Datenqualität als Fundament digitaler Projekte

Warum Automatisierungsprojekte scheitern – und was wirklich dahintersteckt

Viele KMU investieren in Automatisierung und Digitalisierung, erleben aber nach dem Go-live Ernüchterung. Reports liefern falsche Werte, Schnittstellen spielen nicht korrekt zusammen, manuelle Nacharbeit bleibt trotz neuem System. Die Ursache wird oft bei der Technologie gesucht – dabei liegt sie meistens woanders.

Die häufigste Ursache für fehlgeschlagene oder enttäuschende Digitalisierungsprojekte ist unzureichende Datenqualität. Nicht fehlendes Budget. Nicht die falsche Software. Sondern Daten, die inkonsistent, unvollständig oder strukturell nicht für die maschinelle Verarbeitung geeignet sind.

Dieses Problem ist lösbar. Aber es muss früh angegangen werden – nicht nach dem Projektstart.

Was Datenqualität konkret bedeutet

Datenqualität ist kein abstraktes Konzept. Sie zeigt sich in konkreten, alltäglichen Situationen:

Kundendatensätze existieren mehrfach, mit leicht unterschiedlichen Schreibweisen. Artikelnummern folgen keiner einheitlichen Logik, weil verschiedene Abteilungen über die Jahre eigene Konventionen entwickelt haben. Prozesse laufen halb im ERP-System und halb in Excel-Tabellen ab, die niemand mehr vollständig überblickt. Felder werden optional befüllt – oder gar nicht.

Im Tagesgeschäft fällt das kaum auf. Erfahrene Mitarbeitende kennen die Ausnahmen und kompensieren sie manuell. Aber sobald ein automatisiertes System diese Daten verarbeiten soll, werden die Inkonsistenzen sichtbar – und teuer.

Automatisierung skaliert. Das gilt für gute Prozesse, aber gleichermassen für fehlerhafte Daten. Wer schlechte Daten automatisiert, skaliert die Fehler.

Die häufigsten Datenprobleme in KMU

In der Praxis begegnen uns immer wieder ähnliche Muster:

Keine führende Datenquelle. Dasselbe Datum – zum Beispiel ein Lieferantenstammsatz – wird in mehreren Systemen gepflegt, ohne dass klar ist, welches die massgebliche Quelle ist. Bei Exporten oder Migrationen entstehen Widersprüche.

Fehlende Pflichtfelder. Formulare und Eingabemasken erlauben zu viele optionale Felder. Mit der Zeit entstehen Datensätze, die für Auswertungen oder automatisierte Prozesse unbrauchbar sind, weil zentrale Informationen fehlen.

Heterogene Formate. Datumsangaben in verschiedenen Formaten, Telefonnummern mit und ohne Ländervorwahl, Adressfelder die für Freitext genutzt werden statt strukturierter Eingabe. Für einen Menschen lesbar – für ein System schwierig zu verarbeiten.

Kein Ownership. Niemand ist explizit verantwortlich für die Qualität bestimmter Datenbereiche. Datenpflege geschieht reaktiv, nicht proaktiv.

Datenqualität als strategische Entscheidung

Datenqualität zu verbessern kostet Zeit und Aufwand. Das ist nicht zu beschönigen. Aber dieser Aufwand fällt früher oder später an – die Frage ist nur, wann und in welchem Kontext.

Wer Datenqualität vor einem Projekt angeht, investiert einmalig in ein sauberes Fundament. Wer wartet, zahlt mehrfach: durch verzögerte Projekte, durch aufwendige Datenmigration, durch manuelle Korrekturen nach dem Go-live und durch eingeschränktes Vertrauen in die Systemdaten.

Auch regulatorische Anforderungen – etwa im Bereich Datenschutz oder Revisionssicherheit – machen strukturierte, konsistente Daten zunehmend zur Pflicht, nicht zur Kür.

Wie eine gezielte Datenbereinigung aussieht

Bestandsaufnahme vor dem Projekt

Bevor ein Digitalisierungsprojekt startet, lohnt sich eine ehrliche Bestandsaufnahme: Welche Daten werden migriert oder integriert? In welchem Zustand befinden sie sich? Wo gibt es bekannte Probleme?

Diese Analyse muss kein monatelanges Audit sein. Oft reichen gezielte Stichproben und Gespräche mit den Personen, die täglich mit den Daten arbeiten. Sie kennen die Lücken – man muss sie nur fragen.

Klare Datenverantwortung definieren

Für jeden relevanten Datenbereich sollte eine verantwortliche Person oder Stelle definiert sein. Das bedeutet nicht zwingend mehr Aufwand – es bedeutet, dass Fragen zur Datenpflege nicht mehr ungeklärt bleiben.

Strukturvorgaben statt Freitext

Wo immer möglich, sollten Eingabemasken strukturierte Eingaben erzwingen statt Freitext zu erlauben. Dropdown-Felder, validierte Formate, Pflichtfelder – diese Massnahmen reduzieren Fehler an der Quelle.

Bereinigung vor Migration

Bei Systemmigration ist die Versuchung gross, alle vorhandenen Daten ins neue System zu übernehmen und dort zu «bereinigen». Das funktioniert selten. Bereinigung vor der Migration ist aufwendiger, liefert aber ein saubereres Ergebnis und reduziert Folgekosten erheblich.

Der Zusammenhang zwischen Datenqualität und Automatisierungspotenzial

Automatisierungslösungen – ob einfache regelbasierte Abläufe oder komplexere KI-gestützte Auswertungen – sind nur so gut wie die Daten, die sie verarbeiten. Ein Reportingsystem, das auf inkonsistenten Stammdaten aufbaut, liefert Auswertungen, denen niemand wirklich vertraut. Ein automatisierter Bestellprozess, der auf fehlerhafte Lieferantendaten zugreift, erzeugt Fehler schneller als ein Mensch sie korrigieren kann.

Umgekehrt gilt: Wer seine Daten im Griff hat, kann Automatisierungspotenziale konsequenter ausschöpfen. Die Grundlage ist gelegt, neue Systeme können schneller integriert werden, und Auswertungen sind belastbar.

Was das für Ihr nächstes Projekt bedeutet

Datenqualität ist kein Thema, das man dem IT-Team übergeben und vergessen kann. Es ist ein unternehmerisches Thema, das Führung, Prozessverantwortliche und IT gemeinsam angehen müssen.

Bei Digitalisierungsprojekten stellen wir diese Fragen bewusst früh – nicht um Projekte zu verzögern, sondern um sicherzustellen, dass die Investition in Technologie tatsächlich den gewünschten Nutzen bringt. Denn die beste Software entfaltet ihr Potenzial nur dann, wenn die Daten, mit denen sie arbeitet, verlässlich sind.

Wer diesen Schritt überspringt, spart kurzfristig Zeit – und verliert sie mehrfach im Verlauf des Projekts wieder.