# Datenqualität messen

> Definieren Sie KPIs, erstellen Sie Scorecards und benchmarken Sie Ihre Datenqualität, um kontinuierliche Verbesserung voranzutreiben.

Source: https://dataqualitysense.com/de/resources/best-practices/measuring-data-quality/
Last updated: 2026-04-15

---

## Was Sie lernen werden

Dieser Leitfaden beschreibt, wie Sie ein Messprogramm etablieren, das den Wert der Datenqualität belegt. Sie werden verstehen:

- Wesentliche KPIs für Datenqualitätsprogramme
- Wie Sie eine Datenqualitäts-Scorecard erstellen
- Benchmark-Ziele nach Feldtyp und Branche
- Berichtsrhythmus und Stakeholder-Kommunikation
- Wie Sie den ROI aus Datenqualitätsverbesserungen berechnen

## Warum Messung wichtig ist

Datenqualitätsprobleme bleiben ohne Messung subjektiv. [Im Jahr 2026 quantifizieren führende Organisationen die Datenleistung](https://lakefs.io/data-quality/data-quality-metrics/), um die Zuverlässigkeit über Systeme hinweg zu messen, profitabilitätsrelevante Lücken zu identifizieren und zu priorisieren und Vertrauen in Analytics- und KI-Modelle aufzubauen.

Der Business Case ist klar. [Forschung aus MIT Sloan Management Review (Redman, 2017)](https://sloanreview.mit.edu/article/seizing-opportunity-in-data-quality/) schätzt, dass schlechte Datenqualität Unternehmen 15–25 % des Umsatzes kostet, und [Gartner beziffert den durchschnittlichen Verlust auf 12,9 Millionen Dollar pro Unternehmen und Jahr](https://www.gartner.com/en/data-analytics/topics/data-quality). Die Messlücke ist gleich gut dokumentiert: eine [Studie der Harvard Business Review (Nagle, Redman, Sammon, 2017)](https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards), in der Manager ihre eigenen Datensätze bewerteten, fand heraus, dass nur 3 % den Grundstandards genügten — und fast die Hälfte der neu erstellten Datensätze enthielten mindestens einen kritischen Fehler.

Ohne Metriken können Sie nicht:
- Verbesserungen über die Zeit belegen
- Investitionen in Qualitätsinitiativen rechtfertigen
- Identifizieren, welche Probleme zuerst zu beheben sind
- Teams für Ergebnisse verantwortlich machen

## Wesentliche Datenqualitäts-KPIs

Beginnen Sie mit diesen grundlegenden KPIs, organisiert nach Dimension.

### Vollständigkeits-KPIs

| KPI | Formel | Zielwert |
|-----|--------|----------|
| **Füllquote** | Befüllte Datensätze / Gesamtdatensätze | 95 %+ für kritische Felder |
| Null-Rate | Null-Datensätze / Gesamtdatensätze | < 5 % |
| Leer-Rate | Leere Zeichenketten / Gesamtdatensätze | < 2 % |

### Gültigkeits-KPIs

| KPI | Formel | Zielwert |
|-----|--------|----------|
| **Gültigkeitsrate** | Formal gültige Datensätze / Gesamtdatensätze | 98 %+ für E-Mails, 90 %+ für Telefonnummern |
| Anzahl ungültig | Datensätze, die die Validierung nicht bestehen | Trend gegen null |
| Musterkonformität | Datensätze mit erwartetem Muster / Gesamt | Variiert nach Feld |

### Eindeutigkeits-KPIs

| KPI | Formel | Zielwert |
|-----|--------|----------|
| **Eindeutigkeitsrate** | Einzigartige Werte / Gesamtwerte | 95 %+ für Identifikatorfelder |
| Anzahl Duplikate | Datensätze mit doppelten Werten | Trend gegen null |
| Quote eindeutiger Werte | Eindeutige Werte / Gesamtdatensätze | Kontextabhängig |

