Datenbereinigung im KMU: Fachwissen zählt
Wer in einem KMU mit Stammdaten, Listen, ERP-Auswertungen oder Excel-Dateien arbeitet, kennt das Problem: Einträge fehlen, Kunden sind doppelt erfasst, Formate sind uneinheitlich oder Werte passen nicht zusammen. Solche Mängel sind im Alltag lästig. Sie werden aber spätestens dann kritisch, wenn Reporting, Automatisierung oder KI darauf aufbauen sollen.
Genau hier wird oft zu schnell technisch gedacht. Daten bereinigen klingt nach einer Aufgabe für Systeme, Regeln und Skripte. In der Praxis ist die Datenbereinigung im KMU jedoch vor allem eine fachliche Frage. Denn bevor ein Wert gelöscht, korrigiert oder ersetzt wird, muss klar sein, was er im Prozess überhaupt bedeutet.
Saubere Daten entstehen nicht allein durch Technik. Sie entstehen dort, wo Fachwissen, klare Verantwortung und nachvollziehbare Regeln zusammenkommen.
Welche Datenprobleme im KMU-Alltag wirklich auftreten
Datenqualitätsprobleme sind in KMU selten abstrakt. Sie zeigen sich direkt im Tagesgeschäft, oft in ganz gewöhnlichen Abläufen in Administration, Operations oder Teamführung.
Fehlende Werte gehören zu den häufigsten Problemen. In einer Kundenliste fehlt etwa die Telefonnummer, im ERP ist kein Lieferdatum erfasst oder bei einem Auftrag fehlt die Kostenstelle. Technisch ist ein leerer Wert schnell erkannt. Fachlich ist aber entscheidend, ob dieser Wert zwingend notwendig ist oder ob der Prozess damit trotzdem korrekt weiterlaufen kann.
Duplikate entstehen oft durch unterschiedliche Erfassungswege. Ein Kunde wird einmal über den Verkauf angelegt, ein zweites Mal über den Support. Ein Lieferant erscheint mit leicht abweichender Schreibweise in zwei Systemen. Wer einfach Duplikate entfernen will, riskiert, Informationen aus einem der Datensätze zu verlieren, die für Buchhaltung, Service oder Nachverfolgung relevant sind.
Ausreisser wirken auf den ersten Blick wie Fehler, sind aber nicht immer falsch. Ein ungewöhnlich hoher Bestellwert kann ein Erfassungsfehler sein. Er kann aber auch auf einen Grossauftrag hinweisen. Eine Lieferzeit von null Tagen wirkt unplausibel, kann aber bei digitaler Leistungserbringung korrekt sein. Ohne Prozesskontext lässt sich ein Ausreisser nicht zuverlässig beurteilen.
Falsche Werte sind klarer, aber auch hier braucht es Sorgfalt. Wenn im Feld "PLZ" Buchstaben stehen oder ein Geburtsdatum in der Zukunft liegt, liegt ein Fehler nahe. Dennoch bleibt die Frage, wie korrigiert werden soll: aus einem anderen System übernehmen, beim Fachbereich rückfragen oder den Datensatz sperren, bis die Angabe geklärt ist?
Veraltete Daten sind besonders tückisch, weil sie oft formal korrekt aussehen. Eine E-Mail-Adresse kann gültig formatiert sein und trotzdem seit Jahren nicht mehr stimmen. Ansprechpartner wechseln, Preislisten ändern, Lieferkonditionen werden angepasst. Veraltete Daten führen nicht nur zu Fehlern, sondern auch zu unnötigem Aufwand in Folgeprozessen.
Inkonsistente Formate sind ein Klassiker. Telefonnummern werden mal mit Landesvorwahl, mal ohne erfasst. Datumsangaben wechseln zwischen TT.MM.JJJJ und anderen Darstellungen. Artikelbezeichnungen folgen keinem einheitlichen Schema. Solche Unterschiede stören nicht nur die Übersicht, sondern auch Auswertungen, Filter und automatisierte Abläufe.
Gerade in der Administration und im Office Management kumulieren solche Probleme schnell. Sie sind oft kein Zeichen von Nachlässigkeit, sondern die Folge gewachsener Prozesse, verschiedener Eingabequellen und fehlender gemeinsamer Regeln.
Warum Datenbereinigung mehr ist als Aufräumen im System
Datenbereinigung wird oft wie digitales Aufräumen behandelt: Doppelte Einträge löschen, Lücken füllen, falsche Formate korrigieren. Das ist ein Teil der Aufgabe, aber nicht der entscheidende.
