständig befüllt, aber inkonsistent zwischen Systemen sein. Deshalb sollten Sie alle relevanten Dimensionen gleichzeitig im Blick behalten, nicht nur die offensichtlichste.
Welche Methoden gibt es, um Datenqualität zu analysieren?
Zur Analyse der Datenqualität stehen drei zentrale Methoden zur Verfügung: manuelle Stichprobenprüfung, automatisierte Validierung gegen Regelwerke und systematische Profiling-Analysen. Für B2B-Unternehmen mit größeren Produktportfolios ist die automatisierte Validierung die einzige skalierbare Option.
Manuelle Stichprobenprüfung
Bei der manuellen Prüfung wählen Sie eine repräsentative Stichprobe aus Ihrem Datenbestand und prüfen diese anhand definierter Kriterien. Diese Methode eignet sich für erste Bestandsaufnahmen oder für Bereiche, in denen automatisierte Regeln schwer zu formulieren sind. Sie ist jedoch zeitaufwendig und nicht für regelmäßige Qualitätssicherung geeignet.
Automatisierte Validierung
Spezialisierte Werkzeuge prüfen Datensätze automatisch gegen definierte Regeln, zum Beispiel ob Pflichtfelder befüllt sind, ob Werte im erlaubten Wertebereich liegen oder ob Klassifikationszuordnungen zur aktuellen Normversion passen. Die Validierung sollte bei jeder Katalogerzeugung durchgeführt werden, nicht nur vor der Erstauslieferung. Bei täglichen Aktualisierungsanforderungen muss sie fester Bestandteil des automatisierten Prozesses sein. Mapping-Fehler werden dabei in der Konfiguration des Werkzeugs behoben, während Datenqualitätsfehler in den Quellsystemen korrigiert werden müssen, sonst tauchen sie bei der nächsten Auslieferung erneut auf.
Data Profiling
Data Profiling analysiert statistische Eigenschaften eines Datenbestands: Werteverteilungen, Häufigkeiten, Ausreißer und Beziehungen zwischen Feldern. Diese Methode deckt strukturelle Muster auf, die bei der Einzelprüfung unsichtbar bleiben, und liefert die Grundlage für die Definition sinnvoller Qualitätsregeln.
Wie legt man Schwellenwerte für akzeptable Datenqualität fest?
Schwellenwerte für akzeptable Datenqualität leiten sich aus den konkreten Anforderungen Ihrer Empfänger ab, nicht aus abstrakten Idealwerten. Der relevante Maßstab ist, welche Mindestqualität ein Marktplatz, ein Kunde oder ein Vertriebskanal tatsächlich voraussetzt, um Daten zu akzeptieren und zu verarbeiten.
Ein praktischer Ansatz: Definieren Sie für jede Datenqualitätsdimension einen Zielwert und einen Mindestwert. Der Zielwert beschreibt den angestrebten Zustand, der Mindestwert die Grenze, unterhalb derer Daten nicht ausgeliefert werden. Für Pflichtfelder nach ETIM oder ECLASS bedeutet das in der Regel eine Vollständigkeitsrate von 100 % für die geforderten Attribute, da Marktplätze wie Amazon Business unvollständige Kataloge schlicht ablehnen.
Schwellenwerte sollten außerdem nach Produktgruppe und Empfänger differenziert werden. Ein technischer Großhändler stellt andere Anforderungen an die Attributtiefe als ein Generalhandel. Dokumentieren Sie die Schwellenwerte schriftlich und verknüpfen Sie sie mit klaren Zuständigkeiten, damit bei Unterschreitung sofort klar ist, wer handeln muss.
Wie oft sollte man die Datenqualität im Unternehmen überprüfen?
Die Datenqualität sollte mindestens bei jeder Katalogerzeugung und bei jedem Datenexport geprüft werden. Bei täglichen Aktualisierungsanforderungen ist eine kontinuierliche, automatisierte Prüfung notwendig. Darüber hinaus gibt es bestimmte Ereignisse, die eine vollständige Qualitätsprüfung auslösen sollten.
