Datenqualität messen vor KI-Projekten | SPS

KI kann Abläufe beschleunigen, Auswertungen verbessern und Entscheidungen besser vorbereiten. Ob ein KI-Projekt im Alltag wirklich nützt, hängt jedoch nicht zuerst vom Tool ab, sondern von der Datenbasis. Wer Datenqualität messen will, braucht deshalb keine akademische Theorie, sondern eine praktische Einschätzung: Sind die vorhandenen Daten für den konkreten Anwendungsfall ausreichend gut oder nicht?

Gerade in Schweizer KMU ist die Ausgangslage oft gemischt. Es gibt ERP-Daten, CRM-Einträge, Excel-Listen, E-Mail-Protokolle, Serviceberichte oder Produktionsdaten. Vieles ist vorhanden, aber nicht immer vollständig, einheitlich oder aktuell. Das ist normal. Entscheidend ist nicht Perfektion, sondern Eignung für den geplanten Zweck.

Datenqualität ist damit kein Nebenthema der IT, sondern eine betriebliche Frage: Wie verlässlich sind die Grundlagen, auf denen eine KI Empfehlungen, Prognosen oder Automatisierungen aufbaut? Wer sich vertieft mit solchen Themen befassen will, findet weiteres Praxiswissen rund um KI und Prozesse.

Warum KI-Ergebnisse direkt von der Datenqualität abhängen

Die Grundregel ist einfach: Garbage in, garbage out. Wenn die Eingangsdaten fehlerhaft, lückenhaft oder widersprüchlich sind, werden auch die Resultate unzuverlässig. KI kann Muster erkennen, Zusammenhänge berechnen und Texte oder Empfehlungen erzeugen. Sie korrigiert aber keine schlechte Ausgangslage von selbst.

Für KMU heisst das konkret: Wenn Kundendaten unvollständig sind, können Segmentierungen schief werden. Wenn Produktstammdaten nicht stimmen, entstehen unpräzise Empfehlungen. Wenn Prozessdaten aus verschiedenen Systemen nicht zusammenpassen, wirken Auswertungen plausibel, beruhen aber auf einer unsauberen Grundlage.

Wichtig ist dabei eine nüchterne Einordnung. Schlechte Daten machen KI nicht automatisch wertlos. Aber sie erhöhen das Risiko von Fehlentscheiden. Typische Folgen sind:

• falsche oder verzerrte Empfehlungen

• unvollständige Auswertungen

• schlechte Priorisierungen

• zusätzlicher Prüfaufwand im Betrieb

• sinkende Akzeptanz bei Mitarbeitenden und Führung

Besonders kritisch wird es, wenn Ergebnisse sehr überzeugend aussehen, intern aber auf fehlerhaften Grundlagen beruhen. Dann entsteht schnell ein trügerisches Sicherheitsgefühl. Genau deshalb lohnt es sich, Datenqualität vor einem KI-Projekt systematisch zu prüfen.

Die 5 Datenqualitäts-Kriterien, die KMU wirklich prüfen sollten

Wer Datenqualität im KMU beurteilen will, muss nicht jede theoretische Dimension abdecken. Für die meisten KI-Anwendungen reichen fünf Kriterien als praxisnahe Prüflogik:

1. Genauigkeit

2. Vollständigkeit

3. Konsistenz

4. Aktualität

5. Relevanz

Diese Kriterien sind nicht immer gleich wichtig. Für eine Vertriebsanalyse kann Aktualität wichtiger sein als historische Tiefe. Für eine Qualitätsprognose in der Produktion ist Konsistenz über mehrere Systeme oft zentral. Für einen Assistenten im Kundendienst sind korrekte Produkt- und Serviceinformationen wichtiger als möglichst grosse Datenmengen.

Ein paar Beispiele aus dem KMU-Alltag:

• Adressdaten müssen für Offerten, Lieferungen oder Kundenkommunikation korrekt und aktuell sein.

• Produktstammdaten brauchen einheitliche Bezeichnungen, Merkmale und Zuordnungen.

• Kundenhistorien sollten vollständig genug sein, damit Muster nicht nur auf Zufällen beruhen.

• Prozessdaten aus Service, Produktion oder Logistik müssen über Systeme hinweg vergleichbar sein.

Die Frage lautet also nicht: Sind die Daten perfekt? Sondern: Sind sie für diesen Anwendungsfall verlässlich genug?

Genauigkeit: Sind die Daten inhaltlich richtig genug?

