Datenqualität im KMU – warum gute Daten die Basis jeder Digitalisierung sind

In fast jedem KMU gibt es einen Moment, in dem jemand eine Auswertung braucht – und merkt, dass die Daten nicht stimmen. Kundenadressen sind veraltet. Artikelnummern existieren doppelt. Umsatzzahlen aus dem CRM weichen von denen aus der Buchhaltung ab. Und niemand weiss genau, welche Version die richtige ist. Was dann folgt, ist meistens das Gleiche: stundenlanges manuelles Abgleichen, frustrierte Mitarbeitende und die stille Erkenntnis, dass man den eigenen Daten nicht wirklich vertrauen kann.

Dieses Problem ist kein Randthema. Es ist eine der grössten Bremsen für Digitalisierung in KMU – und gleichzeitig eine der am meisten unterschätzten. Denn während alle über AI, Automatisierung und neue Tools reden, hängt der Erfolg all dieser Massnahmen an einer einzigen Voraussetzung: dass die zugrunde liegenden Daten stimmen.

Was Datenqualität konkret bedeutet – und warum sie schleichend abnimmt

Datenqualität klingt abstrakt, ist aber im Alltag sehr greifbar. Es geht darum, ob Daten korrekt, vollständig, aktuell, eindeutig und konsistent sind. Korrekt heisst: Die Telefonnummer eines Kunden ist tatsächlich seine aktuelle Nummer. Vollständig heisst: Alle relevanten Felder sind ausgefüllt, nicht nur die Pflichtfelder. Aktuell heisst: Die Daten spiegeln den heutigen Stand wider, nicht den von vor zwei Jahren. Eindeutig heisst: Es gibt genau einen Datensatz pro Kunde, nicht drei leicht unterschiedliche Varianten. Konsistent heisst: Die gleiche Information sieht in allen Systemen gleich aus.

Das Problem ist, dass Datenqualität fast nie schlagartig schlecht wird. Sie erodiert langsam. Ein Mitarbeitender legt einen Kunden neu an, weil er den bestehenden Eintrag nicht findet. Jemand anderes überspringt ein Feld, weil es gerade nicht relevant scheint. Eine Adresse wird im CRM aktualisiert, aber nicht im ERP. Ein Produkt wird umbenannt, aber der alte Name bleibt in der Artikelliste stehen. Jede einzelne dieser Handlungen ist nachvollziehbar. Aber über Monate und Jahre summiert sich das zu einem Datenbestand, der zunehmend unzuverlässig wird – ohne dass es jemandem auffällt, bis es zu spät ist.

Warum schlechte Daten teuer sind – auch wenn man es nicht sofort sieht

Die Kosten schlechter Daten sind selten direkt sichtbar. Sie verstecken sich in ineffizienten Prozessen, in Fehlentscheidungen und in Projekten, die nicht die erwarteten Ergebnisse liefern.

Zeitverlust durch manuelle Korrekturen. Wenn Mitarbeitende regelmässig Daten überprüfen, abgleichen und korrigieren müssen, bevor sie eine Auswertung erstellen oder einen Bericht verschicken können, entstehen erhebliche versteckte Kosten. In vielen KMU verbringt das Backoffice mehrere Stunden pro Woche damit, Daten zu bereinigen, die von Anfang an korrekt hätten erfasst werden können. Das ist keine produktive Arbeit – es ist Nacharbeit, die durch fehlende Strukturen entsteht.

Fehlentscheidungen auf Basis falscher Zahlen. Wer auf Grundlage unvollständiger oder veralteter Daten entscheidet, trifft zwangsläufig schlechtere Entscheidungen. Das kann ein Marketingbudget sein, das auf Basis veralteter Kundensegmente verteilt wird. Oder eine Einkaufsentscheidung, die auf ungenauen Lagerbeständen basiert. Oder eine Vertriebsstrategie, die an den tatsächlichen Umsatzzahlen vorbeigeht, weil die Daten im CRM nicht gepflegt wurden. Die Entscheidungen sehen im Moment richtig aus – aber ihre Grundlage ist falsch.

Gescheiterte Digitalisierungsprojekte. Das ist vielleicht die folgenschwerste Konsequenz. Unternehmen investieren in ein neues CRM, ein ERP-System oder ein Reporting-Tool – und wundern sich, warum das Ergebnis nicht überzeugt. Der Grund ist häufig nicht die Software, sondern die Daten, die hineinmigriert wurden. Wenn ein neues System mit veralteten, doppelten und inkonsistenten Daten gefüttert wird, liefert es zwangsläufig unbrauchbare Ergebnisse. Das neue Tool funktioniert – aber die Daten nicht.

Typische Datenprobleme in KMU – und warum sie entstehen

Die meisten Datenprobleme in KMU haben weniger mit Technologie zu tun als mit Gewohnheiten und fehlenden Absprachen. Vier Muster tauchen besonders häufig auf.