Besonders wichtig ist eine Prüfung in folgenden Situationen:
- Bei der Ersteinrichtung eines neuen Datenaustauschs mit einem Kunden oder Marktplatz
- Nach Änderungen am Mapping zwischen internen Feldern und Zielformaten
- Nach größeren Datenaktualisierungen im PIM oder ERP
- Bei der Anbindung neuer Empfänger mit eigenen Formatanforderungen
- Nach Versionswechseln bei Klassifikationsstandards wie ECLASS oder ETIM
Für eine dauerhafte Verbesserung der Stammdatenqualität empfiehlt sich zusätzlich eine regelmäßige Auswertung der Validierungsreports, idealerweise monatlich. So erkennen Sie Trends frühzeitig und können Maßnahmen einleiten, bevor Qualitätsprobleme beim Empfänger sichtbar werden.
Was sind typische Ursachen für schlechte Datenqualität in B2B-Unternehmen?
Die häufigsten Ursachen für schlechte Datenqualität in B2B-Unternehmen sind fehlende Pflegeprozesse, unklare Zuständigkeiten, dezentrale Datenhaltung in mehreren Systemen und der Einsatz ungeeigneter Werkzeuge wie Excel für die Produktdatenverwaltung. Diese Faktoren verstärken sich gegenseitig und führen zu einem Qualitätsproblem, das ohne strukturelle Maßnahmen nicht dauerhaft lösbar ist.
Im Einzelnen zeigen sich folgende Muster besonders häufig:
- Dezentrale Datenhaltung: Wenn Stammdaten gleichzeitig in Warenwirtschaftssystem, PIM und Excel-Tabellen gepflegt werden, entstehen Inkonsistenzen zwangsläufig. Jede Änderung muss manuell in mehrere Systeme übertragen werden, was Fehler produziert.
- Fehlende Definitionen: Ohne ein Glossar, das festlegt, welches Attribut welche Bedeutung hat und wie es zu befüllen ist, interpretieren verschiedene Mitarbeiter die gleichen Felder unterschiedlich.
- Unklare Zuständigkeiten: Wenn niemand explizit für die Qualität eines Datensatzes verantwortlich ist, wird Datenpflege zur Nebenaufgabe und bleibt unvollständig.
- Excel als Produktdatenbasis: Eine Tabellenkalkulation bietet keine Validierungsregeln für Produktklassifikationen, keine Versionskontrolle bei gleichzeitiger Bearbeitung durch mehrere Personen und keine automatische Ausgabe in standardisierte Formate wie BMEcat oder ETIM. Sobald Produktdaten an mehr als zwei externe Empfänger mit unterschiedlichen Formatanforderungen geliefert werden müssen, stößt Excel an strukturelle Grenzen.
- Vernachlässigte Klassifikationspflege: Wenn Versionswechsel bei ECLASS oder ETIM nicht systematisch nachgezogen werden, stimmen Klassifikationszuordnungen nicht mehr mit der aktuellen Normversion überein, was zu Ablehnungen bei Empfängern führt.
Die Ursachen liegen damit nicht primär in der Sorgfalt einzelner Mitarbeiter, sondern in fehlenden Strukturen: Prozessen, Werkzeugen und Verantwortlichkeiten. Wer Datenqualität dauerhaft verbessern will, muss an diesen strukturellen Faktoren ansetzen.
Datenqualität systematisch verbessern: Was semaino für Sie tun kann
Wir unterstützen B2B-Handelsunternehmen dabei, Datenqualität nicht nur zu messen, sondern dauerhaft zu sichern. Mit unserem ecatDesigner bieten wir eine Datendrehscheibe, die Produktdaten aus PIM und ERP automatisiert auf Zielformate wie BMEcat, ETIM oder ECLASS mappt und dabei Validierungsregeln direkt in den Prozess integriert.
- Analyse des Ist-Zustands Ihrer Stammdaten: Welche Daten sind vorhanden, wie vollständig und wie verlässlich sind sie?
- Definition von Pflichtfeldern, Qualitätsregeln und Zuständigkeiten gemeinsam mit Ihren Teams
- Automatisierte Validierung bei jeder Katalogerzeugung, inklusive strukturierter Fehlerreports
- Unterstützung bei Versionswechseln von Klassifikationsstandards wie ECLASS und ETIM
- Begleitung des gesamten Prozesses als abteilungsübergreifendes Projekt, von der Anforderungsaufstellung bis zur strategischen Planung der elektronischen Kommunikation mit Kunden und Distributoren
Wenn Sie wissen möchten, wo Ihre Datenqualität heute steht und welche Maßnahmen den größten Effekt hätten, sprechen Sie uns an. Wir führen ein erstes Beratungsgespräch gerne unverbindlich mit Ihnen.