Datenqualität entscheidet vor dem ersten Modell über Erfolg oder Abbruch eines KI-Projekts: welche Kriterien zählen, wie Sie Datenqualität messen und bewerten und was schlechte Daten tatsächlich kosten.
KI-Piloten scheitern selten am Modell,
meist an den Daten
Nicht jeder Datensatz trägt ein Modell. Ob Ihrer es tut, lässt sich prüfen, bevor Budget in die Modellierung fließt, und genau diese Prüfung beschreibt diese Seite.
Warum KI-Projekte an der Datenqualität scheitern
Das MIT-NANDA-Programm berichtete im August 2025, dass 95 Prozent der untersuchten Organisationen trotz ihrer Ausgaben für generative KI keinen messbaren Ergebniseffekt sehen. Gartner nannte schon ein Jahr zuvor schlechte Datenqualität als einen der Gründe, aus denen mindestens 30 Prozent der GenAI-Projekte nach dem Proof of Concept abgebrochen werden. Beides deckt sich mit unseren Gesprächen im Mittelstand: KI-Piloten scheitern selten am Modell und meist an Daten, deren Qualität vorher niemand geprüft hat.
Der Mechanismus dahinter ist unspektakulär. Ein Modell lernt aus dem, was im Datensatz steht. Fehlen Werte systematisch, stimmen Einheiten nicht oder ist derselbe Vorgang doppelt enthalten, dann lernt das Modell diese Fehler mit und liefert eine Auswertung, die schön aussieht und falsch ist. Der teuerste Zeitpunkt, das zu bemerken, ist nach dem Projektstart.
Sieben Fragen entscheiden, ob Ihr KI-Projekt scheitert: das Audit zum Selbstanwenden
Warum 95 Prozent der GenAI-Piloten scheitern: die methodischen Ursachen
Datenqualität bewerten: sechs Kriterien, die zählen
Datenqualität ist kein Bauchgefühl und keine Norm, sondern der Grad, in dem ein Datensatz für einen bestimmten Zweck geeignet ist. Bewertet wird deshalb nicht pauschal, sondern entlang einzelner Kriterien, jedes mit einer eigenen Frage und einer eigenen Messgröße. Derselbe Datensatz kann für ein Reporting reichen und für eine Prognose nicht.
Wo diese Daten überhaupt herkommen, von Maschinensteuerungen bis zu manuellen Buchungen, beschreibt unser Ratgeber zur Prozessdatenerfassung.
Vollständigkeit
Sind die Pflichtfelder befüllt? Gemessen als Fehlanteil je Spalte, nachdem Platzhalter wie „?" oder 9999 als Fehlwerte deklariert sind. Ein fehlender Wert ist selten Zufall und oft selbst ein Befund.
Konsistenz
Sind Typen, Einheiten und Formate je Spalte einheitlich? Typ-Drift, Datum als Text und wechselnde Dezimaltrennzeichen sind die häufigsten stillen Fehlerquellen in gewachsenen Systemen.
Genauigkeit und Plausibilität
Sind die Werte fachlich möglich? Ausreißer werden gezählt und eingeordnet: Sensorfehler, verwechselte Einheit oder echtes seltenes Ereignis. Sie sind ein Bereinigungsfall, kein Stopp-Grund.
Aktualität
Wie aktuell und lückenlos ist die Zeitreihe? Jede Lücke braucht eine Erklärung wie Wochenende, Feiertag oder dokumentierter Ausfall. Unerklärte Lücken sind kritisch.
Eindeutigkeit
Ist jeder Vorgang genau einmal enthalten? Duplikate blähen Aggregate auf und lassen Modelle Muster lernen, die es nicht gibt. Zählbare technische Duplikate sind harmlos, fachliche ohne Regel nicht.
Historientiefe
Deckt der Zeitraum die Frage ab? Für Prognosen braucht es je nach Saisonalität typischerweise 12 bis 24 Monate Historie. Deckt die Historie die Frage nicht ab, ist das ein Stopp-Grund.
Datenqualität messen: sieben Dimensionen, eine Ampel
Messen heißt: jedes Kriterium bekommt eine Messgröße und eine Schwelle, und die Schwelle hängt vom Anwendungsfall ab. Damit das nicht in Handarbeit endet, haben wir ein Audit-Werkzeug veröffentlicht, das einen Datensatz in zehn Minuten gegen sieben Dimensionen prüft: Vollständigkeit, Schema-Konsistenz, Eindeutigkeit, Werte-Plausibilität, zeitliche Lücken, referentielle Integrität und Repräsentativität. Jede Dimension liefert eine Ampel-Bewertung und einen numerischen Wert, das Ergebnis ist ein Report samt Scorecard.
