Datenqualitätsbericht

Der Datenqualitätsbericht ist ein periodisch (typischerweise monatlich oder quartalsweise) erstellter Report, der die zentralen Datenqualitäts-KPIs einer Stammdatendomäne objektiv misst und an den verantwortlichen [[datenowner]] adressiert. Er ist das Kontrollinstrument, mit dem Datenqualität von einer Wahrnehmung ("gefühlt katastrophal") in eine Tatsache ("84,7 % Vollständigkeit, -3,2 Prozentpunkte gegenüber Q3") überführt wird — und die Voraussetzung dafür, dass Bereinigungs-Investitionen überhaupt budgetiert werden.

Detaillierte Erklärung

Inhaltlich folgt ein professioneller Datenqualitätsbericht den sechs Datenqualitätsdimensionen aus DAMA-DMBOK (2. Auflage, 2017) und ISO/IEC 25012:2008: Vollständigkeit (Completeness), Genauigkeit (Accuracy), Konsistenz (Consistency), Aktualität (Timeliness), Eindeutigkeit (Uniqueness) und Validität (Validity). In der Einkaufspraxis haben sich daraus drei Standard-KPIs etabliert. Erstens die Vollständigkeitsquote — Anteil der Datensätze, in denen alle definierten Pflichtattribute befüllt sind; in DACH-Mittelstandsprojekten liegt der Ausgangswert für Lieferantenstammdaten typischerweise zwischen 60 und 80 %, Zielwerte oberhalb 95 % sind nach Erfahrungswerten von Tacto und Riversand realistisch. Zweitens die Klassifizierungsquote ([[klassifizierungsquote]]) — Anteil der Datensätze mit valider Zuordnung zu einer eCl@ss- oder UNSPSC-Ebene 4; Spitzenorganisationen erreichen hier nach Hackett-Group-Benchmarks 90 % oder mehr, ein notwendiger Wert für jede sinnvolle Spend-Analyse. Drittens die Dublettenquote — geschätzter Anteil der Datensätze, die mit einem oder mehreren Geschwistern denselben Real-World-Lieferanten beschreiben; Werte über 5 % gelten als kritisch, über 15 % als Sanierungsfall. Ergänzende KPIs sind Aktualitätsindex (Anteil Datensätze ohne Update >24 Monate), Sanktionslisten-Coverage (Anteil mit aktuellem Screening), USt-IdNr.-Validität nach VIES-Abfrage und Bankverbindungs-Coverage. Methodisch verlangt BCBS 239 (Basel-Standard für Risikodaten-Aggregation, 2013) für Banken die Aggregation von DQ-Kennzahlen nach festen Frequenzen — diese Disziplin hat sich auf Industrie-Mittelständler ausgeweitet, weil Wirtschaftsprüfer im Rahmen von IDW PS 330 zunehmend nach DQ-Berichtswesen fragen. Der Bericht selbst hat typischerweise drei Adressatenebenen: operative Sicht für [[data-steward]] (mit Drilldown auf Datensatzlisten), taktische Sicht für [[datenowner]] (KPI-Trends, Eskalationen), strategische Sicht für die Geschäftsleitung (Ampel-Dashboard mit Quartalsverlauf). Die Aggregation erfolgt heute in Tools wie Ataccama Data Quality, Informatica IDMC, Talend Data Quality oder bei kleineren Mittelständlern in Power BI auf Basis von SAP-Stammdatenextrakten.

Praxisbeispiel (konkretes Einkaufsszenario)

Ein Bremer Schiffbauzulieferer mit 540 Mitarbeitenden und 76 Mio. Euro Beschaffungsvolumen führt 2025 erstmals einen quartalsweisen Datenqualitätsbericht für die Domäne Lieferantenstamm ein. Definiert werden 14 Pflichtattribute, sieben KPIs und eine Ampelsystematik (rot <80 %, gelb 80–94 %, grün ≥95 %). Q1-Bericht (erste Messung): Vollständigkeitsquote 67,3 %, Klassifizierungsquote eCl@ss-Level-4 38,9 %, Dublettenquote 18,4 %, Sanktionslisten-Coverage 71,2 %, USt-IdNr.-Validität 84,1 %. Auf Basis dieser Zahlen entscheidet der Datenowner (Einkaufsleiter) eine zwölfmonatige Bereinigungsinitiative mit zwei [[data-steward]]-Stellen à 50 %. Q4-Bericht nach Bereinigung und Workflow-Implementierung: Vollständigkeit 96,8 %, Klassifizierung 93,4 %, Dubletten 1,9 %, Sanktionsabdeckung 99,7 %, USt-Validität 98,3 %. Konkrete Wirkung: Die Spend-Analyse ist erstmals belastbar genug, um eine 2,1-Mio.-Euro-Bündelung im Bereich Stahlhandel zu argumentieren; die quartalsweise Berichtsroutine wird in den Audit-Bericht zur Zertifizierung nach ISO 9001:2015 (Norm 7.5 dokumentierte Information) übernommen und vom Auditor als Best Practice gewertet.

Typische Fehler & Verhandlungskontext

Erstens KPI-Inflation: Wer 35 Kennzahlen einführt, bekommt einen 18-seitigen Bericht, den niemand liest — fünf bis acht KPIs reichen für die meisten DACH-Mittelständler. Zweitens fehlende Zielwerte: Ohne Zielmarke ist 84,7 % Vollständigkeit weder gut noch schlecht, der Bericht produziert Beschäftigung statt Entscheidungen. Drittens Bericht ohne Adressat: Wenn niemand benannt ist, der bei rotem Status handeln muss (siehe [[datenowner]]), versickert der Report in Outlook-Postfächern. Viertens Benchmark-Vergleich mit unpassender Peer-Group: Ein 540-Mitarbeitender-Schiffbauzulieferer wird nicht die Stammdatenqualität eines DAX-Konzerns erreichen, der jährlich siebenstellige Summen in MDM investiert. Im Verhandlungskontext mit Lieferanten ist der Datenqualitätsbericht ein indirekter, aber wirksamer Hebel: Wer in Jahresgesprächen Bündelungs-Volumen vorrechnet und auf Nachfrage einen aktuellen DQ-Report mit 96 % Konsolidierung vorlegt, demonstriert Datendisziplin und stärkt die Verhandlungsposition. Umgekehrt erkennen erfahrene Lieferanten-Account-Manager schwache Datenbasis sofort am Zögern bei einfachen Mengenauskünften — ein DQ-Bericht ist damit auch Schutzwall vor unnötigen Margenverlusten.

Verwandte Begriffe

[[stammdatenmanagement-mdm]], [[datenqualitaet-einkauf]], [[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]]