SH

Sascha Hess

xenosystems.de - IT-Consulting & Data Management

www.xenosystems.de

Strategische Wissens-Roadmap 2026

Datenqualität messen & steuern

Schlechte Daten kosten Geld — gute Daten machen Entscheidungen sicher

1

6 Qualitätsdimensionen

Vollständigkeit, Konsistenz, Aktualität — messbar gemacht

2

DQ-Score-System

Gesamtqualität je Objekt als automatisierter Tageswert

3

Fertige SQL-Checks

40+ sofort einsetzbare Prüfabfragen für ERP-Stammdaten

4

Data-Governance-Grundlagen

Rollen, Prozesse und Regeln für dauerhaft gute Daten

5

30-Tage-DQ-Plan

Erstes Datenqualitäts-Dashboard in einem Monat

WAS SIE IN DIESEM KIT ERWARTEN DÜRFEN

■  6 Qualitätsdimensionen — Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Eindeutigkeit, Gültigkeit — operationalisiert.

■  40+ SQL-Prüfabfragen — Sofort einsetzbar für Kunden-, Artikel- und Lieferantenstamm.

■  DQ-Score-System — Automatisch berechneter Gesamtqualitätswert je Datenobjekt.

■  Data Governance Starter-Kit — Rollen, Prozesse und Regeln, die im Mittelstand umsetzbar sind.

■  30-Tage-Plan — DQ-Dashboard und erste Governance-Strukturen in einem Monat.

ZIEL DIESES KITS

Nach dem Lesen und Umsetzen dieses Kits wissen Sie genau, wo Ihre Datenqualität steht — mit Zahlen, nicht Gefühlen. Sie haben ein automatisiertes Meßsystem, das täglich aktuell ist, und erste Governance-Strukturen, die Qualitätsprobleme verhindern statt nur reparieren.

DIMENSION 1 — VOLLSTÄNDIGKEIT (Completeness)

  Definition: Sind alle Pflichtfelder befüllt?

  Messung:    Anzahl NULL/leere Pflichtfelder / Gesamtfelder × 100

  Beispiel:   Kunden ohne PLZ, Artikel ohne Warengruppe

  Zielwert:   100 % bei Pflichtfeldern

DIMENSION 2 — KORREKTHEIT (Accuracy)

  Definition: Entsprechen die Werte der Realität?

  Messung:    Stichproben-Abgleich mit Originalquellen

  Beispiel:   Falsche Bankverbindung, falscher Steuersatz

  Zielwert:   > 99 % bei kritischen Feldern

DIMENSION 3 — KONSISTENZ (Consistency)

  Definition: Sind dieselben Daten in verschiedenen Systemen gleich?

  Messung:    Abgleich ERP ↔ CRM ↔ Webshop ↔ BI

  Beispiel:   Anderer Kundenname in ERP und CRM

  Zielwert:   > 98 % Übereinstimmung

DIMENSION 4 — AKTUALITÄT (Timeliness)

  Definition: Sind die Daten aktuell genug für ihren Verwendungszweck?

  Messung:    Letzte Änderung / Prüfung vs. definierter Maximalzeitraum

  Beispiel:   Bankverbindung seit 5 Jahren nicht geprüft

  Zielwert:   Je Datenobjekt definieren (z.B. Bankdaten jährlich)

DIMENSION 5 — EINDEUTIGKEIT (Uniqueness)

  Definition: Existiert jedes Objekt nur einmal im System?

  Messung:    Dublettensuche nach Schlüsselfeldern

  Beispiel:   Kunde "Müller GmbH" dreifach angelegt

  Zielwert:   0 bestätigte Dubletten

DIMENSION 6 — GÜLTIGKEIT (Validity)

  Definition: Entsprechen Werte dem definierten Format und Wertebereich?

