Datenqualität Einkauf

Datenqualität Einkauf beschreibt den Grad, zu dem Lieferanten-, Material-, Konditions- und Bestellstammdaten ihren fachlichen Zweck erfüllen — also genau, vollständig, aktuell, konsistent, eindeutig und kontextbezogen genug sind, um Sourcing-Entscheidungen, Compliance-Prüfungen und Reportings zu tragen. Schlechte Datenqualität ist die unsichtbare Steuer, die der Einkauf täglich zahlt.

Detaillierte Erklärung

Die Deutsche Gesellschaft für Informations- und Datenqualität (DGIQ) sowie ISO/IEC 25012 definieren sechs zentrale Dimensionen: Vollständigkeit (sind alle Pflichtfelder gefüllt), Genauigkeit (entsprechen Werte der Realität), Konsistenz (stimmen Werte über Systeme hinweg überein), Aktualität (wurden Daten innerhalb des Gültigkeitsfensters gepflegt), Eindeutigkeit (existiert jeder Realwelt-Sachverhalt nur einmal, siehe [[dublettenerkennung]]) und Konformität (entsprechen Daten den definierten Formaten und Regeln). Im Einkauf wird jede Dimension mit konkreten Metriken hinterlegt: Vollständigkeitsquote eCl@ss-Klassifizierung, Anteil Lieferanten mit valider DUNS-Nummer, Anteil Materialstämme mit Gewichtsangabe, Aktualitätsalter Bankverbindungen. The Hackett Group berichtet in ihrer Digital-World-Class-Procurement-Studie 2024, dass führende Einkaufsorganisationen bei kritischen Stammdatenfeldern Vollständigkeitsquoten über 95 % erreichen, der Median bei rund 78 % liegt. Die BME-Studie "Stammdaten im Einkauf 2023" zeigt, dass nur 44 % der befragten Einkaufsleiter ihr Warengruppenmanagement als "besonders reif" einschätzen — der Hauptgrund sind Datenlücken. Ein operativ messbarer Wert ist der DQ-Score: gewichteter Mittelwert aller Dimensionsmetriken, dokumentiert im monatlichen [[datenqualitaetsbericht]].

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Automobilzulieferer aus Stuttgart mit 2.040 Mitarbeitern führt 2025 erstmals einen DQ-Bericht für Lieferantenstammdaten ein. Gemessen werden 12 Felder über 6.800 aktive Lieferanten. Befund Monat 1: Vollständigkeit 87 %, Konsistenz Adresse vs. Bankverbindung 71 %, Klassifizierungsquote eCl@ss-Level-4 nur 53 %, Aktualität Bonitätsdaten älter als 18 Monate bei 1.420 Lieferanten. Der DQ-Score liegt bei 64 von 100 Punkten. Die Einkaufsleitung definiert Zielwerte (Vollständigkeit ≥ 95 %, Konsistenz ≥ 90 %, Klassifizierung ≥ 85 %), benennt zwei Data Stewards (siehe [[data-steward]]) und führt monatliche Reviews ein. Nach drei Monaten steigt der Score auf 76 Punkte, die Zahl identifizierter Dubletten reduziert sich von 230 auf 84, der Anteil bonitätsgeprüfter Lieferanten erhöht sich um 12 Prozentpunkte. Die Auswirkung im operativen Geschäft: Spend-Cube-Analysen werden erstmals belastbar, drei Bündelungsprojekte mit zusammen 1,7 Mio. Euro Volumen werden anschließend angestoßen.

Typische Fehler & Verhandlungskontext

Der erste Fehler ist die Verwechslung von Datenqualität mit Datenmenge — viele Felder gefüllt heißt nicht, dass die Werte stimmen; ein Lieferant mit gepflegter Adresse aus 2017 ist formal vollständig, faktisch unbrauchbar. Zweitens wird Datenqualität oft als IT-Thema deklariert, obwohl die Verantwortung beim Fachbereich liegt — siehe [[datenowner]] und [[data-governance-einkauf]]. Drittens fehlt häufig ein klarer DQ-Score: Ohne quantitative Zielgröße bleibt die Diskussion subjektiv, und Verbesserungen sind nicht nachweisbar. Im Lieferantengespräch entfaltet hohe Datenqualität direkten Verhandlungshebel: Wer dem Lieferanten ein präzises Volumen über 24 Monate, gegliedert nach Werk und Materialgruppe, vorlegt, verhandelt aus einer faktenbasierten Position. Wer mit unsicheren Zahlen kommt, signalisiert dem Lieferanten Verhandlungsschwäche und verschenkt typischerweise 1,5 bis 3 % Konditionspotenzial. Auch im Audit-Kontext ist Datenqualität entscheidend: Ein ISO-9001-Zertifizierungsaudit prüft 2026 zunehmend die Nachweisbarkeit von Lieferantenbewertungen — fehlerhafte Stammdaten führen zu Major Non-Conformities.

Verwandte Begriffe

[[stammdatenmanagement-mdm]], [[data-governance-einkauf]], [[dublettenerkennung]], [[datenmodell-einkauf]], [[datenkatalog-einkauf]], [[etl-prozess-einkauf]], [[data-steward]], [[klassifizierungsquote]], [[golden-record]], [[match-merge-regeln]], [[datenbereinigung-einkauf]], [[master-data-governance]], [[datenowner]], [[datenqualitaetsbericht]]