Jeder kennt die Kostenzahl zur Datenqualität, keiner ihre Erhebung

Schlechte Daten kosten Unternehmen Geld: mal 15 bis 25 Prozent vom Umsatz, mal 3,1 Billionen Dollar im Jahr, je nachdem, welche Präsentation gerade zitiert. Wer ihr bis zur Quelle folgt, findet keine Erhebung mit Stichprobe und Methodenteil, sondern einen einzigen Berater, der beide Varianten selbst in Umlauf gebracht hat. Was „Datenqualität“ dabei überhaupt misst, bleibt so unbestimmt wie die Zahl selbst: eine feste Definition liefert kaum eine der zitierenden Quellen mit.

Der Zahlen-Zirkel reicht von der Datenqualität bis zu ERP-Projekten#

Die 3,1 Billionen Dollar gehen auf Thomas C. Redman zurück, der sie 2016 im Harvard Business Review¹ unter Berufung auf eine IBM-Infografik nannte, ohne die Berechnung dahinter offenzulegen. Ein Jahr später bezifferte er dieselbe Kostenwirkung für das MIT Sloan Management Review auf 15 bis 25 Prozent vom Umsatz², gestützt auf eine Einschätzung des Auskunftsdienstleisters Experian und zweier Berater, wieder ohne Stichprobe oder Rechenweg. Dieselbe Zirkelstruktur zeigt sich bei den Erfolgsquoten von ERP- und Stammdaten-Projekten: Auch die kursierende Zahl von 50 bis 75 Prozent gescheiterter Projekte verweist bei näherem Hinsehen nie auf eine benannte, methodisch dokumentierte Studie. Wo Stammdatenmanagement öffentlich ausgeschrieben wird, zeigt sich dagegen die reale Größenordnung: Die österreichische Regulierungsbehörde E-Control vergab ihren laufenden Auftrag dafür laut EU-Vergabeportal TED Anfang 2026 für 1.017.833 Euro, die kommunale Managementservice Linz einen vergleichbaren für 923.910 Euro, beide nach mehreren Monaten zwischen Ausschreibung und Zuschlag.

Der Bund maß 2022 an sich selbst, was Berater nur behaupten#

Der Bundesrechnungshof befragte 2021 quer durch die Bundesverwaltung 157 Einrichtungen, darunter das Bundeskanzleramt und alle Bundesministerien; 155 Antworten waren auswertbar. 60 Prozent hatten keine Zuständigkeit für Datenmanagement festgelegt, 81 Prozent führten keinen Datenkatalog bundesrechnungshof.de ↗, nur 12 Prozent verfügten über eine Strategie dafür, nur 8 Prozent über ein Konzept dazu. Das Bundeskanzleramt und alle befragten Ministerien meldeten dazu „Fehlanzeige“. Der Bericht hält fest, das behindere „die Umsetzung der Datenstrategie und den Einsatz datengestützter Technologien in der Bundesverwaltung“. Die Bundesregierung stimmte der Kritik im Kern zu, lehnte aber die Empfehlung ab, jedes Ressort zu einem eigenen Strategiepapier zu verpflichten; der Rechnungshof hielt an seiner Bewertung fest. Ein Folgebericht stellte 2025 fest, dass eine Bundesbehörde die Rüge von 2022 bis dahin nicht behoben hatte: Das lückenhafte Datenmanagement „behindert auch den weiteren Einsatz datenbasierter Technologien“, diesmal an einem KI-gestützten Presseauswertungssystem. Auch bei der Pünktlichkeit der Bahn rechnete der Rechnungshof 2022 vor, wie schwach vereinbarte Zielwerte bleiben, wenn niemand sie nachhält³; das zuständige Ministerium widersprach damals.