  Messung:    Regex-Prüfung, Wertelistenabgleich, Formatvalidierung

  Beispiel:   Ungültige IBAN, PLZ mit 4 Stellen, E-Mail ohne @

  Zielwert:   > 99 % valide Formate bei kritischen Feldern

Kundenstamm

Kritisch

Kritisch

Hoch

Hoch

Kritisch

Hoch

Lieferantenstamm

Kritisch

Kritisch

Mittel

Kritisch

Hoch

Kritisch

Artikelstamm

Kritisch

Hoch

Hoch

Mittel

Kritisch

Hoch

Kontenplan

Kritisch

Kritisch

Hoch

Niedrig

Kritisch

Kritisch

Kostenstellen

Hoch

Hoch

Mittel

Mittel

Hoch

Hoch

DQ-SCORE-BERECHNUNG (Gewichtetes Mittel):

DQ-Score = Σ (Dimension_i × Gewicht_i) / Σ Gewichte_i

Beispiel Kundenstamm:

  Vollständigkeit  (Gewicht 30): 94 % → 30 × 0,94 = 28,2

  Eindeutigkeit    (Gewicht 25): 99 % → 25 × 0,99 = 24,8

  Gültigkeit       (Gewicht 20): 97 % → 20 × 0,97 = 19,4

  Aktualität       (Gewicht 15): 88 % → 15 × 0,88 = 13,2

  Konsistenz       (Gewicht 10): 95 % → 10 × 0,95 =  9,5

DQ-Score = (28,2 + 24,8 + 19,4 + 13,2 + 9,5) / 100 = 95,1 %

AMPELSKALA:

  ≥ 95 %   Grün  — Gut

  85-95 %  Gelb  — Verbesserungsbedarf

  < 85 %   Rot   — Handlungsbedarf

-- DQ-Infrastruktur: Tabellen für automatisches Scoring

CREATE TABLE dbo.DQ_Dimensionen (

    DimID        INT IDENTITY PRIMARY KEY,

    DimCode      NVARCHAR(30) UNIQUE,  -- z.B. 'VOLLSTAENDIGKEIT'

    DimName      NVARCHAR(100),

    Beschreibung NVARCHAR(500)

);

CREATE TABLE dbo.DQ_Objekte (

    ObjektID     INT IDENTITY PRIMARY KEY,

    ObjektCode   NVARCHAR(50) UNIQUE,  -- z.B. 'KUNDEN'

    ObjektName   NVARCHAR(100),

    Tabelle      NVARCHAR(200),        -- Quelltabelle im ERP

    Owner        NVARCHAR(100),        -- Verantwortlicher

    Aktiv        BIT DEFAULT 1

);

CREATE TABLE dbo.DQ_Gewichte (

    ObjektID     INT REFERENCES dbo.DQ_Objekte(ObjektID),

    DimID        INT REFERENCES dbo.DQ_Dimensionen(DimID),

    Gewicht      DECIMAL(5,2),         -- Summe je Objekt = 100

    PRIMARY KEY (ObjektID, DimID)

);

CREATE TABLE dbo.DQ_Tagesmessung (

    MessungID    INT IDENTITY PRIMARY KEY,

    ObjektID     INT REFERENCES dbo.DQ_Objekte(ObjektID),

    DimID        INT REFERENCES dbo.DQ_Dimensionen(DimID),

    MessDatum    DATE NOT NULL,

    Gesamt_Saetze INT,

    Fehler_Saetze INT,

    Score_Pct    DECIMAL(5,2),

    Gemessen_Am  DATETIME2 DEFAULT GETDATE()

);

CREATE TABLE dbo.DQ_Score_Gesamt (

    ScoreID      INT IDENTITY PRIMARY KEY,

    ObjektID     INT REFERENCES dbo.DQ_Objekte(ObjektID),

    ScoreDatum   DATE NOT NULL,

    DQ_Score     DECIMAL(5,2),

    Ampel        NVARCHAR(5),          -- Grün / Gelb / Rot

    CONSTRAINT UQ_Score UNIQUE (ObjektID, ScoreDatum)

);

-- Täglicher Job: DQ-Score je Objekt aus Dimensionsmessungen berechnen

INSERT INTO dbo.DQ_Score_Gesamt (ObjektID, ScoreDatum, DQ_Score, Ampel)