Genauigkeit beschreibt, ob Daten inhaltlich stimmen. Für KI ist das besonders wichtig, wenn auf Basis dieser Daten Entscheidungen vorbereitet oder Prozesse automatisiert werden.

Fehler entstehen im KMU oft ganz unspektakulär: durch manuelle Erfassung, unklare Zuständigkeiten, Dubletten, falsche Zuordnungen oder historisch gewachsene Listen. Ein Zahlendreher bei einem Betrag, eine falsche Kategorie bei einem Produkt oder ein doppelt erfasster Kunde sind keine Einzelfälle. In der Summe können sie jedoch Muster verzerren, auf denen KI später aufbaut.

Beispiele:

• Im CRM sind mehrere Versionen desselben Kunden vorhanden. Die KI bewertet dadurch die Kundenaktivität falsch.

• Im ERP wurden Artikel über Jahre unterschiedlich klassifiziert. Eine Auswertung zu Margen oder Nachfrage vergleicht dann Äpfel mit Birnen.

• Servicefälle sind ungenau dokumentiert. Ein KI-System erkennt dadurch falsche Ursachen oder Prioritäten.

Für die Praxis braucht es keine komplizierte Statistik. Oft reicht eine gezielte Stichprobe in geschäftskritischen Feldern. Wichtig ist, nicht alle Daten gleich zu behandeln, sondern dort zu prüfen, wo Fehler echte Folgen haben.

Hilfreiche Prüffragen:

• Welche Datenfelder sind für den geplanten KI-Anwendungsfall geschäftskritisch?

• Wie viele Datensätze wurden stichprobenweise überprüft?

• Wie oft treten offensichtliche Fehler auf?

• Gibt es häufige Dubletten bei Kunden, Produkten oder Vorgängen?

• Wo entstehen heute manuelle Erfassungsfehler besonders oft?

Ein realistischer Anspruch ist dabei sinnvoller als Perfektionismus. Für viele KI-Projekte braucht es keine 100 Prozent fehlerfreien Daten. Es braucht aber genügend verlässliche Daten in den entscheidenden Feldern.

Vollständigkeit: Welche Lücken machen ein KI-Projekt riskant?

Vollständigkeit bedeutet nicht einfach, möglichst viele Daten zu sammeln. Entscheidend ist, ob die nötigen Informationen vorhanden sind, um den geplanten Anwendungsfall sinnvoll abzubilden.

In KMU zeigen sich Lücken oft an drei Stellen:

• fehlende Felder, zum Beispiel Branchenangaben, Produktmerkmale oder Abschlussgründe

• fehlende Zeiträume, etwa unterbrochene Historien in Verkaufs-, Service- oder Produktionsdaten

• fehlende Prozessschritte, wenn Teile eines Ablaufs nur per E-Mail, Papier oder in separaten Listen dokumentiert werden

Solche Lücken sind nicht immer kritisch. Wenn eine KI etwa Kundenanfragen priorisieren soll, sind fehlende Geburtsdaten irrelevant. Wenn jedoch Bearbeitungszeiten, Anfragekategorien oder Eskalationsgründe fehlen, wird die Auswertung schnell unbrauchbar.

Beispiele:

• Ein Vertriebs-KMU möchte Abschlusswahrscheinlichkeiten einschätzen. Im CRM sind aber bei vielen Opportunities weder Status noch Abschlussgrund sauber gepflegt.

• Ein Produktionsbetrieb will Ausschussmuster analysieren. Es fehlen jedoch Daten zu einzelnen Schichten oder Maschinenzuständen.

• Ein Serviceunternehmen plant eine KI-gestützte Einsatzplanung. Die historischen Aufwände sind nur bei einem Teil der Einsätze dokumentiert.

Wichtig ist der Unterschied zwischen wenig Daten und unvollständigen Daten. Eine kleinere, aber saubere Datenbasis kann für einen ersten Use Case ausreichen. Kritisch sind vor allem systematische Leerstellen, die das Bild verzerren.

Hilfreiche Prüffragen:

• Sind die für den Use Case wichtigen Pflichtfelder ausreichend gefüllt?

• Fehlen ganze Zeitreihen oder relevante Perioden?

• Gibt es systematische Lücken in bestimmten Teams, Standorten oder Kanälen?

• Werden einzelne Prozessschritte gar nicht erfasst?

• Fehlen Informationen gerade dort, wo Entscheidungen vorbereitet werden sollen?

Konsistenz: Stimmen die Daten über Systeme und Prozesse hinweg überein?