Im Kern geht es um eine fachliche Entscheidung über die Bedeutung von Daten. Ein Datensatz ist nicht nur eine technische Einheit im System. Er ist Teil eines Prozesses. Er steuert Abläufe, beeinflusst Kennzahlen und dient als Grundlage für Entscheidungen.
Ein einfaches Beispiel: Wenn bei Kundenstammdaten der Status "aktiv" und "inaktiv" uneinheitlich verwendet wird, ist das nicht nur ein Darstellungsproblem. Es beeinflusst, wer im Vertrieb angesprochen wird, welche Kontakte im Newsletter bleiben, welche Debitoren in Berichte einfliessen und welche Daten für Automatisierungen berücksichtigt werden.
Ähnlich ist es bei Bestell- oder Produktionsdaten. Ein scheinbar kleiner Fehler in einem Feld kann Terminplanung, Lagerbestand, Rechnungsstellung oder Nachkalkulation verfälschen. Deshalb reicht es nicht, Daten technisch zu bereinigen. Es muss geklärt werden, welche Folgen eine Änderung im Prozess hat.
Das gilt besonders dann, wenn Unternehmen Automatisierung oder KI einsetzen wollen. Systeme übernehmen Muster aus vorhandenen Daten. Wenn diese Daten uneinheitlich, missverständlich oder fachlich falsch interpretiert sind, wird die Unschärfe nicht gelöst, sondern weiterverarbeitet. Schlechte Datenqualität bremst deshalb nicht nur das Reporting, sondern auch künftige Digitalisierungsinitiativen.
Datenbereinigung ist damit keine isolierte IT-Aufgabe. Sie liegt an der Schnittstelle zwischen Datenstruktur, Prozesslogik und operativer Verantwortung.
Fehler, Sonderfall oder zulässige Abweichung: Der entscheidende Unterschied
Die wichtigste Frage bei der Datenbereinigung lautet nicht: Was weicht vom Standard ab? Sondern: Was bedeutet diese Abweichung fachlich?
Denn nicht jede Auffälligkeit ist ein Fehler.
Ein echter Fehler liegt vor, wenn ein Wert objektiv falsch, unvollständig oder widersprüchlich ist. Beispiel: Eine Rechnung ist einem Kunden zugeordnet, der im System gar nicht existiert. Oder in einem Pflichtfeld steht ein Wert, der ausserhalb des zulässigen Bereichs liegt.
Ein Sonderfall ist etwas anderes. Hier weicht der Datensatz von der Norm ab, ist aber bewusst so entstanden. Ein Kunde hat etwa keine UID, weil er im Ausland als Privatperson bestellt. Eine Lieferung erfolgt an einen temporären Projektstandort statt an die reguläre Firmenadresse. Eine Bestellung hat einen aussergewöhnlichen Betrag, weil mehrere Monate zusammen verrechnet wurden.
Daneben gibt es zulässige Abweichungen, die im Prozess völlig legitim sind. Eine Abteilung arbeitet mit anderen Kürzeln als eine andere, solange diese intern definiert sind. Ein Feld bleibt leer, weil es für bestimmte Leistungen nicht relevant ist. Ein Projekt wird ohne Standardlaufzeit erfasst, weil die Dauer offen geplant wird.
Der Unterschied ist nicht akademisch. Er entscheidet darüber, ob ein Datensatz gelöscht, korrigiert, markiert oder unverändert übernommen wird.
Besonders wichtig ist dabei: Der gleiche Wert kann je nach Prozess anders bewertet werden. Eine fehlende Mobilnummer ist für den Rechnungsversand meist irrelevant, für die Einsatzplanung eines Serviceteams aber unter Umständen kritisch. Ein ungewöhnlicher Preis kann im Einkauf korrekt sein, im automatisierten Reporting jedoch separat gekennzeichnet werden müssen.
Wer Daten ohne diese Differenzierung bereinigt, schafft leicht neue Probleme. Dann verschwinden nicht Fehler, sondern wichtige Ausnahmen. Oder es werden Sonderfälle normalisiert, obwohl sie im Prozess bewusst so benötigt werden.
Darum braucht gute Datenbereinigung keine pauschalen Löschregeln, sondern klare fachliche Kriterien.