SELECT

    t.ObjektID,

    CAST(GETDATE() AS DATE),

    ROUND(SUM(t.Score_Pct * g.Gewicht) / SUM(g.Gewicht), 1) AS DQ_Score,

    CASE

        WHEN SUM(t.Score_Pct * g.Gewicht) / SUM(g.Gewicht) >= 95 THEN 'Grün'

        WHEN SUM(t.Score_Pct * g.Gewicht) / SUM(g.Gewicht) >= 85 THEN 'Gelb'

        ELSE 'Rot'

    END AS Ampel

FROM dbo.DQ_Tagesmessung t

JOIN dbo.DQ_Gewichte g ON t.ObjektID = g.ObjektID AND t.DimID = g.DimID

WHERE t.MessDatum = CAST(GETDATE() AS DATE)

GROUP BY t.ObjektID

ON CONFLICT (ObjektID, ScoreDatum) DO UPDATE

SET DQ_Score = EXCLUDED.DQ_Score, Ampel = EXCLUDED.Ampel;

-- CHECK K01: Vollständigkeit Pflichtfelder Kundenstamm

SELECT

    KundenNr,

    Name,

    CASE WHEN Name IS NULL OR LTRIM(RTRIM(Name)) = ''

         THEN 'Kein Name' ELSE '' END AS Fehler_Name,

    CASE WHEN Strasse IS NULL OR LTRIM(RTRIM(Strasse)) = ''

         THEN 'Keine Straße' ELSE '' END AS Fehler_Strasse,

    CASE WHEN PLZ IS NULL OR LTRIM(RTRIM(PLZ)) = ''

         THEN 'Keine PLZ' ELSE '' END AS Fehler_PLZ,

    CASE WHEN Ort IS NULL OR LTRIM(RTRIM(Ort)) = ''

         THEN 'Kein Ort' ELSE '' END AS Fehler_Ort,

    CASE WHEN Land IS NULL OR LTRIM(RTRIM(Land)) = ''

         THEN 'Kein Land' ELSE '' END AS Fehler_Land

FROM dbo.Kunden

WHERE Aktiv = 1

  AND (Name IS NULL OR LTRIM(RTRIM(Name)) = ''

    OR Strasse IS NULL OR LTRIM(RTRIM(Strasse)) = ''

    OR PLZ IS NULL OR LTRIM(RTRIM(PLZ)) = ''

    OR Ort IS NULL OR LTRIM(RTRIM(Ort)) = '');

-- CHECK K02: Ungültige PLZ (Deutschland: 5 Ziffern)

SELECT KundenNr, Name, PLZ, Land

FROM dbo.Kunden

WHERE Land = 'DE' AND Aktiv = 1

  AND (LEN(PLZ) <> 5 OR PLZ NOT LIKE '[0-9][0-9][0-9][0-9][0-9]');

-- CHECK K03: Ungültige E-Mail-Adressen

SELECT KundenNr, Name, Email

FROM dbo.Kunden

WHERE Email IS NOT NULL AND Email <> ''

  AND (Email NOT LIKE '%@%.%'

    OR Email LIKE '% %'

    OR Email LIKE '@%'

    OR Email LIKE '%@');

-- CHECK K04: Dubletten nach Name + PLZ

SELECT

    Name,

    PLZ,

    COUNT(*) AS Anzahl,

    STRING_AGG(CAST(KundenNr AS NVARCHAR), ', ') AS KundenNummern

FROM dbo.Kunden

WHERE Aktiv = 1

GROUP BY LTRIM(RTRIM(UPPER(Name))), PLZ

HAVING COUNT(*) > 1

ORDER BY COUNT(*) DESC;

-- CHECK K05: Kunden ohne Umsatz — Karteileichen prüfen

SELECT

    k.KundenNr, k.Name, k.Angelegt_Am,

    MAX(v.Belegdatum) AS Letzter_Umsatz,

    DATEDIFF(DAY, MAX(v.Belegdatum), GETDATE()) AS Tage_Seit_Umsatz

FROM dbo.Kunden k

LEFT JOIN dbo.Verkaufsbelege v ON k.KundenNr = v.KundenNr

    AND v.Belegart = 'Rechnung'

