Datenqualität: Definition und Einordnung
Definition
Datenqualität beschreibt, wie gut Daten für einen bestimmten Zweck geeignet sind. Dazu gehören Vollständigkeit, Richtigkeit, Aktualität, Einheitlichkeit und Nachvollziehbarkeit der Herkunft. Für KI ist Datenqualität entscheidend, weil ein Modell nur so gut arbeiten kann wie die Daten, die es nutzt. Fehlerhafte oder lückenhafte Daten führen zu fehlerhaften Ergebnissen, unabhängig davon, wie leistungsfähig das Modell ist.
Warum der Begriff zählt
KI-Projekte scheitern selten am Modell und oft an den Daten. Ein spektakulär vorgeführtes Werkzeug bricht im Alltag ein, wenn die zugrunde liegenden Daten widersprüchlich sind. Für eine neutrale Beratung ist Datenqualität deshalb ein Prüfstein, bevor Budget fließt. Sie zu klären ist unbequem, aber ehrlich, denn sie entscheidet, ob ein Vorhaben überhaupt tragfähig ist. Wer sie überspringt, zahlt später doppelt.
Wann es relevant ist
- Ein KI-Vorhaben soll auf vorhandenen Unternehmensdaten aufsetzen.
- Ergebnisse müssen verlässlich und wiederholbar sein.
- Daten aus mehreren Quellen sollen zusammengeführt werden.
- Eine Investitionsentscheidung soll auf einer realistischen Datengrundlage beruhen.
Wann nicht
Wenn ein Vorhaben gar nicht auf eigenen Daten beruht, etwa bei einer reinen Textzusammenfassung, ist Datenqualität nachrangig. Und wenn ohnehin klar ist, dass zuerst eine Datenbereinigung nötig ist, muss diese nicht erneut bewiesen, sondern eingeplant werden. Dann geht es um die Reihenfolge, nicht um die Frage, ob Qualität zählt.
Branchen, die das nutzen
- Handel und E-Commerce: Produktdaten vereinheitlichen, damit Empfehlungen und Auskünfte verlässlich sind.
- Fertigung: Maschinen- und Sensordaten auf Vollständigkeit prüfen, bevor Auswertungen darauf aufbauen.
- Gesundheitswesen: Datenherkunft und Richtigkeit sichern, weil Fehler unmittelbar Folgen haben.
- Finanzwesen: Einheitlichkeit und Nachvollziehbarkeit für prüfbare Auswertungen gewährleisten.
Typische Anwendungsfälle
- Vor einem KI-Projekt wird die Datengrundlage auf Lücken und Widersprüche geprüft.
- Daten aus mehreren Systemen werden vereinheitlicht, bevor sie zusammengeführt werden.
- Dubletten und veraltete Einträge werden erkannt und bereinigt.
- Die Herkunft wichtiger Datenfelder wird dokumentiert, um Ergebnisse belegbar zu machen.
- Eine kleine Stichprobe wird geprüft, um den Bereinigungsaufwand abzuschätzen.
Entscheidungshilfe
| Signal | Datenqualität zuerst klären | Alternative |
|---|---|---|
| Projekt setzt auf eigenen Daten auf | Datengrundlage prüfen | Bau auf ungeprüfter Basis ist riskant |
| Daten aus vielen Quellen | erst vereinheitlichen | Zusammenführen verstärkt Fehler |
| Ergebnis muss belegbar sein | Herkunft dokumentieren | Ergebnis ohne Herkunft ist heikel |
| Vorhaben nutzt keine eigenen Daten | eher nachrangig | direkt umsetzen |
Beispiel
Ein Händler will KI-gestützte Produktempfehlungen. Wir prüfen an einer Stichprobe, wie einheitlich und aktuell die Produktdaten sind, und schätzen daraus den Bereinigungsaufwand. Erst wenn die Grundlage trägt, beginnt der Bau. So wird kein Modell auf schlechte Daten gesetzt. Das Beispiel beschreibt die Methode, keine behauptete Kundenkennzahl.
Verbindung zu Services
Die Datengrundlage prüfen wir im KI-Readiness-Check und ordnen sie in der KI-Potenzialanalyse ein; die spätere Nutzung begleitet die KI-Implementierung.
Verwandte Begriffe
Quellen
Diese Einordnung beschreibt gängige Prüfpraxis vor KI-Projekten. Maßstäbe für Qualität hängen vom Anwendungsfall ab und sollten im Einzelfall festgelegt werden.