Was ein Data Quality Score ist
Ein Data Quality Score ist eine einzige Zahl, die zusammenfasst, wie gut Ihre Daten für ihren vorgesehenen Zweck geeignet sind. Statt zu fragen „Sind unsere Daten gut?“ und eine vage Antwort zu erhalten, verwandelt ein Score die Frage in eine einzige Kennzahl — üblicherweise ein Prozentwert von 0 bis 100 — die Sie verfolgen, vergleichen und auf die Sie reagieren können.
Der Score wird manchmal als Data Reliability Score bezeichnet. Beide Namen beschreiben dasselbe: eine zusammengesetzte Kennzahl, die mehrere zugrunde liegende Qualitätsprüfungen zu einer einzigen Schlagzeilen-Zahl bündelt.
Ein Score an sich ist nicht das Ziel. Sein Wert liegt darin, was er Ihnen ermöglicht: einen Basiswert festzulegen, auf Verschlechterungen zu achten und nachzuweisen, dass sich Verbesserungsarbeit auszahlt.
Warum zählt eine einzige Zahl?
Die Folgen sind nicht abstrakt: Laut Gartner kostet schlechte Datenqualität Unternehmen durchschnittlich 12,9 Millionen US-Dollar pro Jahr (Gartner, 2020). Ein einzelner Score macht diese verborgenen Kosten zu einer Zahl, die Sie beobachten – und senken – können.
Rohe Qualitätsprüfungen erzeugen Dutzende einzelner Signale — Befüllungsraten, Dublettenanzahl, Formatfehler, veraltete Datensätze. Für sich genommen sind sie schwer zu vermitteln und leicht zu ignorieren. Eine einzige Kennzahl löst drei Probleme auf einmal:
| Problem | Wie ein Score es löst |
|---|---|
| Keine gemeinsame Sprache | Eine Zahl, die jeder versteht, von Analysten bis zur Führungsebene |
| Keine Möglichkeit, Fortschritt zu verfolgen | Eine Trendlinie, die zeigt, ob die Qualität steigt oder sinkt |
| Keine Möglichkeit zu priorisieren | Eine Aufschlüsselung, die auf die schwächste Dimension oder das schwächste Feld verweist |
Der Score ist die Schlagzeile. Die Aufschlüsselung dahinter ist das, worauf Sie reagieren.
Wie wird ein Data Quality Score berechnet?
Ein Data Quality Score ist ein gewichteter Durchschnitt einzelner Qualitätsdimensionen. Die Berechnung erfolgt in drei Schritten.
Schritt 1: Jede Dimension messen
Jede Dimension wird als Erfüllungsrate gemessen — der Anteil der Datensätze oder Werte, die eine definierte Regel erfüllen.
| Dimension | Was sie misst | Beispielregel |
|---|---|---|
| Vollständigkeit | Erforderliche Daten sind vorhanden | Pflichtfelder sind ausgefüllt |
| Gültigkeit | Daten entsprechen einem Format | E-Mail-Adressen entsprechen einem gültigen Muster |
| Eindeutigkeit | Keine doppelten Datensätze | Ein Datensatz pro Kunde |
| Aktualität | Daten sind aktuell | Datensätze innerhalb von 90 Tagen aktualisiert |
| Konsistenz | Werte sind einheitlich | Land gespeichert als „USA“, niemals „US“ |
Einen vertieften Blick auf jede Dimension finden Sie unter Die fünf Dimensionen.
Schritt 2: Gewichte anwenden
Nicht jede Dimension ist gleich wichtig. Ein Gewicht spiegelt wider, wie wichtig eine Dimension für das Unternehmen ist, und die Gewichte ergeben zusammen 100 %.
| Dimension | Erfüllungsrate | Gewicht | Beitrag |
|---|---|---|---|
| Vollständigkeit | 92% | 30% | 27,6 |
| Gültigkeit | 88% | 25% | 22,0 |
| Eindeutigkeit | 99% | 20% | 19,8 |
| Aktualität | 75% | 15% | 11,3 |
| Konsistenz | 90% | 10% | 9,0 |
| Gesamt | 100% | 89,7 |
Schritt 3: Zu einem Score kombinieren
Die Beiträge werden zur endgültigen Kennzahl summiert. Im obigen Beispiel beträgt der Data Quality Score 89,7 von 100.
Die allgemeine Formel lautet:
Data Quality Score = Σ (Erfüllungsrate der Dimension × Gewicht der Dimension)
Da der Score gewichtet ist, können zwei Organisationen mit denselben Rohdaten unterschiedliche Scores melden, wenn sie die Dimensionen unterschiedlich gewichten — und das ist beabsichtigt. Die Gewichte kodieren, was „gut“ für Ihr Unternehmen bedeutet.
Messebenen
Ein einzelner organisationsweiter Score ist nützlich für das Reporting, aber die eigentliche Arbeit geschieht, wenn Sie ihn aufschlüsseln können.
| Ebene | Welche Frage sie beantwortet | Nutzen |
|---|---|---|
| Organisation / Datensatz | Wie gesund sind unsere Daten insgesamt? | Reporting für die Führungsebene, Trendverfolgung |
| Objekt / Tabelle | Welche Entität drückt den Score nach unten? | Priorisierung der Bereinigung |
| Feld | Welche Spalte ist genau das Problem? | Gezielte Korrekturen und Validierungsregeln |
Ein Score von 89,7 kann ein einzelnes Feld mit 40 % Vollständigkeit verbergen. Aufschlüsselungen auf Feldebene verwandeln eine vage Zahl in eine konkrete To-do-Liste.
Was gilt als guter Score?