WHERE k.Aktiv = 1

GROUP BY k.KundenNr, k.Name, k.Angelegt_Am

HAVING MAX(v.Belegdatum) IS NULL

    OR MAX(v.Belegdatum) < DATEADD(YEAR, -2, GETDATE())

ORDER BY Tage_Seit_Umsatz DESC;

-- CHECK A01: Artikel ohne Einstandspreis oder Verkaufspreis

SELECT

    ArtikelNr, Bezeichnung, Warengruppe,

    StandardEinstandspreis, Verkaufspreis,

    CASE WHEN StandardEinstandspreis = 0 OR StandardEinstandspreis IS NULL

         THEN 'Kein Einstandspreis' ELSE '' END AS Fehler_EK,

    CASE WHEN Verkaufspreis = 0 OR Verkaufspreis IS NULL

         THEN 'Kein VK-Preis' ELSE '' END AS Fehler_VK

FROM dbo.Artikel

WHERE Aktiv = 1

  AND (StandardEinstandspreis = 0 OR StandardEinstandspreis IS NULL

    OR Verkaufspreis = 0 OR Verkaufspreis IS NULL);

-- CHECK A02: Negativer Deckungsbeitrag (VK < EK)

SELECT

    ArtikelNr,

    Bezeichnung,

    Warengruppe,

    StandardEinstandspreis AS EK,

    Verkaufspreis AS VK,

    ROUND(Verkaufspreis - StandardEinstandspreis, 2) AS DB_EUR,

    ROUND(100.0 * (Verkaufspreis - StandardEinstandspreis)

          / NULLIF(Verkaufspreis, 0), 1) AS DB_Pct

FROM dbo.Artikel

WHERE Aktiv = 1

  AND Verkaufspreis > 0

  AND StandardEinstandspreis > Verkaufspreis

ORDER BY DB_EUR ASC;

-- CHECK A03: Artikel ohne Warengruppe

SELECT ArtikelNr, Bezeichnung, Angelegt_Am

FROM dbo.Artikel

WHERE (Warengruppe IS NULL OR LTRIM(RTRIM(Warengruppe)) = '')

  AND Aktiv = 1

ORDER BY Angelegt_Am DESC;

-- CHECK A04: Duplikate im Artikelstamm nach Bezeichnung

SELECT

    LTRIM(RTRIM(UPPER(Bezeichnung))) AS Bezeichnung_Norm,

    COUNT(*) AS Anzahl,

    STRING_AGG(ArtikelNr, ', ') AS ArtikelNummern

FROM dbo.Artikel

WHERE Aktiv = 1

GROUP BY LTRIM(RTRIM(UPPER(Bezeichnung)))

HAVING COUNT(*) > 1

ORDER BY COUNT(*) DESC;

-- CHECK A05: Artikel mit Lagerbestand aber ohne Bewegung (180 Tage)

SELECT

    a.ArtikelNr,

    a.Bezeichnung,

    lb.Bestand,

    lb.Bestandswert,

    MAX(bew.Buchungsdatum) AS Letzte_Bewegung

FROM dbo.Artikel a

JOIN dbo.Lagerbestaende lb ON a.ArtikelNr = lb.ArtikelNr

LEFT JOIN dbo.Lagerbewegungen bew ON a.ArtikelNr = bew.ArtikelNr

WHERE a.Aktiv = 1 AND lb.Bestand > 0

GROUP BY a.ArtikelNr, a.Bezeichnung, lb.Bestand, lb.Bestandswert

HAVING MAX(bew.Buchungsdatum) IS NULL

    OR MAX(bew.Buchungsdatum) < DATEADD(DAY, -180, GETDATE())

ORDER BY lb.Bestandswert DESC;

-- CHECK L01: Lieferanten ohne Bankverbindung

SELECT LieferantNr, Name, Zahlungsbedingung

FROM dbo.Lieferanten

WHERE Aktiv = 1

  AND LieferantNr NOT IN (

      SELECT DISTINCT LieferantNr FROM dbo.Bankverbindungen

      WHERE Aktiv = 1

  )

ORDER BY Name;

-- CHECK L02: IBAN-Validierung (strukturelle Prüfung)