Die Excel-Liste neben dem System ist kein Symptom, sondern ein Messwert#

Wo Beschäftigte neben dem offiziellen System eine eigene Tabelle führen, bildet das System meist etwas nicht ab, das die Arbeit braucht. Ein Artikel taucht im Einkauf, in der Konstruktion, im Vertrieb und im Lager mit unterschiedlichen, teils widersprüchlichen Angaben auf, weil jede Abteilung ihn zu einem eigenen Zweck pflegt, nicht weil irgendjemand nachlässig ist. Ein zentrales Stammdatenprojekt, das eine einzige verbindliche Version erzwingt, klärt diesen Zweckkonflikt nicht, es verschiebt ihn nur in eine andere Abteilung. Firmen, die das lösen, klären stattdessen die Zuständigkeit je Sicht mit festen Übersetzungsregeln zwischen den Abteilungen, oder sie prüfen Daten erst am Punkt der tatsächlichen Nutzung, statt den gesamten Bestand vorab zu bereinigen. Verlässlicher wird die private Tabelle dadurch nicht: Feldstudien zu Tabellenkalkulationen fanden über Jahrzehnte in 24 bis 94 Prozent der geprüften Dateien mindestens einen Fehler, bei einer mittleren Zellfehlerquote von 3,9 bis 5,2 Prozent. Sie bleibt trotzdem der genaueste verfügbare Hinweis auf die Lücken des offiziellen Systems. Ein Resilienzwert aus solchen Daten zeigt ohnehin vor allem, wie weit ein Unternehmen selbst sieht, nicht, wie weit seine Lieferkette reicht⁴.

Sobald die private Tabelle faktisch die maßgebliche Aufzeichnung ist, wird aus der Bequemlichkeit ein Rechtsrisiko. Nach § 146 Absatz 4 der Abgabenordnung darf eine Aufzeichnung nicht so verändert werden, dass ihr ursprünglicher Inhalt nicht mehr feststellbar ist gesetze-im-internet.de ↗; die GoBD des Bundesfinanzministeriums konkretisieren das für digitale Systeme als Pflicht zur Nachvollziehbarkeit und Unveränderbarkeit. Eine gewöhnliche Tabellenkalkulationsdatei erfüllt das ohne Schreibschutz, Versionierung und Protokollierung strukturell nicht, sobald sie mehr ist als eine private Gedankenstütze.

Vollständigkeit ist nur eine von 15 Datenqualitäts-Dimensionen#

Was eine „Datenqualitätsquote“ in ERP- und MDM-Werbematerial zählt, ist meist die Vollständigkeit ausgefüllter Felder, nicht ihre Richtigkeit. ISO/IEC 25012 unterscheidet 15 Merkmale von Daten in zwei Gruppen iso.org ↗: inhärente wie Korrektheit, Konsistenz und Aktualität, und systemabhängige wie Verfügbarkeit. Eine solche Quote sagt nichts über das Wissen, das nie im System stand, weil es nur im Kopf eines Sachbearbeiters oder in dessen eigener Tabelle existierte. Akademische Datenqualitätsforschung behandelt das Konstrukt seit den neunziger Jahren als mehrdimensional, etwa bei Richard Wang und Diane Strong. Für maschinelle Auswertungen wiegt die Lücke zwischen Vollständigkeit und Richtigkeit heute schwerer als früher: Ein falsches Feld kostete früher einen Rückfrage-Anruf, in einer automatisierten Kette kostet dasselbe falsche Feld eine Bestellung. Eine Untersuchung von Google-Forschenden fand in 92 Prozent der untersuchten Machine-Learning-Projekte solche „Data Cascades“: Datenfehler, die unbemerkt durch die gesamte Kette laufen und erst spät als Systemfehler sichtbar werden.

Von den kursierenden Kostenzahlen selbst hält keine der Prüfung stand. Was stattdessen hält, ist eine amtliche Zahl zur Ursache dahinter, aus der Selbstprüfung des Bundes: 60 Prozent der Bundesbehörden ohne festgelegte Zuständigkeit für ihre eigenen Daten. Die Umsatzprozentzahl, die seit einem Jahrzehnt durch Vorträge und Blogeinträge wandert, blieb bis heute die Schätzung ihres Urhebers.

Quellen: Thomas C. Redman, „Bad Data Costs the U.S. \$3 Trillion Per Year“, Harvard Business Review (hbr.org, 22.9.2016); Redman, „Seizing Opportunity in Data Quality“, MIT Sloan Management Review (sloanreview.mit.edu, 2017); Ausschreibungsdaten TED (ted.europa.eu, Notice 26646-2026 u. a.); Bundesrechnungshof, „Datenmanagement in der Bundesverwaltung“ (13.10.2022, Gz. VII 3-0000644); § 146 Absatz 4 Abgabenordnung (gesetze-im-internet.de) und die GoBD des Bundesfinanzministeriums (Fassung vom 11.3.2024); Ray Panko/EuSpRIG, „What We Don’t Know About Spreadsheet Errors Today“ (eusprig.org); ISO/IEC 25012:2008; Sambasivan et al., „Data Cascades in High-Stakes AI“, CHI 2021 (dl.acm.org).