### Aktualitäts-KPIs

| KPI | Formel | Zielwert |
|-----|--------|----------|
| **Aktualitätsrate** | Innerhalb des Schwellenwerts aktualisierte Datensätze / Gesamt | 80 %+ |
| Durchschnittsalter | Mittlere Tage seit letzter Aktualisierung | Variiert nach Feldtyp |
| Anzahl veralteter Datensätze | Datensätze, die den Aktualitätsschwellenwert überschreiten | Trend gegen null |

### Konsistenz-KPIs

| KPI | Formel | Zielwert |
|-----|--------|----------|
| **Konformitätsrate** | Datensätze, die dem Standard entsprechen / Gesamt | 90 %+ |
| Anzahl Varianten | Anzahl der Wertvariationen | Minimieren |
| Dominanter Wertanteil | Häufigkeit des Top-Werts / Gesamt | Kontextabhängig |

## Eine Datenqualitäts-Scorecard erstellen

Eine Scorecard fasst KPIs zu einer einzigen Sicht für Stakeholder zusammen. [Metriken über eine Scorecard zu verfolgen hilft Organisationen, den Gesamtzustand zu analysieren und Vergleiche mit der bisherigen Leistung anzustellen](https://atlan.com/data-quality-metrics/).

### Struktur der Scorecard

| Komponente | Zweck |
|------------|-------|
| **Gesamt-Score** | Einzelner Wert, der die Qualität zusammenfasst (0–100) |
| **Dimensions-Scores** | Aufschlüsselung pro Dimension |
| **Trendindikatoren** | Richtung im Vergleich zur Vorperiode |
| **Hotspots** | Felder oder Objekte, die Aufmerksamkeit erfordern |

### Beispielhaftes Scorecard-Layout

```
DATENQUALITÄTS-SCORECARD – Januar 2026

GESAMT-SCORE: 82/100 (↑ 3 Pkt. gegenüber Dezember)

DIMENSIONS-SCORES:
├── Vollständigkeit:  87 %  (↑)
├── Gültigkeit:       91 %  (→)
├── Eindeutigkeit:    78 %  (↑)
├── Aktualität:       72 %  (↓)
└── Konsistenz:       84 %  (→)

TOP-PROBLEME:
1. Lead.Phone Gültigkeit bei 67 % (Ziel: 90 %)
2. Account.LastActivityDate Aktualität bei 58 % (Ziel: 80 %)
3. Contact.Email Duplikate: 2.340 Datensätze

MASSNAHMEN:
- Bereinigungsaktion für Telefonnummern (Owner: Sales Ops)
- Prozess zur Überprüfung der Account-Aktivität (Owner: Account Management)
```

### Berechnung eines Gesamt-Scores

Gewichten Sie Dimensionen nach geschäftlicher Bedeutung:

| Dimension | Gewicht | Score | Gewichtet |
|-----------|---------|-------|-----------|
| Vollständigkeit | 25 % | 87 | 21,75 |
| Gültigkeit | 25 % | 91 | 22,75 |
| Eindeutigkeit | 20 % | 78 | 15,60 |
| Aktualität | 15 % | 72 | 10,80 |
| Konsistenz | 15 % | 84 | 12,60 |
| **Gesamt** | **100 %** | | **83,5** |

> **Tipp:** Passen Sie die Gewichtungen an Ihre Prioritäten an. Wenn KI-Bereitschaft ein Ziel ist, erhöhen Sie die Gewichtung für die Dimensionen, die die KI-Leistung beeinflussen.

## Benchmark-Ziele

Setzen Sie realistische Ziele basierend auf Feldtyp und Branchennormen.