SELECT

    l.LieferantNr, l.Name,

    b.IBAN,

    LEN(b.IBAN) AS IBAN_Laenge

FROM dbo.Lieferanten l

JOIN dbo.Bankverbindungen b ON l.LieferantNr = b.LieferantNr

WHERE b.Aktiv = 1

  AND (b.IBAN NOT LIKE '[A-Z][A-Z][0-9][0-9]%'

    OR (LEFT(b.IBAN, 2) = 'DE' AND LEN(REPLACE(b.IBAN,' ','')) <> 22)

    OR b.IBAN LIKE '% %');  -- Leerzeichen in IBAN

-- CHECK L03: Lieferanten ohne Einkaufsvolumen (letzte 24 Monate)

SELECT

    l.LieferantNr, l.Name, l.Angelegt_Am,

    MAX(b.Bestelldatum) AS Letzte_Bestellung,

    DATEDIFF(MONTH, MAX(b.Bestelldatum), GETDATE()) AS Monate_Inaktiv

FROM dbo.Lieferanten l

LEFT JOIN dbo.Bestellungen b ON l.LieferantNr = b.LieferantNr

WHERE l.Aktiv = 1

GROUP BY l.LieferantNr, l.Name, l.Angelegt_Am

HAVING MAX(b.Bestelldatum) IS NULL

    OR MAX(b.Bestelldatum) < DATEADD(MONTH, -24, GETDATE())

ORDER BY Monate_Inaktiv DESC;

-- CHECK B01: Offene Belege ohne Aktivität (hängend)

SELECT

    BelegNr, Belegart, Belegdatum,

    KundenNr, Nettobetrag, Status,

    DATEDIFF(DAY, Belegdatum, GETDATE()) AS Tage_Offen

FROM dbo.Verkaufsbelege

WHERE Status = 'Offen'

  AND Belegdatum < DATEADD(MONTH, -3, GETDATE())

ORDER BY Tage_Offen DESC;

-- CHECK B02: Buchungen ohne gültige Kostenstelle

SELECT

    bj.BuchungsID, bj.Buchungsdatum,

    bj.KostenstelleNr, bj.Betrag, bj.Buchungstext

FROM dbo.KostenbuchungsJournal bj

LEFT JOIN dbo.Kostenstellen ks ON bj.KostenstelleNr = ks.KostenstelleNr

WHERE ks.KostenstelleNr IS NULL

   OR ks.Aktiv = 0

ORDER BY bj.Buchungsdatum DESC;

-- CHECK B03: Ausreißer-Erkennung (statistische Prüfung)

-- Beträge die mehr als 3 Standardabweichungen vom Mittelwert abweichen

WITH Stats AS (

    SELECT

        Belegart,

        AVG(Nettobetrag) AS Mittelwert,

        STDEV(Nettobetrag) AS Stdabw

    FROM dbo.Verkaufsbelege

    WHERE Belegdatum >= DATEADD(MONTH, -12, GETDATE())

    GROUP BY Belegart

)

SELECT

    vb.BelegNr, vb.Belegart, vb.Belegdatum,

    vb.KundenNr, vb.Nettobetrag,

    ROUND(s.Mittelwert, 2) AS Mittelwert,

    ROUND((vb.Nettobetrag - s.Mittelwert) / NULLIF(s.Stdabw, 0), 1)

        AS Sigma_Abweichung

FROM dbo.Verkaufsbelege vb

JOIN Stats s ON vb.Belegart = s.Belegart

WHERE vb.Belegdatum >= DATEADD(MONTH, -1, GETDATE())

  AND ABS(vb.Nettobetrag - s.Mittelwert) > 3 * s.Stdabw

ORDER BY ABS((vb.Nettobetrag - s.Mittelwert) / NULLIF(s.Stdabw, 0)) DESC;

-- CHECK B04: Referentielle Integrität — Verkaufsbelege ohne Kundenstammsatz

SELECT

    vb.BelegNr, vb.Belegdatum, vb.KundenNr, vb.Nettobetrag

FROM dbo.Verkaufsbelege vb

LEFT JOIN dbo.Kunden k ON vb.KundenNr = k.KundenNr

WHERE k.KundenNr IS NULL

ORDER BY vb.Belegdatum DESC;

