Datenqualität BI:
Verlässliche Kennzahlen vor dem ersten Dashboard.

Was ist Datenqualität in der BI?

Datenqualität in der BI beschreibt, wie verlässlich die Daten hinter Kennzahlen und Berichten sind. Maßstäbe sind Vollständigkeit, Eindeutigkeit, Aktualität und Konsistenz. BARC zählt zum Datenqualitätsmanagement die laufende Definition von Metriken und Regeln, Überwachung, Alarmierung, Bereinigung und Anreicherung (Trend Monitor 2026). Gute Datenqualität zeigt sich daran, dass zwei Berichte für dieselbe Kennzahl denselben Wert liefern und die Herkunft jeder Zahl belegbar ist. Das gilt für Excel-Auswertungen genauso wie für Dashboards und KI-Antworten.

Wie prüfe ich die Datenqualität in meiner BI?

Sie prüfen Datenqualität mit Regeln an drei Stellen: im Quellsystem, in der Datenaufbereitung und im Modell. Typische Regeln sind der Anteil leerer Werte, eindeutige Schlüssel, vorhandene Verweise und der Abgleich einer Summe mit der Buchhaltung. Power Query zeigt gültige, fehlerhafte und leere Werte je Spalte, dbt führt Tests mit dbt test aus. Beginnen Sie mit fünf bis zehn Kennzahlen und der Checkliste oben. Legen Sie je Regel eine Schwelle fest und bestimmen Sie, wer bei einem Fehler informiert wird.

Welche Kriterien gehören zur Datenqualität?

Die gängigen Kriterien sind Vollständigkeit, Eindeutigkeit, Aktualität und Konsistenz. Microsoft Purview misst sechs Dimensionen: Vollständigkeit, Konsistenz, Konformität, Genauigkeit, Aktualität und Eindeutigkeit. OpenMetadata nennt Vollständigkeit, Genauigkeit, Konsistenz und Aktualität. Legen Sie für jede Dimension eine Regel mit Schwelle fest, sonst bleibt das Kriterium ein Wunsch und lässt sich nicht automatisch prüfen. Stimmen Sie die Schwellen mit dem Data Owner ab, denn nur der Fachbereich weiß, wie genau eine Zahl sein muss.

Was ist der Unterschied zwischen Datenqualität und Data Governance?

Datenqualität misst, ob Daten stimmen, Data Governance legt fest, wer wofür verantwortlich ist und nach welchen Regeln Daten genutzt werden. Beides gehört zusammen: Im BARC Trend Monitor 2026 liegt Data & AI Governance auf Rang 4 mit 6,9 Punkten, Datenqualitätsmanagement auf Rang 1 mit 7,9. Governance liefert Rollen, Glossar und Freigaben, Datenqualität die Prüfregeln und Messwerte. Ohne Governance hat eine Fehlermeldung keinen Adressaten, ohne Messung fehlt der Governance der Nachweis.

Was ist ein Kennzahlenkatalog?

Ein Kennzahlenkatalog ist die Sammlung aller Kennzahlen eines Unternehmens mit Definition, Quelle, Verantwortlichem und Prüfregel, je Kennzahl eine Zeile. Er verhindert, dass dieselbe Kennzahl in zwei Berichten unterschiedlich berechnet wird. Als Start genügt eine Tabelle, die Vorlage oben steht als CSV bereit. Technisch festgehalten werden die Definitionen später im Semantic Layer. Wichtig ist, dass es genau einen Ort gibt, an dem die gültige Definition steht, und einen Namen, der sie freigibt.

Was ist Data Lineage, und brauche ich sie?

Data Lineage zeigt den Weg der Daten von der Quelle über die Aufbereitung bis zum Bericht. Sie beantwortet, woher eine Zahl stammt und welche Berichte eine Änderung trifft. Power BI bietet eine Lineage-Ansicht je Arbeitsbereich, Qlik Cloud bis auf Feldebene, Tableau Catalog und dbt ebenfalls. Sie brauchen Lineage, sobald mehrere Teams an denselben Daten arbeiten und Änderungen Berichte anderer Teams treffen. Für einen einzelnen Bericht mit einer Quelle genügt eine Dokumentation der Herkunft.

Welche Tools gibt es für Datenkatalog und Datenqualität?