Ein guter Score bedeutet letztlich Vertrauen – und Vertrauen ist heute der Engpass für KI. Im Bericht „State of Data and Analytics“ 2025 von Salesforce gaben fast neun von zehn Datenverantwortlichen an, dass fehlerhafte KI-Ergebnisse auf mangelhafte Daten zurückgingen, und nur 57 % waren von ihren eigenen Daten vollständig überzeugt (Salesforce, 2025).
Es gibt keine universelle Bestehensgrenze. Das richtige Ziel hängt davon ab, wofür die Daten verwendet werden — dasselbe Prinzip der „Zweckmäßigkeit“, das der Datenqualität allgemein zugrunde liegt.
| Score-Bereich | Interpretation | Typischer Nutzen |
|---|---|---|
| 95–100% | Vertrauenswürdig | Kundenrelevante und regulierte Daten |
| 85–94% | Zuverlässig | Allgemeine Betriebsdaten |
| 70–84% | Erfordert Aufmerksamkeit | Interne oder sekundäre Daten |
| Unter 70% | Nicht vertrauenswürdig | Vor der Nutzung bereinigen |
Legen Sie den Schwellenwert anhand der Kosten eines Fehlers fest. Ein Feld, das in die Abrechnung oder Compliance einfließt, benötigt eine höhere Messlatte als eines, das für gelegentliche interne Abfragen genutzt wird.
Wie verfolgt man den Score im Zeitverlauf?
Ein einmal gemessener Score ist eine Momentaufnahme. Wiederholt gemessen, wird er zu einem Trend — und im Trend liegt der Wert.
- Punktuelle Scores beantworten „Wo stehen wir heute?“
- Kontinuierliche Scores beantworten „Werden wir besser oder schlechter?“
CRM- und Betriebsdaten verfallen kontinuierlich durch manuelle Eingabe, Integrationen und den Lauf der Zeit, sodass ein Score, der im letzten Quartal gesund aussah, unbemerkt absinken kann. Geplante Neumessung erkennt Verschlechterungen frühzeitig, bevor sie in einen Bericht oder ein KI-Modell gelangen.
Wie funktioniert ein Data Quality Score in Salesforce?
Im KI-Zeitalter ist das dringlich geworden: 84 % der Datenverantwortlichen sagen, dass ihre Datenstrategie eine vollständige Überarbeitung benötigt, bevor ihre KI-Initiativen erfolgreich sein können (Salesforce, 2025). Ein kontinuierlich gemessener Score schließt diese Lücke.
Innerhalb von Salesforce gilt dasselbe Modell: Dimensionen werden über Objekte wie Accounts, Kontakte und Leads gemessen, gewichtet und zu einem einzigen Score zusammengefasst, den Sie auf einem Dashboard überwachen können.
DQS (Data Quality Score) misst dies nativ — ohne Datenexport — über die fünf Dimensionen und ergänzt PII-Erkennung für die KI-Bereitschaft. Um zu sehen, wie der Score aufgebaut und innerhalb eines CRM gelesen wird, lesen Sie weiter:
- Wie man Datenqualität in Salesforce misst — der Score angewendet auf eine Salesforce-Org, auch Data Reliability Score genannt
- Salesforce Data Quality Dashboard — die Metriken, die es wert sind, neben der Schlagzeilen-Zahl verfolgt zu werden
- Datenqualität in Salesforce — das größere Bild
Häufig gestellte Fragen
Was ist ein Data Quality Score?
Ein Data Quality Score ist eine einzige Zahl, üblicherweise als Prozentwert von 0 bis 100 ausgedrückt, die zusammenfasst, wie gut Ihre Daten für ihren vorgesehenen Zweck geeignet sind. Er wird als gewichteter Durchschnitt einzelner Qualitätsdimensionen wie Vollständigkeit, Gültigkeit, Eindeutigkeit, Aktualität und Konsistenz berechnet.
Wie wird ein Data Quality Score berechnet?
Jede Qualitätsdimension wird als Erfüllungsrate gemessen — der Anteil der Datensätze oder Werte, die eine definierte Regel erfüllen. Diese Dimensions-Scores werden dann zu einem gewichteten Durchschnitt kombiniert, wobei das Gewicht jeder Dimension widerspiegelt, wie wichtig sie für das Unternehmen ist. Das Ergebnis ist ein einzelner Prozentwert zwischen 0 und 100.
Was ist ein guter Data Quality Score?
Es gibt keine universelle Bestehensgrenze, denn das richtige Ziel hängt davon ab, wofür die Daten verwendet werden. Als Faustregel gilt: 95 % oder höher werden für kundenrelevante und regulierte Daten erwartet, 85 % oder höher sind für allgemeine Betriebsdaten akzeptabel, und alles unter 70 % signalisiert Daten, die bereinigt werden müssen, bevor man ihnen vertrauen kann.
Ist ein Data Quality Score dasselbe wie ein Data Reliability Score?
Ja. Die Begriffe werden synonym verwendet. Beide beschreiben eine einzige zusammengesetzte Zahl, die ausdrückt, wie vertrauenswürdig ein Datensatz ist, indem mehrere zugrunde liegende Qualitätsdimensionen zu einer Kennzahl zusammengefasst werden, die Sie im Zeitverlauf verfolgen können.
Nächste Schritte
- Messen Sie ihn in Ihrem CRM: Wie man Datenqualität in Salesforce misst
- Verstehen Sie die Eingaben: Die fünf Dimensionen
- Beginnen Sie mit der Grundlage: Was ist Datenqualität?
- Vergleichen Sie Ihre eigenen Daten: Nehmen Sie am AI Readiness Assessment teil, um Ihre Scores in 3 Minuten zu erhalten