Automatisierung verspricht effizientere Prozesse, scheitert in der Praxis jedoch oft an einer unterschätzten Voraussetzung: der Datenqualität.
Worum geht es – und warum betrifft dich das?
Gerade in der Praxis zeigt sich schnell, dass Automatisierung kein Selbstläufer ist.
Unternehmen setzen zunehmend auf Automatisierung, um Abläufe effizienter zu gestalten und manuelle Arbeit zu reduzieren. In der Praxis zeigt sich jedoch, dass viele Automatisierungsprojekte nicht die erhofften Ergebnisse liefern oder sogar zusätzlichen Aufwand verursachen. Ein häufiger, aber oft unterschätzter Grund dafür liegt in der Qualität der verwendeten Daten.
Ob bei der Verarbeitung von Rechnungen, der Pflege von Kundendaten oder der Analyse von Geschäftsprozessen: Automatisierte Systeme sind vollständig auf strukturierte, korrekte und konsistente Daten angewiesen. Sind diese Voraussetzungen nicht gegeben, können Fehler automatisiert weiterverarbeitet werden, was Prozesse verlangsamt statt beschleunigt und neue Probleme schafft.
Daten als Grundlage moderner Automatisierung
Automatisierung bedeutet, dass Systeme Aufgaben selbstständig ausführen oder Entscheidungen vorbereiten. Damit das zuverlässig funktioniert, brauchen sie eine verlässliche Datenbasis.
Sind Daten unvollständig, widersprüchlich oder uneinheitlich erfasst, stösst Automatisierung schnell an ihre Grenzen. Fehler werden dann nicht vermieden, sondern systematisch weiterverarbeitet – mit entsprechend negativen Folgen für Effizienz und Qualität.
„Automatisierung verstärkt bestehende Strukturen – gute wie schlechte.“
Das folgende Video von IBM zeigt, weshalb Datenqualität eine zentrale Voraussetzung für erfolgreiche Automatisierung ist. Es verdeutlicht, dass automatisierte Systeme nur dann zuverlässig funktionieren, wenn zugrunde liegende Daten konsistent und korrekt sind.
„Data Quality Explained“
Quelle: IBM (2022), via YouTube
Wo schlechte Daten Automatisierung ausbremsen
Wer Prozesse automatisiert, merkt schnell: Schlechte Daten bremsen nicht nur aus – sie machen Automatisierung oft teurer als manuelle Arbeit.
Besonders problematisch sind inkonsistente Stammdaten. Unterschiedliche Schreibweisen, doppelte Einträge oder veraltete Informationen erschweren es automatisierten Systemen, Daten korrekt zuzuordnen und zuverlässig weiterzuverarbeiten.
Auch unstrukturierte Daten stellen ein zentrales Hindernis dar. Freitextfelder oder manuell gepflegte Dokumente lassen sich nur eingeschränkt automatisiert auswerten und erfordern häufig zusätzliche manuelle Eingriffe.
Besonders kritisch ist die automatische Weiterverarbeitung von Fehlern. Werden fehlerhafte Daten nicht frühzeitig erkannt, können sie durch Automatisierung systematisch vervielfältigt werden und den manuellen Korrekturaufwand sogar erhöhen.
Typische Ursachen für schlechte Datenqualität
Schlechte Datenqualität entsteht selten durch einzelne Fehler, sondern meist durch strukturelle und organisatorische Rahmenbedingungen. Häufig fehlen klare Regeln, Zuständigkeiten oder ein gemeinsames Verständnis dafür, welche Bedeutung Daten für automatisierte Prozesse haben.
Die folgende Grafik aus einem SAP-Fachbeitrag zeigt einen zyklischen Ansatz zur Sicherstellung von Datenqualität im Master-Data-Management.
Zyklischer Prozess zur Sicherstellung von Datenqualität im Master-Data-Management.
Quelle: Darstellung nach Seifried (2018), SAP Technology Blog (Link)
Eine zentrale Ursache ist die manuelle Datenerfassung. Werden Daten händisch eingegeben, steigt das Risiko für Tippfehler, unvollständige Einträge oder Inkonsistenzen deutlich.
Hinzu kommen historisch gewachsene Systemlandschaften, in denen gleiche Informationen in unterschiedlichen Formaten und Strukturen gespeichert werden. Dadurch entstehen Medienbrüche, die eine durchgängige Automatisierung erschweren.
Schliesslich spielt auch das fehlende Qualitätsbewusstsein eine Rolle. Daten werden oft nur als Nebenprodukt von Prozessen betrachtet und nicht aktiv gepflegt oder überprüft.
Was Unternehmen vor der Automatisierung klären sollten
Bevor Automatisierung eingeführt wird, sollten Unternehmen ihre Datenbasis kritisch hinterfragen. Technologische Lösungen können nur dann ihr Potenzial entfalten, wenn grundlegende Voraussetzungen erfüllt sind und die relevanten Daten in ausreichender Qualität vorliegen.
Zentrale Fragen, die im Vorfeld geklärt werden sollten, sind:
-
Welche Daten sind für den jeweiligen Prozess tatsächlich relevant?
-
Wie aktuell, konsistent und vollständig sind diese Daten?
-
Wer trägt die Verantwortung für Pflege und Qualität der Daten?
Fazit: Automatisierung beginnt bei den Daten
Automatisierung kann Prozesse effizienter gestalten, funktioniert jedoch nur auf einer soliden Datenbasis. Schlechte Datenqualität führt dazu, dass Fehler automatisiert weitergegeben und bestehende Probleme verstärkt werden. Unternehmen sollten Automatisierung daher nicht isoliert betrachten, sondern als Zusammenspiel von Prozessen, Organisation und Daten.
Weiterführende Links
- IBM (2023), Die Bedeutung der Datenqualität für die Automatisierung – Data Quality
- Haug (2011), Die Kosten schlechter Datenqualität – The costs of poor data quality
- MIT Sloan Management Review (2025), Wie man die Datenqualität verbessert – How to Improve Data Quality
Hinweis
Dieser Blog-Beitrag wurde mit Unterstützung des Sprachmodells ChatGPT erstellt.
Titelbild: Foto von Claudio Schwarz auf Unsplash.