### Ziele nach Feldtyp

| Feldtyp | Vollständigkeit | Gültigkeit | Hinweise |
|---------|-----------------|------------|----------|
| **E-Mail** | 95 %+ | 98 %+ | Kritisch für Kommunikation |
| **Telefon** | 85 %+ | 90 %+ | Format variiert regional |
| **Adresse** | 80 %+ | 85 %+ | Komplexe Validierung |
| **Name** | 99 %+ | 95 %+ | Meist erforderlich |
| **Datumsfelder** | 90 %+ | 99 %+ | Sollten systemvalidiert sein |
| **Auswahlliste** | 95 %+ | 99 %+ | Kontrolliertes Vokabular |
| **Freitext** | 70 %+ | n. v. | Geringere Erwartung akzeptabel |

### Ziele nach Datendomäne

| Domäne | Gesamtziel | Prioritäre Dimensionen |
|--------|------------|------------------------|
| **Kunde** | 90 %+ | Vollständigkeit, Eindeutigkeit |
| **Produkt** | 95 %+ | Konsistenz, Gültigkeit |
| **Finanzen** | 98 %+ | Genauigkeit, Aktualität |
| **Marketing** | 85 %+ | Vollständigkeit, Gültigkeit |
| **Operativ** | 80 %+ | Aktualität, Vollständigkeit |

### Eigene Benchmarks setzen

[Die Etablierung von Benchmarks beginnt mit der Bewertung Ihres aktuellen Zustands](https://www.acceldata.io/article/how-to-measure-data-quality) und dem Setzen realistischer Ziele basierend auf Fähigkeiten, verfügbaren Tools und Erwartungen.

1. Führen Sie einen ersten DQS-Scan durch, um die Baseline zu etablieren
2. Identifizieren Sie Top-Performer und Schlusslichter
3. Setzen Sie Verbesserungsziele (5–10 % Verbesserung pro Quartal sind realistisch)
4. Dokumentieren Sie Ziele in Ihren Governance-Richtlinien

## Berichtsrhythmus

Passen Sie die Berichtsfrequenz an die Bedürfnisse der Zielgruppe an.

| Zielgruppe | Frequenz | Format | Inhalt |
|------------|----------|--------|--------|
| Data Stewards | Wöchentlich | Dashboard | Detaillierte Metriken, Drilldowns |
| Data Owner | Monatlich | Bericht | Dimensions-Scores, Trends, Probleme |
| Governance-Council | Monatlich | Präsentation | Scorecard, Empfehlungen |
| Executive Leadership | Quartalsweise | Zusammenfassung | Gesamt-Score, ROI, strategische Themen |

### Wöchentlicher Steward-Bericht

Fokus auf umsetzbare Details:

- In dieser Woche neu identifizierte Probleme
- Fortschritt bei offenen Behebungspunkten
- Felder, die sich in die falsche Richtung entwickeln
- Anstehender Scan-Plan

### Monatlicher Owner-Bericht

Fokus auf Verantwortlichkeit:

- Aktueller Zustand im Vergleich zu den Zielen
- Monatliche Trends
- Ressourcenbedarf für Verbesserung
- Status der Richtlinien-Compliance

### Quartalsweise Executive-Zusammenfassung

Fokus auf geschäftliche Auswirkungen:

- Gesamt-Qualitäts-Score und Trend
- ROI aus Qualitätsverbesserungen
- Risikobereiche, die Investitionen erfordern
- Strategische Empfehlungen

## ROI berechnen

Zeigen Sie Wert, indem Sie Qualitätsverbesserungen mit Geschäftsergebnissen verknüpfen.