-- Abgleich: Umsatz ERP-Auswertung vs. BI-Staging-Tabelle

-- Zeigt Inkonsistenzen zwischen Quellsystem und BI

SELECT

    YEAR(e.Belegdatum) AS Jahr,

    MONTH(e.Belegdatum) AS Monat,

    SUM(e.Nettobetrag) AS Umsatz_ERP,

    SUM(b.Umsatz_EUR) AS Umsatz_BI,

    SUM(e.Nettobetrag) - SUM(b.Umsatz_EUR) AS Differenz,

    ROUND(100.0 * (SUM(e.Nettobetrag) - SUM(b.Umsatz_EUR))

          / NULLIF(SUM(e.Nettobetrag), 0), 2) AS Differenz_Pct

FROM dbo.Verkaufsbelege e

LEFT JOIN KPI_DWH.dbo.vw_PBI_Umsatz b

    ON YEAR(e.Belegdatum) = b.Jahr

    AND MONTH(e.Belegdatum) = b.Monat

WHERE e.Belegart = 'Rechnung'

  AND e.Belegdatum >= DATEADD(MONTH, -6, GETDATE())

GROUP BY YEAR(e.Belegdatum), MONTH(e.Belegdatum)

HAVING ABS(SUM(e.Nettobetrag) - SUM(b.Umsatz_EUR)) > 100

ORDER BY Jahr DESC, Monat DESC;

DATENFLUSS-DOKUMENTATION — MINDESTANFORDERUNGEN:

Je Datenobjekt dokumentieren:

  Quelle:        Wo entstehen die Daten? (ERP, Webshop, Import, manuell)

  Erfasser:      Wer legt an? (Sachbearbeiter, System, Schnittstelle)

  Prüfer:        Wer prüft auf Vollständigkeit und Korrektheit?

  Freigebender:  Wer gibt frei? (bei kritischen Stammdaten)

  Konsumenten:   Wer nutzt die Daten? (BI, Mahnung, Versand, Steuer)

  Archivierung:  Wie lange werden die Daten aufbewahrt?

BEISPIEL — LIEFERANTENSTAMM:

  Quelle:        Manuell durch Einkauf

  Erfasser:      Einkaufssachbearbeiter

  Prüfer:        Einkaufsleiter (Bonität, Kontodaten)

  Freigebender:  Einkaufsleiter

  Konsumenten:   Buchhaltung (Zahlung), Einkauf (Bestellung), BI

  Archivierung:  10 Jahre nach letzter Transaktion (HGB)

Kundenstamm

Master

Replika

Replika

Replika

Vertriebsleiter

Artikelstamm

Master

—

Replika

Replika

Produktmanager

Preise

Master

Lesen

Replika

Lesen

Vertriebsleiter

Lagerbestand

Master

—

Replika

Replika

Lagerleiter

Umsatzdaten

Master

—

—

Replika

Controller

GOLDEN RECORD PRINZIP

Für jedes Datenobjekt gibt es genau ein führendes System — den "Golden Record Master". Alle anderen Systeme sind Replikate und dürfen das Master-System nicht überschreiben. Änderungen gehen immer durch den Master. Dieses Prinzip ist einfach, aber in der Praxis systematisch verletzt — mit kostspieligen Folgen.

-- Häufige Stammdatenänderungen als DQ-Frühwarnsignal

-- Viele Änderungen = instabile Daten oder falsche Ersterfassung

SELECT

    Tabelle,

    Feldname,

    COUNT(*) AS Anzahl_Aenderungen_30Tage,

    COUNT(DISTINCT GeaendertVon) AS Anzahl_Benutzer,

    MAX(GeaendertAm) AS Letzte_Aenderung

FROM dbo.Stammdaten_Aenderungslog

WHERE GeaendertAm >= DATEADD(DAY, -30, GETDATE())

