Datenqualität (Analyse)

Definition: Datenqualität bezeichnet das Ausmaß, in dem Daten für einen bestimmten Verwendungszweck geeignet sind. In der Marktforschung und Marketinganalyse werden üblicherweise sechs Qualitätsdimensionen unterschieden: Genauigkeit (entsprechen die Daten der Realität?), Vollständigkeit (fehlen Werte?), Konsistenz (stimmen Daten zwischen verschiedenen Systemen überein?), Aktualität (sind die Daten noch zeitgemäß?), Eindeutigkeit (existieren Duplikate?) und Plausibilität (sind die Werte logisch nachvollziehbar?). Das Konzept der Datenqualitätsdimensionen wurde von Thomas C. Redman in "Data Quality: The Field Guide" (2001) systematisiert und ist seither Industriestandard. Im Marketing-Kontext ist Datenqualität die entscheidende Voraussetzung für zuverlässige KPIs, korrekte Zielgruppensegmentierungen und valide Wirkungsmessungen von Kampagnen. Schlechte Datenqualität führt unmittelbar zu Fehlentscheidungen und Fehlinvestitionen: Das Marktforschungsunternehmen Gartner schätzte bereits 2018, dass schlechte Datenqualität US-Unternehmen durchschnittlich 12,9 Millionen US-Dollar pro Jahr kostet.

Erläuterung

In der Marketingpraxis manifestieren sich Datenqualitätsprobleme auf vielfältige Weise. Im Web-Tracking entstehen Lücken, wenn das Tag-Management-System (z. B. Google Tag Manager) nicht korrekt konfiguriert ist, wenn JavaScript-Fehler Events unterdrücken oder wenn Ad-Blocker und Cookie-Ablehnungen Tracking-Daten dezimieren. Im CRM führen manuelle Dateneingaben zu Duplikaten, Rechtschreibfehlern in E-Mail-Adressen und inkonsistenten Formatierungen von Telefonnummern oder Postleitzahlen. Laut einer Studie von Experian (2021) enthalten 91 % der Unternehmens-CRM-Daten relevante Qualitätsprobleme – eine erschreckende, aber in der Praxis gut nachvollziehbare Zahl.

Der Prozess zur Sicherung und Verbesserung von Datenqualität folgt typischerweise vier Phasen: Data Profiling (systematische Analyse des Ist-Zustands mit statistischen Methoden), Data Cleansing (Korrektur und Standardisierung), Data Validation (regelbasierte Prüfung bei der Datenerfassung oder im ETL-Prozess) und Data Monitoring (kontinuierliche Überwachung mit automatisierten Qualitäts-Alerts). Tools wie dbt (data build tool) ermöglichen es, Datenqualitätstests als Code zu formulieren, der bei jedem Datenlauf automatisch ausgeführt wird und bei Verstößen Alarm schlägt.

Im Bereich der Web-Analytics hat die zunehmende Verbreitung von Consent-Management-Plattformen (CMPs) eine neue Dimension von Datenqualitätsproblemen geschaffen: Wenn ein erheblicher Anteil der Nutzer kein Tracking-Consent erteilt, entstehen strukturelle Lücken in den Analytics-Daten. Lösungsansätze wie serverseitiges Tracking, Conversion-Modelling in Google Analytics 4 oder statistische Hochrechnungsverfahren können die Datenlücken teilweise kompensieren, erfordern aber ein tiefes Verständnis ihrer Annahmen und Limitationen.

Die sechs Dimensionen der Datenqualität

Genauigkeit: Daten stimmen mit der zugrunde liegenden Realität überein. Beispiel: Die erfasste Kaufsumme entspricht dem tatsächlich bezahlten Betrag.
Vollständigkeit: Alle erforderlichen Datenfelder sind befüllt. Fehlende Werte (NULL-Werte) bei Pflichtfeldern wie E-Mail-Adresse oder Transaktionsdatum sind ein Zeichen mangelnder Vollständigkeit.
Konsistenz: Gleiche Sachverhalte werden in verschiedenen Systemen identisch dargestellt. Ein Kunde, der im CRM als "München" geführt wird und im E-Commerce-System als "Munich", verletzt die Konsistenz.
Aktualität: Daten spiegeln den aktuellen Stand wider. Veraltete E-Mail-Adressen oder Produktpreise aus dem Vorjahr in einem aktiven Analysesystem sind Aktualitätsprobleme.
Eindeutigkeit: Jedes reale Objekt (Kunde, Transaktion, Produkt) ist im System genau einmal vorhanden. Duplikate durch mehrfache Registrierungen oder Datenbankmigrationen sind ein häufiges Problem.
Plausibilität: Werte liegen in erwarteten Wertebereichen. Ein negativer Warenkorbwert oder ein Geburtsdatum in der Zukunft sind plausibilitätsverletzende Einträge.

Typische Datenqualitätsprobleme im Marketing

Inkonsistente UTM-Parameter: Fehlende oder falsch geschriebene utm_source-Werte führen zu falschen Kanalzuordnungen im Kampagnen-Reporting.
Doppelte Conversion-Zählungen: Tracking-Pixel, die mehrfach feuern, oder serverseitige und clientseitige Events, die gleichzeitig aktiv sind, überzeichnen Conversion-Zahlen.
CRM-Duplikate: Kunden mit mehreren Konten oder durch Datenbankmigrationen entstandene Doppeleinträge verfälschen Kundenzahl und Lifetime-Value-Berechnungen.
Zeitzonenfehler: Daten aus verschiedenen Quellsystemen in unterschiedlichen Zeitzonen, die nicht korrekt normalisiert wurden, erzeugen falsche Tagesverläufe und Zeitreihen.

Praxistipp: Führen Sie quartalsweise Datenqualitäts-Audits für Ihre wichtigsten Datenquellen durch: Überprüfen Sie, ob alle Tracking-Events korrekt ausgelöst werden (z. B. mit Google Tag Assistant oder Debugger-Modus), testen Sie UTM-Links vor dem Go-live und prüfen Sie CRM-Daten auf Duplikate und fehlende Pflichtfelder. Implementieren Sie automatisierte Datentests in Ihrer ETL-Pipeline – beispielsweise mit dbt-Tests –, die bei jeder Datenaktualisierung Volumenanomalien, NULL-Werte in Schlüsselfeldern und referenzielle Integrität prüfen. Das minimiert die Zeit bis zur Entdeckung von Datenqualitätsproblemen erheblich.