### Kostenkategorien

| Kategorie | Beispiele |
|-----------|-----------|
| **Direkte Kosten** | Speicher für Duplikate, Nacharbeitsaufwand |
| **Opportunitätskosten** | Verlorene Umsätze durch schlechte Kontaktdaten |
| **Risikokosten** | Compliance-Strafen, KI-Fehlschläge |
| **Effizienzkosten** | Zeit für die Suche nach korrekten Daten |

### ROI-Formel

```
ROI = (Wert der Verbesserung – Kosten der Verbesserung) / Kosten der Verbesserung x 100

Beispiel:
- Duplikatreduzierung sparte 500 Stunden Bereinigung @ 50 $/Stunde = 25.000 $
- DQS-Einführung + Steward-Zeit = 8.000 $
- ROI = (25.000 $ – 8.000 $) / 8.000 $ x 100 = 212 %
```

### Beispiele zur Wertschätzung

| Verbesserung | Wertberechnung |
|--------------|----------------|
| E-Mail-Gültigkeit 85 % → 95 % | 10 % mehr zugestellte E-Mails x Kampagnenwert |
| Duplikatreduzierung 5 % → 1 % | Speichereinsparungen + vermiedener Merge-Aufwand |
| Aktualität 60 % → 85 % | Schnellere Entscheidungen x Entscheidungswert |

## DQS zur Messung nutzen

DQS bietet die Metrik-Infrastruktur für Ihr Messprogramm.

### DQS-Metriken für Scorecards

| Scorecard-Bedarf | DQS-Metrik |
|------------------|------------|
| Vollständigkeits-Score | Vollständigkeitsrate (completenessRate_01) |
| Gültigkeits-Score | Gültigkeitsrate (validityRate_01) |
| Eindeutigkeits-Score | Eindeutigkeitsrate (uniquenessRate_01) |
| Aktualitäts-Score | Aktualitätsrate (freshnessRate_01) |
| Konsistenz-Score | Konformitätsrate (conformanceRate_01) |

### Eine Mess-Definition erstellen

Strukturieren Sie Ihre Definition für die Messung:

1. **Klar benennen**: „Customer Data Quality – Monatliche Scorecard"
2. **Alle Dimensionen einbeziehen**: Vollständigkeit, Gültigkeit, Eindeutigkeit, Aktualität, Konsistenz aktivieren
3. **Schwellenwerte setzen**: Konfigurieren Sie Ziele, die Ihren Benchmarks entsprechen
4. **Konsistent planen**: Führen Sie die Messung jeden Monat am gleichen Tag durch, um Trendvergleiche zu ermöglichen

### Ergebnisse exportieren

DQS ermöglicht CSV-Export für:

- Integration mit BI-Tools
- Historische Trendanalyse
- Executive-Reporting
- Präsentationen des Governance-Councils

## Erste Schritte

Implementieren Sie die Messung in Phasen:

### Phase 1: Baseline (Woche 1–2)

1. DQS-Definitions für kritische Datendomänen erstellen
2. Erste Scans über alle Dimensionen durchführen
3. Aktuelle Scores dokumentieren
4. Die 3–5 wichtigsten Problembereiche identifizieren

### Phase 2: Ziele (Woche 3–4)

1. Verbesserungsziele für jede Dimension setzen
2. Ziele in Governance-Richtlinien dokumentieren
3. Berichtsrhythmus etablieren
4. Eigentümerschaft für jedes Ziel zuweisen

### Phase 3: Scorecard (Monat 2)

1. Scorecard-Vorlage erstellen
2. Mit dem ersten Messzyklus befüllen
3. Dem Governance-Council präsentieren
4. Feedback zu Format und Inhalt sammeln

### Phase 4: Aufrechterhaltung (laufend)

1. Messungen gemäß Plan durchführen
2. Stakeholdern entsprechend dem Rhythmus berichten
3. Trends über die Zeit verfolgen
4. Ziele bei Verbesserung anpassen

## Nächste Schritte

- [Eine Datenqualitätskultur aufbauen](/de/resources/best-practices/building-data-quality-culture/): Akzeptanz durch Change Management fördern
- [Häufige Fallstricke bei der Datenqualität](/de/resources/best-practices/common-pitfalls/): Fehler vermeiden, die die Messung untergraben
- [Ergebnisse verstehen](/resources/using-dqs/understanding-results/): DQS-Metriken effektiv interpretieren