GROUP BY Tabelle, Feldname

HAVING COUNT(*) > 10  -- Mehr als 10 Änderungen in 30 Tagen

ORDER BY Anzahl_Aenderungen_30Tage DESC;

GOVERNANCE-MODELL (schlank, umsetzbar im KMU):

DATA OWNER (je Datenobjekt, aus Fachbereich)

  Verantwortung: Qualitätsstandards definieren, Bereinigung priorisieren

  Beispiel: Einkaufsleiter = Data Owner Lieferantenstamm

  Zeitaufwand: 2-4 Stunden/Monat

DATA STEWARD (operativer Datenpfleger, je Abteilung)

  Verantwortung: Tägliche Pflege, Fehler bereinigen, Regeln einhalten

  Beispiel: Erfahrener Einkaufssachbearbeiter

  Zeitaufwand: 20-30 % der Arbeitszeit

DATA CUSTODIAN (technische Verantwortung, IT)

  Verantwortung: Systemzugriffe, Backups, DQ-Messinfrastruktur

  Beispiel: Datenbankadministrator / IT-Leiter

  Zeitaufwand: 10-20 % der Arbeitszeit

DQ-KOORDINATOR (optional, ab 200 MA)

  Verantwortung: Übergreifende Koordination, Reporting, Eskalation

  Zeitaufwand: Vollzeit bei großen Organisationen, Teilzeit im KMU

STRUKTUR EINER DQ-REGEL:

  Regel-ID:      K-PLZ-DE-001

  Objekt:        Kundenstamm

  Feld:          PLZ (für Land = DE)

  Regel:         PLZ muss genau 5 Ziffern enthalten [0-9]{5}

  Schwere:       Kritisch (Pflichtfeld für Mahnung / Versand)

  Aktion:        Datensatz sperren bis PLZ korrekt

  Owner:         Vertriebsleiter

  Gültig ab:     01.01.2026

  Geprüft durch: IT + Controlling

REGELKATEGORIEN:

  Formatregeln:   Gültige Formate (IBAN, PLZ, E-Mail, EAN)

  Pflichtregeln:  Felder die nie leer sein dürfen

  Werteregeln:    Erlaubte Wertebereiche und Listen

  Beziehungsregeln: Referentielle Integrität zwischen Tabellen

  Geschäftsregeln:  Fachliche Konsistenz (VK > EK, Bestand ≥ 0)

Täglich

DQ-Score prüfen, Alarme bearbeiten

Data Steward

15 Min.

Wöchentlich

Fehler-Liste abarbeiten (Priorität 1)

Data Steward

1-2 Std.

Monatlich

DQ-Bericht, Trendanalyse

Data Owner + IT

1 Std.

Quartalsweise

Regelwerk prüfen, neue Regeln aufnehmen

DQ-Koordinator

2 Std.

Jährlich

Governance-Modell überprüfen, Ziele setzen

Management

2 Std.

SEITE 1 — MANAGEMENT OVERVIEW (monatlich)

  DQ-Score je Datenobjekt als Ampelkarte

  Trend DQ-Score letzte 12 Monate

  Top-5 offene Qualitätsprobleme nach Businessimpact

  Fortschritt laufender Bereinigungsmaßnahmen

SEITE 2 — DATA STEWARD COCKPIT (täglich)

  Alle Fehler-Datensätze nach Priorität

  Neue Fehler seit gestern (Delta-Anzeige)

  Bearbeitungsfortschritt offener Fehler

  Fehler nach Kategorie (Vollständigkeit / Dublett / Format)

SEITE 3 — OBJEKTDETAIL — KUNDENSTAMM (täglich)

  Score je Qualitätsdimension als Balken

  Fehler-Datensätze zum Direktzugriff (Drilldown)

  Historischer Score-Verlauf

  Vergleich: Mein Bereich vs. Gesamtunternehmen

SEITE 4 — DATA LINEAGE MAP (monatlich)

  Systemübergreifende Konsistenz-Übersicht

  Offene Diskrepanzen ERP ↔ BI ↔ Webshop

  Letzte Sync-Zeitpunkte je Schnittstelle

// DQ-Score aktueller Tag

DQ_Score_Heute =

CALCULATE(

    AVERAGE(DQ_Score_Gesamt[DQ_Score]),

    DQ_Score_Gesamt[ScoreDatum] = MAX(DQ_Score_Gesamt[ScoreDatum])