Welche Fachbereiche bei der Bereinigung mitreden müssen
Je näher Daten am operativen Geschäft sind, desto wichtiger ist die Einbindung der Fachbereiche. IT, externe Dienstleister oder Data-Teams können Strukturen erkennen, Prüfregeln umsetzen und Auffälligkeiten sichtbar machen. Sie können aber in der Regel nicht allein definieren, welcher Wert fachlich korrekt ist.
In KMU sind vor allem vier Rollen zentral:
Administration kennt die Erfassungspraxis, die typischen Lücken und die Realität im Tagesgeschäft. Hier zeigt sich oft zuerst, wo Formate uneinheitlich sind, Felder unklar verwendet werden oder Informationen aus verschiedenen Quellen zusammenlaufen.
Operations beurteilt, welche Daten für Ausführung, Planung und Nachverfolgung wirklich belastbar sein müssen. Gerade bei Aufträgen, Ressourcen, Lieferterminen oder Servicefällen ist dieses Wissen zentral.
Teamleitungen sehen, wo Datenfehler zu Mehraufwand, Rückfragen oder Verzögerungen führen. Sie können oft gut priorisieren, welche Probleme operativ am dringendsten gelöst werden sollten.
Prozessverantwortliche verbinden die einzelnen Sichtweisen. Sie helfen dabei, Regeln nicht nur für ein Feld, sondern für den Gesamtprozess festzulegen: Welche Daten sind führend? Was ist Pflicht? Wann darf überschrieben werden? Welche Ausnahme braucht eine Freigabe?
Wichtig ist dabei eine sachliche Rollenverteilung. Die Fachbereiche sind nicht "Verursacher" schlechter Daten, sondern Träger des notwendigen Wissens zur Bewertung. Ohne sie bleibt die Bereinigung technisch sauber, fachlich aber unsicher.
Wenn Verantwortlichkeiten bisher unklar sind, kann eine strukturierte Beratung und Analyse helfen, Regeln, Zuständigkeiten und Prioritäten gemeinsam zu klären. Das ist oft sinnvoller als ein vorschneller Bereinigungslauf ohne abgestimmte Logik.
Lösch-, Korrektur- und Ersatzregeln: Was vor der Bereinigung geklärt sein muss
Bevor Daten bereinigt werden, braucht es Leitplanken. Nicht als starres Regelwerk für alle Fälle, sondern als nachvollziehbare Entscheidungsbasis.
Wann darf gelöscht werden?
Löschen ist die einschneidendste Massnahme. Deshalb sollte klar definiert sein, unter welchen Bedingungen ein Datensatz oder ein Feld wirklich entfernt werden darf.
Sinnvolle Fragen dazu sind:
Ist der Datensatz tatsächlich doppelt und inhaltlich vollständig in einem anderen Datensatz enthalten?
Gibt es gesetzliche, vertragliche oder interne Aufbewahrungspflichten?
Wird der Datensatz noch in Berichten, Belegen oder Schnittstellen referenziert?
Kann statt Löschen eine Kennzeichnung als inaktiv oder veraltet sinnvoller sein?
Gerade bei Stamm- und Bewegungsdaten ist Vorsicht geboten. Was im operativen Blick überflüssig wirkt, kann für Nachvollziehbarkeit, Historie oder Revisionssicherheit relevant bleiben.
Wann soll korrigiert werden?
Korrekturen sind dann sinnvoll, wenn eine verlässliche Quelle oder eine klare fachliche Regel vorhanden ist. Ein falsches Format kann standardisiert werden. Eine fehlerhafte Schreibweise kann vereinheitlicht werden. Ein falscher Referenzwert kann ersetzt werden, wenn eindeutig bekannt ist, welcher Wert korrekt sein muss.
Wichtig ist dabei die Nachvollziehbarkeit. Es sollte erkennbar bleiben, welche Änderung vorgenommen wurde, auf welcher Grundlage und durch wen oder mit wessen Freigabe. Das gilt besonders dann, wenn mehrere Bereiche auf dieselben Daten zugreifen.
Wann sind Ersatzwerte zulässig?
Ersatzwerte sind heikel. Sie können Prozesse stabilisieren, aber auch Scheingenauigkeit erzeugen.
Ein Ersatzwert kann sinnvoll sein, wenn ein Feld technisch zwingend gefüllt sein muss und eine fachlich definierte Standardausprägung existiert. Zum Beispiel ein Status "noch nicht zugeordnet" oder eine definierte Kategorie für nicht klassifizierte Fälle.