Konsistenz wird häufig unterschätzt. Viele KMU haben brauchbare Daten in mehreren Systemen, aber keine einheitliche Logik. Genau hier entstehen Probleme, sobald KI Informationen zusammenführen oder Muster über mehrere Quellen erkennen soll.

Typische Inkonsistenzen sind:

• unterschiedliche Kundennummern in ERP und CRM

• abweichende Produktbezeichnungen in Stammdaten und Verkaufslisten

• uneinheitliche Statusdefinitionen wie "offen", "in Bearbeitung" oder "gewonnen"

• verschiedene Versionen derselben Datei in Excel, SharePoint oder lokalen Ablagen

• nicht synchronisierte Änderungen zwischen Fachbereichen

Solche Widersprüche führen dazu, dass gleiche Sachverhalte unterschiedlich gezählt oder interpretiert werden. Eine KI kann dann keine stabile Grundlage erkennen, sondern verarbeitet mehrere Varianten derselben Realität.

Beispiele:

• Der Vertrieb pflegt einen Kunden als aktiv, die Buchhaltung führt denselben Kunden als inaktiv.

• Ein Auftrag gilt im einen System als abgeschlossen, im anderen noch als pendent.

• Produktgruppen wurden im Lager anders definiert als im Verkauf.

Gerade bei historisch gewachsenen Prozessen ist das normal. Entscheidend ist, ob die Inkonsistenzen den geplanten KI-Anwendungsfall direkt betreffen. Für eine einfache Textklassifikation kann das weniger relevant sein als für eine unternehmensweite Prognose.

Hilfreiche Prüffragen:

• Sind wichtige Begriffe und Felder im Unternehmen gleich definiert?

• Entstehen widersprüchliche Werte zwischen ERP, CRM und Excel-Listen?

• Gibt es mehrere führende Datenquellen für dieselbe Information?

• Sind Status, Kategorien und Bezeichnungen einheitlich genug?

• Wo entstehen Medienbrüche im Prozess?

Wer an dieser Stelle merkt, dass die Ausgangslage unklar ist, kann über Beratung und Analyse für Ihre Ausgangslage eine strukturierte Einordnung vorbereiten.

Aktualität und Relevanz: Sind die Daten für den heutigen Entscheid überhaupt brauchbar?

Nicht alle Daten, die korrekt und vollständig sind, sind auch nützlich. Zwei Fragen sind besonders wichtig: Wie alt sind die Daten? Und: Passen sie überhaupt zum heutigen Ziel?

Aktualität

Aktualität betrifft den Zeitbezug. In dynamischen Bereichen verlieren Daten schnell an Aussagekraft. Preise ändern sich, Sortimente werden angepasst, Kundenverhalten verschiebt sich, Abläufe werden neu organisiert. Eine KI, die auf alten Mustern basiert, kann aktuelle Entscheidungen falsch unterstützen.

Beispiele:

• Ein Unternehmen will Nachfrageprognosen erstellen, nutzt aber hauptsächlich Daten aus einer Phase mit völlig anderer Sortimentsstruktur.

• Servicezeiten wurden vor einer Prozessumstellung erfasst und sind heute nicht mehr vergleichbar.

• Kundendaten wurden lange nicht bereinigt, obwohl Ansprechpartner, Standorte oder Zuständigkeiten gewechselt haben.

Hilfreiche Prüffragen:

• Wie alt sind die Daten, die verwendet werden sollen?

• Haben sich Prozesse, Produkte oder Marktbedingungen seit der Erfassung verändert?

• Gibt es Ereignisse, die historische Daten nur eingeschränkt vergleichbar machen?

Relevanz

Relevanz bedeutet Zweckbezug. Auch grosse Datenmengen helfen wenig, wenn sie den Prozess nicht beschreiben, der verbessert werden soll. Genau hier entstehen oft unnötige KI-Projekte: Es sind viele Daten vorhanden, aber nicht die richtigen.

Beispiele:

• Ein KMU möchte die Bearbeitungszeit von Anfragen verkürzen, hat aber nur allgemeine Kundendaten statt belastbarer Prozessdaten.

• Für eine Einkaufsprognose sind zwar viele Rechnungsdaten vorhanden, aber keine verlässlichen Informationen zu Lieferzeiten, Saisonmustern oder Ersatzartikeln.

• Ein Team will mit KI Kundenzufriedenheit einschätzen, erfasst jedoch keine systematischen Rückmeldungen oder Reklamationsgründe.

Hilfreiche Prüffragen:

• Beschreiben die vorhandenen Daten wirklich den Prozess, der optimiert werden soll?