)

// Trendpfeil (besser/schlechter als Vormonat)

DQ_Trend =

VAR ScoreHeute = [DQ_Score_Heute]

VAR ScoreVormonat =

    CALCULATE(

        AVERAGE(DQ_Score_Gesamt[DQ_Score]),

        DATEADD(DQ_Score_Gesamt[ScoreDatum], -30, DAY)

    )

RETURN

    IF(ScoreHeute > ScoreVormonat, "▲", IF(ScoreHeute < ScoreVormonat, "▼", "→"))

// Ampelfarbe als Text für Conditional Formatting

DQ_Ampel_Farbe =

SWITCH(

    TRUE(),

    [DQ_Score_Heute] >= 95, "#22c55e",  -- Grün

    [DQ_Score_Heute] >= 85, "#f59e0b",  -- Gelb

    "#ef4444"                            -- Rot

)

-- Wöchentlicher DQ-Statusbericht an Data Owners

DECLARE @Bericht NVARCHAR(MAX) = 'DQ-WOCHENBERICHT ' +

    CONVERT(VARCHAR, GETDATE(), 104) + CHAR(13) + CHAR(10) +

    STRING(130, '─') + CHAR(13) + CHAR(10);

SELECT @Bericht = @Bericht +

    o.ObjektName + ': ' +

    CAST(s.DQ_Score AS VARCHAR) + ' % (' + s.Ampel + ')' +

    ' — ' + CAST(f.Fehler_Gesamt AS VARCHAR) + ' offene Fehler' +

    CHAR(13) + CHAR(10)

FROM dbo.DQ_Score_Gesamt s

JOIN dbo.DQ_Objekte o ON s.ObjektID = o.ObjektID

LEFT JOIN (

    SELECT ObjektID, COUNT(*) AS Fehler_Gesamt

    FROM dbo.DQ_Fehler_Offen GROUP BY ObjektID

) f ON s.ObjektID = f.ObjektID

WHERE s.ScoreDatum = CAST(GETDATE() AS DATE)

ORDER BY s.DQ_Score ASC;

EXEC msdb.dbo.sp_send_dbmail

    @profile_name = 'DQ-Reporting',

    @recipients   = 'dq-team@firma.de',

    @subject      = 'DQ-Wochenbericht KW' +

                    CAST(DATEPART(WEEK, GETDATE()) AS VARCHAR),

    @body         = @Bericht;

VOR DEM START

Read-only-Datenbankzugang für DQ-Messungen einrichten. DQ-Staging-Datenbank anlegen (Skripte aus Kapitel 3.2). Data Owner für mindestens drei Datenobjekte benennen und committen lassen.

ERGEBNIS NACH 30 TAGEN

Nach 30 Tagen haben Sie einen täglichen DQ-Score für drei Datenobjekte, ein Power BI Dashboard das Qualität sichtbar macht, erste Governance-Strukturen mit klaren Verantwortlichkeiten und einen automatisierten Alert wenn Qualität unter den Zielwert fällt. Datenbereinigung wird von Feuerlöschen zu gesteuertem Prozess.

Datenqualitäts-Assessment

Analyse und Messung der Datenqualität in ERP und BI — mit DQ-Score, Fehlerpriorisierung und konkretem Bereinigungsplan.

Data Governance Beratung

Aufbau eines schlanken Governance-Rahmens mit Rollen, Regeln und Review-Prozessen — passend für den Mittelstand.

BI-Dashboard-Aufbau

Power BI / DeltaMaster Dashboards inkl. DQ-Monitoring, KPI-System und automatisierten Reports.

SQL Server DB Health Check

Professioneller Audit Ihres SQL Servers — Managementreport, Risikobewertung und Maßnahmenplan. Scope: 3-5 Tage.

Interim IT-Management

Übernahme der IT-Steuerung auf Zeit — Budgetplanung, Dienstleister-Management, strategische IT-Ausrichtung.