Das Werkzeug ist quelloffen und läuft dort, wo Ihre Daten liegen: auf Ihrer Infrastruktur, nicht auf unserer. Kein Datensatz verlässt für die Prüfung das Haus. Das ist kein Feature, sondern unsere Arbeitsweise, auch in Projekten. Wie die methodische Einbettung in ein Projekt aussieht, zeigt die Datenakquise-Phase unseres Workflows; wie Befunde bereinigt werden, die Datenaufbereitungs-Phase.
Workflow Phase 2: Datenakquise und Qualitätsbewertung im Projekt
Was schlechte Datenqualität kostet
Die Kosten schlechter Daten tauchen in keiner Rechnung auf, sie verstecken sich in vier Posten. Erstens in der Aufbereitung: Jede unentdeckte Inkonsistenz wandert als Mehraufwand in die Datenaufbereitung, die in Projekten ohnehin den größten Zeitanteil trägt. Zweitens im Abbruch: Ein Pilot, der nach Monaten an der Datenlage scheitert, kostet das volle Budget und das interne Vertrauen in das Thema. Drittens in falschen Entscheidungen: Eine schöne, falsche Auswertung ist teurer als gar keine, weil auf ihr geplant wird. Viertens im Betrieb: Ungeprüfte Datenquellen driften still, und das Modell verschlechtert sich, ohne dass es jemand bemerkt.
Die Gegenrechnung ist kurz. Eine Qualitätsprüfung vor dem Projekt kostet einen festen, kleinen Betrag und beantwortet die eine Frage, an der die vier Posten hängen: Trägt diese Datenlage das Vorhaben oder nicht? Ein ehrliches Nein zum Prüfzeitpunkt ist das billigste Ergebnis, das ein KI-Projekt haben kann.
Häufige Fragen zur Datenqualität
Was ist Datenqualität, kurz erklärt?
Der Grad, in dem ein Datensatz für einen bestimmten Zweck geeignet ist. Datenqualität ist damit immer relativ zur Frage: Derselbe Datensatz kann für ein Management-Reporting ausreichen und für eine Absatzprognose unbrauchbar sein. Deshalb beginnt jede Bewertung mit dem Zweck, nicht mit den Daten.
Welche Kriterien bestimmen die Datenqualität?
In der Bewertung vor einem KI-Projekt arbeiten wir mit sechs Kriterien: Vollständigkeit, Konsistenz, Genauigkeit und Plausibilität, Aktualität, Eindeutigkeit und Historientiefe. Jedes Kriterium hat eine Frage, eine Messgröße und eine Schwelle, die vom Anwendungsfall abhängt.
Was sind die Dimensionen der Datenqualität?
Unser quelloffenes Audit-Werkzeug prüft sieben Dimensionen: Vollständigkeit, Schema-Konsistenz, Eindeutigkeit, Werte-Plausibilität, zeitliche Lücken, referentielle Integrität und Repräsentativität. Die letzten drei sind optional und brauchen Zusatzangaben wie die Zeitspalte oder eine Schlüssel-Beziehung. Jede Dimension liefert eine Ampel und einen numerischen Wert.
Wie kann man Datenqualität messen?
Je Kriterium mit einer Messgröße gegen eine Schwelle: Fehlanteil je Spalte für die Vollständigkeit, Typ-Drift für die Konsistenz, Ausreißer nach Tukey für die Plausibilität, Lücken größer als der dreifache Median-Schritt für die Aktualität, Duplikate auf Schlüsselspalten für die Eindeutigkeit. Werkzeuggestützt dauert ein erster Durchlauf etwa zehn Minuten.
Wie bewertet man, ob die Datenqualität für ein KI-Projekt reicht?
Mit einem Urteil je Datenquelle gegen den konkreten Anwendungsfall, nicht mit einer Gesamtnote. Fehlt die Zielgröße oder deckt die Historie den Zeitraum der Frage nicht ab, lautet das Urteil Nein, und zwar vor der Modellierung. Alles andere ist ein Bereinigungsfall mit kalkulierbarem Aufwand.
Was kostet schlechte Datenqualität?
Sie zahlt auf vier Posten ein: Mehraufwand in der Datenaufbereitung, abgebrochene Pilotprojekte, Entscheidungen auf falschen Auswertungen und stiller Modellverfall im Betrieb. Die publizierten Abbruchzahlen für GenAI-Projekte nennen schlechte Datenqualität ausdrücklich als einen der Gründe. Eine Prüfung zum Festpreis vor dem Start ist die günstigste Versicherung dagegen.
Sprechen wir über Ihre Daten
Kostenloses 30-Minuten-Erstgespräch. Schildern Sie kurz Ihren Datensatz und Ihr Vorhaben; optional können Sie einen Terminwunsch angeben.
Die Leistungen ersetzen keine juristische Datenschutzberatung.