• Sind die Daten für den konkreten Entscheid nützlich oder nur allgemein vorhanden?

• Welche Felder beeinflussen den Anwendungsfall tatsächlich?

• Welche Daten wirken interessant, tragen aber wenig zur Fragestellung bei?

Wer Datenqualität für KI beurteilen will, sollte deshalb nicht nur auf Sauberkeit achten, sondern immer auch auf Passung zum heutigen Einsatzgebiet.

So prüfen Schweizer KMU ihre Datenbasis vor dem KI-Projekt

Für viele Unternehmen reicht eine einfache, pragmatische Prüflogik. Ziel ist keine perfekte Gesamtsanierung, sondern eine belastbare Entscheidung: starten, gezielt vorbereiten oder zuerst bereinigen.

1. Ziel des KI-Anwendungsfalls klären

Am Anfang steht nicht die Datenfrage, sondern der Zweck. Soll die KI Anfragen kategorisieren, Nachfrage prognostizieren, Angebote vorbereiten oder interne Informationen zugänglich machen? Erst wenn das Ziel klar ist, lässt sich Datenqualität sinnvoll messen.

2. Benötigte Daten definieren

Danach wird festgelegt, welche Datenquellen und Felder für diesen Anwendungsfall wirklich nötig sind. Nicht alles, was im Unternehmen vorhanden ist, muss in die Bewertung einfliessen.

3. Daten grob nach fünf Kriterien einschätzen

Für Genauigkeit, Vollständigkeit, Konsistenz, Aktualität und Relevanz reicht zunächst eine einfache Einschätzung. Das kann in Workshops mit Fachbereichen, Prozessverantwortlichen und IT gemeinsam erfolgen. Wichtig ist die Sicht auf den Prozess, nicht nur auf technische Verfügbarkeit.

4. Lücken priorisieren

Nicht jede Schwäche ist ein Projektstopp. Entscheidend ist, welche Lücken den Use Case direkt gefährden. Ein veraltetes Nebenfeld ist weniger kritisch als unzuverlässige Statusdaten in einem Prognosemodell.

5. Entscheidung treffen

Am Schluss braucht es eine klare Einordnung. Eine einfache Ampellogik hilft:

• Grün: bereit

  Die wichtigsten Daten sind für den Use Case ausreichend verlässlich. Ein Pilot oder klar abgegrenzter Start ist sinnvoll.

• Gelb: bedingt bereit

  Es gibt erkennbare Schwächen, aber sie sind begrenzt oder gezielt korrigierbar. Ein Start ist möglich, wenn Prüfmechanismen und Bereinigungen eingeplant werden.

• Rot: zuerst bereinigen

  Kritische Felder fehlen, Daten widersprechen sich systematisch oder der Prozess ist nicht sauber dokumentiert. Vor einem KI-Projekt braucht es zuerst Grundlagenarbeit.

Diese Logik ist bewusst einfach. Sie hilft Geschäftsführung, Operations und Digitalisierungsverantwortlichen, gemeinsam zu entscheiden. KI funktioniert auf klaren Prozessen besser, ersetzt aber keine unklaren Abläufe und keine unzuverlässigen Datengrundlagen.

Datenqualität ist eine Führungs- und Prozessaufgabe, nicht nur ein IT-Thema

Datenqualität entsteht im Alltag. Sie hängt davon ab, wie Mitarbeitende Daten erfassen, wie Prozesse definiert sind, welche Felder verpflichtend sind, wie Begriffe verwendet werden und ob Kontrollen stattfinden. Deshalb ist Datenqualität kein reines IT-Thema.

Die IT kann Systeme bereitstellen, Schnittstellen pflegen und technische Prüfungen unterstützen. Ob Daten brauchbar sind, entscheidet jedoch oft in den Fachbereichen:

• Werden Informationen vollständig erfasst?

• Sind Verantwortlichkeiten klar?

• Gibt es ein gemeinsames Verständnis von Status, Kategorien und Stammdaten?

• Werden Fehler regelmässig erkannt und korrigiert?

• Sind Prozesse überhaupt so definiert, dass verlässliche Daten entstehen können?

Für KMU ist das besonders wichtig, weil viele Abläufe pragmatisch gewachsen sind. Genau das macht sie oft effizient. Für KI braucht es aber an den entscheidenden Stellen etwas mehr Verbindlichkeit: klare Eingaberegeln, eindeutige Zuständigkeiten und regelmässige Plausibilitätskontrollen.