Zu den Werkzeugen zählen Microsoft Purview, Collibra, Atlan, OpenMetadata, Tableau Catalog und Qlik Talend Cloud für Katalog und Governance sowie dbt, Great Expectations und Soda für Prüfregeln. Die Tabelle oben nennt 11 Lösungen mit Voraussetzung und Lizenz laut Hersteller. Wählen Sie nach Plattform, Betriebsmodell und Aufwand, und lassen Sie Preise, die nicht veröffentlicht sind, in der Demo klären. Klären Sie in der Demo auch, wie viele Quellen und Nutzer der Preis abdeckt.

Wer ist Data Owner und wer Data Steward?

Der Data Owner ist fachlich für die Daten eines Bereichs verantwortlich und entscheidet über Definition, Schwellen und Freigabe. Der Data Steward pflegt Regeln, Glossar und Kennzahlenblatt und bearbeitet Fehlermeldungen. Purview kennt für den Steward eine eigene Berechtigung. BARC nennt definierte Rollen und Verantwortlichkeiten als ersten kritischen Erfolgsfaktor für Datenqualität. Tragen Sie beide mit Namen und Vertretung ein. Ohne Vertretung stehen Freigaben bei Urlaub oder Krankheit still, und Fehler bleiben liegen.

Wie testet man Datenqualität mit dbt?

dbt prüft Daten mit Tests, die fehlerhafte Zeilen zurückgeben: Bleibt das Ergebnis leer, ist der Test bestanden. Es gibt vier generische Tests (unique, not_null, accepted_values, relationships) und eigene SQL-Tests. Der Aufruf lautet dbt test, auch für einzelne Modelle. dbt Core ist Open Source, die Plattform kostet laut Preisseite ab 100 USD je Nutzer und Monat im Plan Starter. Für Prüfungen außerhalb von dbt eignen sich Soda oder Great Expectations. Legen Sie die Tests bei den Modellen ab, damit sie bei jedem Lauf mitlaufen.

Welche Rolle spielen Stammdaten für die Datenqualität in der BI?

Stammdaten sind die Grunddaten zu Kunden, Artikeln, Lieferanten und Konten, auf die jede Auswertung zugreift. Fehler dort wirken in jedem Bericht, etwa doppelte Kunden oder abweichende Artikelnummern. Prüfen Sie Eindeutigkeit und Pflichtfelder im führenden System. Purview bildet gleiche Begriffe über mehrere Tabellen als kritisches Datenelement ab, zum Beispiel eine Kunden-ID, die in zwei Tabellen verschieden heißt. Pflegen Sie Stammdaten im führenden System, nicht in den Berichten, und prüfen Sie sie regelmäßig.

Was kostet Datenqualitätsmanagement?

Im Rechenbeispiel oben kostet das Kennzahlenblatt bei 6 Beratertagen zu 1.300 € laut BDU 7.800 €. Die veröffentlichten Lizenzen reichen von 0 € bei Open Source über 6.000 USD im Jahr für dbt Starter bis 9.000 $ für Soda Team. Purview kostet im Beispiel 4.472,16 € im Jahr. Atlan, Collibra und SAP veröffentlichen keine Preise, dort ist der Betrag in der Demo zu klären. Weitere Posten: BI-Projekt Kosten. Dazu kommen Schulung und laufender Betrieb, die im Beispiel fehlen und je nach Umfang ins Gewicht fallen.

Wie viel Datenqualität braucht KI in der BI?

KI braucht geprüfte Daten und eindeutige Kennzahlen, sonst liefert sie Antworten ohne nachprüfbare Herkunft. Laut BARC ist hohe Datenqualität für KI und Agenten wichtiger denn je, um Halluzinationen, Verzerrung und fehlerhafte Empfehlungen zu vermeiden. Microsoft nennt für Copilot ebenfalls die Vorbereitung der Daten als Voraussetzung. Mehr dazu unter KI-Agenten in der BI und KI Dashboards. Prüfen Sie mit Testfragen, deren Ergebnis Sie kennen, ob die Antworten stimmen, bevor Sie KI breit ausrollen.

Verlangt die DSGVO richtige Daten?

Ja, für personenbezogene Daten. Nach Artikel 5 Absatz 1 Buchstabe d der DSGVO müssen sie sachlich richtig und erforderlichenfalls auf dem neuesten Stand sein, unrichtige Daten sind unverzüglich zu löschen oder zu berichtigen. Für Kundendaten in Berichten ist Datenqualität damit auch eine rechtliche Frage. Das ist keine Rechtsberatung, klären Sie den Einzelfall mit Ihrer Datenschutzbeauftragten oder Ihrem Datenschutzbeauftragten. Dokumentieren Sie dazu, wer Fehler meldet und wer sie berichtigt. Das stärkt zugleich die Nachweisbarkeit.