Datenqualität beschreibt, wie gut Daten für einen bestimmten Zweck geeignet sind. Es geht nicht bloß darum, ob ein einzelner Wert plausibel aussieht. Ein Datensatz muss vielmehr die Anforderungen erfüllen, die seine Nutzung stellt: etwa für eine Rechnung, eine Lieferauskunft, eine Analyse oder eine automatisierte Entscheidung. Häufig betrachtete Merkmale sind Genauigkeit, Vollständigkeit, Gültigkeit, Konsistenz, Eindeutigkeit, Aktualität und Zweckdienlichkeit. IBM ordnet diese Dimensionen der Datenqualität zu.
Daten sind dann von guter Qualität, wenn sie zuverlässig genug sind, um damit die beabsichtigte Aufgabe zu erledigen. Die gleiche Information kann je nach Einsatz unterschiedlich bewertet werden. Eine monatlich aktualisierte Liste von Produktkategorien kann für einen Katalog ausreichen. Für die Betrugserkennung bei einer Kartenzahlung wäre sie zu langsam. Deshalb ist Datenqualität kein absoluter Stempel „gut“ oder „schlecht“, sondern immer an eine fachliche Anforderung gebunden.
Wichtig ist auch der Kontext. Eine korrekt geschriebene E-Mail-Adresse hilft nicht weiter, wenn sie einem inzwischen gelöschten Kundenkonto zugeordnet ist. Umgekehrt kann ein Feld leer sein, ohne fehlerhaft zu sein, wenn diese Angabe für den jeweiligen Vorgang nicht benötigt wird. Gute Datenqualität verbindet also Werte, Regeln und Verwendungszweck.
Organisationen legen zunächst fest, welche Daten für einen Prozess wichtig sind und welche Regeln gelten. Danach lassen sich Datenbestände gegen diese Regeln prüfen. Ein Formatcheck kann etwa kontrollieren, ob eine Postleitzahl die erwartete Form hat. Ein Abgleich kann feststellen, ob mehrere Kundensätze dieselbe Person beschreiben. Eine Aktualitätsprüfung fragt, ob eine Information innerhalb des benötigten Zeitfensters vorliegt.
Die einzelnen Dimensionen beantworten unterschiedliche Fragen:
Eine Prüfung allein verbessert noch nichts. Auffälligkeiten müssen eingeordnet, korrigiert oder an der Ursache verhindert werden. Das kann eine Eingaberegel im Formular sein, eine eindeutige Kennung, ein Abgleich beim Import oder eine klar verantwortete Datenquelle. Für übergreifende Regeln, Zuständigkeiten und Verfahren ist Datenqualität eng mit Data Governance verbunden. Dort geht es unter anderem um Qualität, Sicherheit und Verfügbarkeit von Organisationsdaten.
Ein Onlineshop führt Kundendaten aus dem Checkout, einem Newsletter-System und dem Support zusammen. Kommt dieselbe Person mit leicht unterschiedlichen Schreibweisen oder mehreren E-Mail-Adressen vor, können Dubletten entstehen. Fehlt die Lieferadresse, ist der Datensatz für einen Versandauftrag unvollständig. Ist ein Land falsch zugeordnet, kann eine Versandregel falsch greifen.
Das Team könnte festlegen, dass für Versandaufträge eine bestätigte Lieferadresse und eine eindeutige Bestellnummer erforderlich sind. Beim Import prüft es Pflichtfelder und Formate; bei verdächtigen Dubletten werden Datensätze nicht automatisch zusammengeführt, sondern zur Klärung markiert. Entscheidend ist nicht, möglichst viele Prüfungen einzubauen, sondern Regeln zu wählen, die zu den Risiken des Prozesses passen.
Datenqualität ist in vielen Anwendungen eine Grundlage, ohne selbst eine einzelne Softwarefunktion zu sein. Sie spielt beispielsweise eine Rolle bei:
Auch in einer relationalen Datenbank helfen Regeln wie Primärschlüssel, Datentypen und Beziehungen dabei, bestimmte Fehler früh zu erkennen. Sie decken jedoch nicht jede fachliche Unstimmigkeit auf: Ein Wert kann technisch zulässig sein und trotzdem inhaltlich falsch oder veraltet sein. Für Auswertungen gilt entsprechend: Eine anschauliche Datenvisualisierung kann Auffälligkeiten sichtbar machen, ersetzt aber nicht die Prüfung der zugrunde liegenden Daten.
Datenqualität bedeutet nicht, dass Daten vollständig fehlerfrei oder für jeden künftigen Zweck nutzbar sind. Sie wird gegen konkrete Kriterien gemessen. Ein sehr genauer, aber nicht rechtzeitig verfügbarer Bestand kann für eine Echtzeitentscheidung ungeeignet sein. Ebenso lässt sich ein fehlender Wert nicht immer sinnvoll schätzen; eine Ergänzung kann neue Unsicherheit erzeugen.
Ein weiteres Missverständnis ist, Datenqualität mit Datenintegrität gleichzusetzen. Datenintegrität betrifft insbesondere die Unversehrtheit und Konsistenz von Daten; Datenqualität ist der weiter gefasste Blick auf die Eignung für den jeweiligen Zweck. Auch eine einmalige Bereinigung ist kein dauerhafter Beweis guter Qualität. Neue Eingaben, Schnittstellenänderungen und geänderte Fachregeln können neue Fehlerquellen schaffen. Daher gehören Messung, Ursachenanalyse und regelmäßige Überprüfung zusammen.
Datenqualität bewertet, ob Daten für einen Zweck brauchbar sind. Metadaten beschreiben dagegen Daten, etwa Herkunft, Format oder Bedeutung eines Feldes. Metadaten können Qualitätsprüfungen erleichtern, sind aber nicht selbst die Qualitätsbewertung.
Von Data Governance unterscheidet sich Datenqualität dadurch, dass Governance den organisatorischen Rahmen mit Rollen, Regeln und Verfahren umfasst. Datenqualität ist ein wichtiges Ziel und Arbeitsfeld darin, aber nicht der gesamte Rahmen.
Stand: 13.09.2026