Ein sinnvoller Ansatz ist die Verteilung der Verantwortung:

• Führung setzt Prioritäten und klärt, welche Daten geschäftskritisch sind.

• Fachbereiche definieren, welche Informationen für den Prozess nötig sind.

• Prozessverantwortliche sorgen für einheitliche Abläufe und Begriffe.

• IT und Digitalisierung unterstützen bei Struktur, Integration und technischer Umsetzbarkeit.

Der Nutzen ist greifbar: bessere Entscheidungsgrundlagen, weniger Korrekturschleifen, realistischere Erwartungen an KI und mehr Vertrauen in Ergebnisse. Datenqualität messen ist deshalb kein Selbstzweck, sondern eine betriebliche Voraussetzung für sinnvolle Digitalisierung.

Häufig gestellte Fragen

Woran erkennen wir als KMU, ob unsere Daten für KI überhaupt geeignet sind?

Entscheidend ist nicht, ob alle Daten perfekt sind, sondern ob die für den konkreten Anwendungsfall wichtigen Informationen ausreichend genau, vollständig, konsistent, aktuell und relevant sind. Eine einfache Prüfung entlang dieser fünf Kriterien zeigt meist rasch, ob ein Pilot sinnvoll ist oder ob zuerst Bereinigungen nötig sind.

Welche Datenqualitäts-Kriterien sind vor einem KI-Projekt am wichtigsten?

Das hängt vom Anwendungsfall ab. Für Prognosen sind Aktualität und Konsistenz oft zentral. Für Klassifikationen oder automatisierte Empfehlungen sind Genauigkeit und Relevanz besonders wichtig. Vollständigkeit wird dann kritisch, wenn Lücken systematisch genau jene Informationen betreffen, die für die Entscheidung gebraucht werden.

Müssen unsere Daten perfekt sein, bevor wir mit KI starten können?

Nein. Für viele KI-Vorhaben reicht eine ausreichend verlässliche Datenbasis, vor allem wenn der Start klar abgegrenzt ist. Wichtig ist, die Schwächen zu kennen und den Use Case so zu wählen, dass kritische Datenprobleme nicht ignoriert werden. Perfektion ist selten nötig, Blindflug jedoch riskant.

Was passiert, wenn wir mit lückenhaften oder widersprüchlichen Daten arbeiten?

Dann steigt das Risiko für verzerrte Empfehlungen, unvollständige Auswertungen und unnötigen Prüfaufwand. Häufig leidet auch die Akzeptanz im Betrieb, weil Ergebnisse nicht nachvollziehbar wirken oder intern angezweifelt werden. KI verstärkt vorhandene Muster, korrigiert aber keine strukturellen Datenprobleme automatisch.

Wie oft sollten Datenqualität und Datenstände im KMU überprüft werden?

Vor jedem neuen KI-Anwendungsfall sollte die relevante Datenbasis geprüft werden. Zusätzlich lohnt sich eine regelmässige Überprüfung bei geschäftskritischen Prozessen, etwa quartalsweise oder bei Prozessänderungen, neuen Systemen oder geänderten Verantwortlichkeiten. Besonders wichtig ist die Kontrolle dann, wenn Datenquellen zusammengeführt werden.

Wer im Unternehmen sollte sich um Datenqualität kümmern?

Datenqualität braucht Zusammenarbeit. Führung, Fachbereiche, Prozessverantwortliche und IT haben jeweils eine Rolle. Die Verantwortung darf nicht allein bei der IT liegen, weil viele Qualitätsprobleme im operativen Prozess entstehen. Am besten funktioniert es, wenn geschäftskritische Daten klaren Verantwortlichkeiten zugeordnet sind.

Datenbasis vor dem KI-Projekt strukturiert einschätzen

Viele KMU stehen nicht vor der Frage, ob ihre Daten perfekt sind, sondern ob sie für einen ersten sinnvollen KI-Einsatz genügen. Genau dafür braucht es eine einfache Standortbestimmung. Wer Datenqualität systematisch prüft, reduziert Risiken, setzt Erwartungen realistischer und schafft bessere Voraussetzungen für tragfähige Ergebnisse.

Wenn die eigene Ausgangslage noch schwer einzuordnen ist, bietet der Selbstcheck für den nächsten Schritt eine strukturierte erste Einschätzung. Er hilft dabei, die Datenbasis für KI geordnet zu bewerten, Risiken sichtbar zu machen und die Vorbereitung auf ein mögliches Folgegespräch zu erleichtern.