Nicht sinnvoll sind Ersatzwerte dort, wo sie fehlendes Wissen verdecken. Ein geschätztes Lieferdatum, das nie als Schätzung gekennzeichnet wird, verbessert die Datenqualität nicht. Es verschiebt nur das Problem.
Warum Regeln je Datentyp unterschiedlich sein müssen
Nicht alle Daten haben die gleiche Bedeutung. Kundendaten, Artikelstammdaten, Zeiterfassungen, Projektdaten oder Reklamationsgründe folgen unterschiedlichen Logiken. Was bei Kontaktdaten zulässig ist, kann bei Finanzdaten untragbar sein. Was in einem Reporting tolerierbar ist, kann in einer automatisierten Weiterverarbeitung zu Fehlern führen.
Darum sollten Regeln immer pro Datentyp und Prozesskontext geprüft werden. Eine universelle Bereinigungsregel klingt effizient, ist im Alltag aber oft zu grob.
Wie saubere Daten den Weg für Automatisierung und KI vorbereiten
Automatisierung und KI setzen keine perfekten Daten voraus. Aber sie benötigen verlässliche Strukturen, verständliche Regeln und möglichst wenige fachlich unklare Fälle.
Wenn beispielsweise Kundengruppen uneinheitlich vergeben sind, kann eine Automatisierung keine sauberen Folgeaktionen auslösen. Wenn Auftragsarten unterschiedlich benannt werden, werden Auswertungen ungenau. Wenn historische Daten Fehler, Ausnahmen und Sonderlogiken vermischen, lernt auch eine KI kein stabiles Muster.
Darum ist Datenbereinigung für KI nicht einfach ein Vorbereitungsprojekt der IT. Sie ist ein Teil der Prozessklärung. Erst wenn klar ist, welche Daten fachlich belastbar sind, lassen sich sinnvolle Anwendungsfälle identifizieren.
Das betrifft nicht nur KI, sondern auch klassische Automatisierung:
Workflows scheitern an fehlenden Pflichtwerten
Reports liefern widersprüchliche Ergebnisse
Schnittstellen übertragen unklare Status oder doppelte Einträge
Benachrichtigungen werden an falsche Empfänger gesendet
Planungs- und Forecasting-Modelle basieren auf veralteten Informationen
Saubere Daten allein garantieren keinen Erfolg. Aber ohne sie steigen Aufwand, Fehlerrisiko und Interpretationsspielraum deutlich. KI ersetzt zudem keine unklaren Prozesse. Sie funktioniert dort besser, wo Begriffe, Zuständigkeiten und Ausnahmen bereits sauber definiert sind.
Ein praxistauglicher Ansatz für Schweizer KMU
KMU brauchen für bessere Datenqualität meist kein Grossprojekt. Sinnvoller ist ein schlanker, schrittweiser Ansatz, der eng am Alltag orientiert ist.
1. Datenbestand sichten
Am Anfang steht keine Komplettsanierung, sondern ein realistischer Überblick. Welche Datenbestände sind besonders wichtig? Wo treten Fehler regelmässig auf? Welche Listen oder Systeme verursachen im Alltag am meisten Rückfragen, Nacharbeit oder Unsicherheit?
2. Kritische Felder priorisieren
Nicht jedes Feld braucht sofort dieselbe Aufmerksamkeit. Priorität haben Informationen, die Folgeprozesse direkt beeinflussen. Dazu gehören etwa Kundenstatus, Ansprechpartner, Rechnungsadressen, Liefertermine, Artikelnummern oder Kategorien für Reporting und Steuerung.
3. Fachverantwortliche einbeziehen
Für priorisierte Felder sollte geklärt werden, wer ihre fachliche Bedeutung beurteilen kann. Das müssen nicht viele Personen sein. Oft genügt eine kleine Runde mit Administration, operativem Bereich und Prozessverantwortung, um die entscheidenden Regeln festzulegen.
4. Regeln schriftlich festhalten
Bereinigung funktioniert besser, wenn Entscheidungen dokumentiert sind. Dazu gehören etwa:
Was gilt als Fehler?
Welche Sonderfälle sind erlaubt?
Wann wird gelöscht, wann nur markiert?
Welche Quelle ist bei Widersprüchen führend?
Wer gibt Änderungen frei?
Schon einfache Dokumentation reduziert Diskussionen und schafft Konsistenz über Teams hinweg.
5. Iterativ bereinigen
Gerade in KMU ist es sinnvoll, nicht alles auf einmal zu bereinigen. Besser ist ein iterativer Ansatz: einen Datenbereich auswählen, Regeln testen, Erkenntnisse anpassen und erst dann breiter ausrollen. So bleibt der Aufwand kontrollierbar und die Wirkung sichtbar.
