Datenqualität: Definition, Nutzen und Grenzen
Definition
Datenqualität beschreibt, wie gut Daten für ihren Zweck taugen, gemessen an Vollständigkeit, Richtigkeit, Aktualität und Einheitlichkeit. Hohe Datenqualität heißt, dass ein Ablauf sich auf die Eingaben verlassen kann. In der KI-Automatisierung ist sie kein Nebenschauplatz, denn ein Modell und ein Workflow sind nur so verlässlich wie die Daten, mit denen sie arbeiten.
Warum der Begriff zählt
Ein sauberer Ablauf auf schlechten Daten liefert saubere falsche Ergebnisse. Datenqualität entscheidet, ob eine Automatisierung Vertrauen verdient. Wer sie ernst nimmt, baut Prüfungen dort ein, wo Daten hereinkommen, statt Fehler später zu suchen. Für ein eigenes KI-Produkt ist das entscheidend, weil Nutzer einem Ergebnis nur trauen, wenn die zugrunde liegenden Daten stimmen.
Wann es relevant ist
- Ein Ablauf trifft Entscheidungen auf Basis eingehender Daten.
- Eingaben stammen aus vielen Quellen mit unterschiedlicher Sorgfalt.
- Fehler in den Daten hätten spürbare Folgen weiter unten im Ablauf.
- Ergebnisse müssen belastbar und nachvollziehbar sein.
Wann nicht
Wenn Daten nur einmalig und unkritisch genutzt werden und ein Fehler folgenlos bliebe, ist ausgebaute Qualitätssicherung übertrieben. Und wenn die Quelle ohnehin verlässlich und einheitlich ist, reicht eine leichte Prüfung, statt jeden Schritt mit Kontrollen zu überladen.
Branchen, die das nutzen
- Banken: Eingaben vor jeder automatischen Entscheidung streng prüfen.
- Gesundheitswesen: Vollständigkeit und Richtigkeit von Datensätzen sicherstellen.
- Handel: Produkt- und Preisdaten einheitlich halten, bevor sie ausgespielt werden.
- Versorger: Messwerte auf Plausibilität prüfen, bevor sie in Abrechnungen fließen.
Typische Anwendungsfälle
- Eine Validierung markiert fehlende oder unplausible Werte, bevor sie weiterlaufen.
- Unterschiedlich geschriebene Angaben werden vereinheitlicht.
- Doppelte Datensätze werden erkannt und zusammengeführt.
- Ein Ablauf hält bei zu schlechter Datenlage an und meldet den Fall.
- Geprüfte Daten werden zur verlässlichen Basis eines KI-Produkts.
Entscheidungshilfe
| Signal | Auf Datenqualität achten | Alternative |
|---|---|---|
| Entscheidungen hängen an den Daten | Prüfung an der Eingabe | ungeprüft weiterreichen |
| Viele uneinheitliche Quellen | Vereinheitlichung im Ablauf | Rohdaten direkt nutzen |
| Fehler hätten Folgen | Validierung mit Stopp | Fehler später suchen |
| Quelle ohnehin verlässlich | leichte Prüfung | volle Kontrolle je Schritt |
Beispiel
Ein Team baut in seinen Automatisierungsablauf eine Prüfstufe direkt hinter der Dateneingabe ein. Fehlt ein Pflichtfeld oder ist ein Wert unplausibel, wird der Fall markiert und zur Sichtung ausgeleitet, statt blind weiterzulaufen. Nur geprüfte Daten erreichen die späteren Schritte. Das Beispiel beschreibt die Methode, keine behauptete Kundenkennzahl.
Verbindung zu Services
Der Einstieg ist meist eine Workflow-Automatisierung mit Prüfstufen, die Umsetzung eine KI-Automatisierung, der Ausbau die MVP-Entwicklung.
Quellen
Diese Einordnung beschreibt gängige Praxis rund um Datenqualität. Konkrete Kriterien, Prüfungen und Schwellen hängen vom Fall, den Systemen und den genutzten Werkzeugen ab und müssen im Einzelfall geprüft werden.