Dubletten und Mehrfacherfassungen. Kunden, Lieferanten oder Produkte existieren mehrfach im System – mit leicht unterschiedlichen Schreibweisen, verschiedenen Nummern oder abweichenden Adressen. Das passiert typischerweise, weil mehrere Personen Daten erfassen, es keine verbindlichen Regeln für die Erfassung gibt und die Suche im System umständlich ist. Das Resultat: Niemand weiss, welcher Datensatz der richtige ist. Auswertungen liefern falsche Zahlen, weil Umsätze auf verschiedene Duplikate verteilt sind.

Unvollständige Datensätze. Felder werden leer gelassen, weil sie im Moment nicht relevant scheinen oder weil die Information gerade nicht verfügbar ist. Das ist menschlich nachvollziehbar, führt aber dazu, dass spätere Auswertungen unbrauchbar werden. Wer zum Beispiel eine Kundenanalyse nach Branche machen will, aber nur bei der Hälfte der Kunden eine Branche eingetragen hat, bekommt ein verzerrtes Bild.

Inkonsistente Daten über Systeme hinweg. In vielen KMU existieren die gleichen Daten in mehreren Systemen: im CRM, im ERP, in Excel-Listen, in der Buchhaltungssoftware. Und in fast keinem Fall sind diese Daten synchron. Die Adresse im CRM ist aktuell, die im ERP nicht. Der Produktname im Webshop weicht vom internen Artikelstamm ab. Die Zuordnung von Kunden zu Vertriebsgebieten ist in der einen Liste anders als in der anderen. Das macht übergreifende Auswertungen fast unmöglich, weil niemand den Daten in irgendeinem System vollständig vertraut.

Fehlende Datenverantwortung. In den meisten KMU ist nicht klar, wer für die Qualität der Daten zuständig ist. Die IT kümmert sich um die Systeme, aber nicht um die Inhalte. Die Fachabteilungen nutzen die Daten, fühlen sich aber nicht verantwortlich für deren Pflege. Das Ergebnis ist, dass sich niemand zuständig fühlt – und die Qualität kontinuierlich sinkt.

Was Datenqualität mit AI zu tun hat

Wer sich mit Künstlicher Intelligenz beschäftigt, kommt an einem Grundsatz nicht vorbei: AI ist nur so gut wie die Daten, auf denen sie arbeitet. Das gilt für einfache Automatisierungen genauso wie für komplexe Analysen.

Ein Copilot, der Vertriebsdaten zusammenfassen soll, liefert Unsinn, wenn die Daten im CRM veraltet oder unvollständig sind. Ein KI-gestütztes Reporting, das Trends erkennen soll, erkennt falsche Trends, wenn die zugrunde liegenden Zahlen inkonsistent sind. Ein Chatbot, der Kundenanfragen beantworten soll, gibt falsche Antworten, wenn die Wissensdatenbank nicht gepflegt ist.

Das bedeutet nicht, dass KMU erst perfekte Daten brauchen, bevor sie AI nutzen können. Aber es bedeutet, dass Unternehmen, die in AI investieren wollen, gleichzeitig in ihre Datenqualität investieren müssen. Wer das eine ohne das andere tut, wird enttäuscht. Die AI funktioniert – aber die Ergebnisse sind nicht brauchbar, weil die Eingangsdaten nicht stimmen. Und dann entsteht der falsche Eindruck, dass AI im eigenen Unternehmen nicht funktioniert. In Wirklichkeit funktionieren die Daten nicht.

Wie KMU ihre Datenqualität pragmatisch verbessern

Datenqualität muss kein Grossprojekt sein. Es gibt praktische, konkrete Massnahmen, die jedes KMU umsetzen kann – ohne externes Datenmanagement-Team und ohne teure Software.

Schritt 1: Bestandsaufnahme machen. Bevor man irgendetwas verbessert, muss man wissen, wo die Probleme liegen. Das heisst: Welche Systeme führen welche Daten? Wo gibt es Überschneidungen? Wo klagen Mitarbeitende über unzuverlässige Daten? Eine einfache Befragung der Schlüsselpersonen in Vertrieb, Buchhaltung, Einkauf und Geschäftsleitung liefert in den meisten Fällen ein klares Bild. Die grössten Schmerzpunkte kennen die Mitarbeitenden, die täglich mit den Daten arbeiten.

Schritt 2: Verantwortlichkeiten klären. Für jeden Datensatz – Kundenstamm, Artikelstamm, Lieferantendaten, Projektdaten – muss klar sein, wer verantwortlich ist. Nicht im Sinne einer grossen Governance-Struktur, sondern ganz praktisch: Wer pflegt diese Daten? Wer entscheidet bei Unklarheiten? Wer prüft regelmässig, ob die Daten noch stimmen? In einem KMU mit 30 Mitarbeitenden reicht es, diese Zuständigkeit pro Datenbereich festzulegen und zu dokumentieren. Das dauert einen halben Tag und hat eine enorme Wirkung.