6. Ursache statt nur Symptome angehen
Wer Daten nur bereinigt, aber den Erfassungsprozess unverändert lässt, produziert dieselben Probleme erneut. Deshalb sollte immer mitgeprüft werden, an welcher Stelle Fehler entstehen: bei manueller Erfassung, in Formularen, bei Schnittstellen oder durch unklare Begriffe.
Ein solcher Ansatz ist praxistauglich, weil er weder eine grosse Dateninitiative noch komplexe Reifegradmodelle voraussetzt. Er verbindet Datenqualität direkt mit dem Prozessalltag.
Daten, Prozesse und Verantwortlichkeiten strukturiert klären
Viele KMU merken erst im Verlauf der Bereinigung, dass nicht nur Daten unklar sind, sondern auch Zuständigkeiten, Begriffe und Prioritäten. Dann wird aus einer scheinbar technischen Aufgabe schnell eine Prozessfrage.
Genau an diesem Punkt ist ein strukturierter Blick von aussen oft hilfreich. Eine Potenzialanalyse kann dabei unterstützen, Datenprobleme, Prozesslogik und Verantwortlichkeiten geordnet zu erfassen. Sie hilft, kritische Datenfelder zu priorisieren, Risiken sichtbar zu machen und sinnvolle nächste Schritte festzulegen.
Das ist besonders dann relevant, wenn bessere Daten die Grundlage für Reporting, Automatisierung oder KI schaffen sollen. Denn bevor neue Lösungen aufgebaut werden, lohnt sich Klarheit darüber, welche Daten verlässlich sind, wo Fachentscheide fehlen und welche Bereinigung wirklich Nutzen bringt.
Häufig gestellte Fragen
Warum reicht es nicht, Daten einfach technisch zu bereinigen?
Weil technische Auffälligkeiten noch nichts über die fachliche Bedeutung eines Werts aussagen. Ein leeres Feld, ein Ausreisser oder ein Duplikat kann ein Fehler sein, aber auch ein zulässiger Sonderfall. Ohne Prozesswissen besteht das Risiko, wichtige Informationen zu löschen oder falsch zu standardisieren.
Woran erkennt man, ob ein Datensatz ein Fehler oder ein Sonderfall ist?
Entscheidend ist der Prozesskontext. Ein Fehler verletzt eine fachliche oder formale Regel. Ein Sonderfall weicht zwar vom Standard ab, ist aber bewusst oder sachlich begründet. Die Beurteilung gelingt nur, wenn bekannt ist, wofür der Datensatz verwendet wird und welche Ausnahmen im Alltag zulässig sind.
Wer sollte bei der Datenbereinigung im KMU mitentscheiden?
In der Regel sollten Administration, Operations, Teamleitungen und Prozessverantwortliche eingebunden werden. Diese Rollen kennen die Bedeutung der Daten im Alltag und können beurteilen, welche Werte kritisch, tolerierbar oder erklärbar sind. IT und technische Teams setzen Regeln um, sollten sie aber nicht allein definieren.
Welche Datenprobleme sollte ein KMU zuerst angehen?
Zuerst sollten die Datenfelder bearbeitet werden, die direkte Auswirkungen auf zentrale Prozesse haben. Dazu zählen meist Stammdaten, Pflichtfelder für Auftragsabwicklung, Rechnungsstellung, Planung oder Reporting. Priorität hat nicht die grösste Datenmenge, sondern der grösste operative Nutzen.
Wann sind Ersatzwerte sinnvoll und wann nicht?
Sinnvoll sind Ersatzwerte dann, wenn sie fachlich definiert und transparent gekennzeichnet sind, etwa für noch nicht klassifizierte Fälle. Nicht sinnvoll sind sie, wenn sie fehlendes Wissen kaschieren oder einen präzisen Wert vortäuschen, der in Wahrheit unbekannt ist.
Wie hilft saubere Datenbereinigung bei Automatisierung und KI?
Sie verbessert die Verlässlichkeit der Ausgangsdaten. Automatisierungen benötigen klare Felder, konsistente Begriffe und stabile Regeln. KI profitiert davon, wenn historische Daten fachlich korrekt eingeordnet sind. Saubere Daten ersetzen keine klaren Prozesse, sie machen deren digitale Umsetzung aber deutlich robuster.