Schritt 3: Erfassungsregeln definieren. Viele Datenprobleme entstehen bei der Eingabe. Wenn es keine Regeln gibt, wie ein Kundenname erfasst wird, ob die Firma mit „GmbH" oder „gmbh" eingetragen wird, ob Telefonnummern mit Ländervorwahl gespeichert werden, dann entstehen unvermeidlich Inkonsistenzen. Ein einfaches Dokument mit Erfassungsrichtlinien – ein bis zwei Seiten, nicht mehr – reicht aus, um die häufigsten Fehler zu vermeiden. Wichtig ist, dass diese Regeln allen bekannt sind und dass neue Mitarbeitende darauf hingewiesen werden.

Schritt 4: Dubletten bereinigen. Die meisten CRM- und ERP-Systeme bieten Funktionen zur Dublettenerkennung. In vielen Fällen reicht ein systematischer Durchlauf, um die schlimmsten Doppeleinträge zu finden und zusammenzuführen. Das ist Fleissarbeit, aber sie lohnt sich sofort. Danach sollte es einen Prozess geben, der verhindert, dass neue Dubletten entstehen – zum Beispiel eine Pflichtsuche vor dem Anlegen neuer Datensätze.

Schritt 5: Regelmässige Datenhygiene einführen. Datenqualität ist keine einmalige Aktion, sondern eine laufende Aufgabe. Ein einfacher, fester Rhythmus hilft: einmal im Quartal die wichtigsten Datenbestände stichprobenartig prüfen. Einmal im Jahr eine grössere Bereinigung durchführen. Und laufend sicherstellen, dass die Erfassungsregeln eingehalten werden. Das ist kein grosser Aufwand, aber es braucht Disziplin und jemanden, der sich darum kümmert.

Was bessere Daten konkret bringen

Der Nutzen besserer Datenqualität zeigt sich in vielen Bereichen – und oft schneller, als erwartet.

Auswertungen werden verlässlich. Wenn die Geschäftsleitung wissen will, wie sich der Umsatz nach Region oder Produktgruppe entwickelt, bekommt sie eine Antwort, der sie vertrauen kann. Keine Fussnoten, keine Vorbehalte, keine manuellen Korrekturen im Nachhinein. Das klingt selbstverständlich, ist es aber in erstaunlich vielen KMU nicht.

Prozesse werden effizienter. Wenn Daten korrekt und vollständig sind, entfällt ein grosser Teil der Nacharbeit. Rechnungen gehen an die richtige Adresse. Bestellungen enthalten die korrekten Artikelnummern. Reports lassen sich auf Knopfdruck erstellen, statt stundenlang zusammengetragen zu werden. Die Zeitersparnis summiert sich schnell auf mehrere Stunden pro Woche – pro Abteilung.

Neue Systeme und Tools funktionieren. Wer ein neues CRM, ein BI-Tool oder eine KI-Lösung einführt und vorher die Daten bereinigt hat, erlebt den Unterschied sofort. Die Migration läuft sauberer. Die ersten Auswertungen liefern brauchbare Ergebnisse. Die Akzeptanz bei den Mitarbeitenden steigt, weil das neue System tatsächlich das tut, was es soll. Das allein kann über Erfolg oder Misserfolg eines IT-Projekts entscheiden.

Und nicht zuletzt: Bessere Daten schaffen Vertrauen. Vertrauen in die eigenen Zahlen, Vertrauen in die eigenen Systeme und Vertrauen in die Entscheidungen, die auf diesen Zahlen basieren. In einem KMU, wo Entscheidungen oft schnell fallen müssen, ist das ein enormer Vorteil.

Datenqualität ist kein IT-Thema – es ist ein Führungsthema

Der vielleicht wichtigste Punkt zum Schluss: Datenqualität lässt sich nicht an die IT delegieren. Die IT kann Systeme bereitstellen, Validierungsregeln einbauen und Dublettenprüfungen einrichten. Aber ob die Daten tatsächlich korrekt und aktuell sind, entscheidet sich im Tagesgeschäft – in der Art, wie Mitarbeitende Daten erfassen, pflegen und nutzen.

Das macht Datenqualität zu einem Führungsthema. Es braucht klare Erwartungen, verbindliche Regeln und die Bereitschaft, dem Thema die nötige Aufmerksamkeit zu geben. Nicht als einmaliges Projekt, sondern als Teil der normalen Unternehmensführung. Wer das versteht und danach handelt, legt die Grundlage für eine Digitalisierung, die tatsächlich funktioniert – statt an schlechten Daten zu scheitern.