Datenqualität: woran man sie misst und warum Automatisierung daran hängt

Datenqualität beschreibt, wie gut Daten für ihren Zweck taugen: ob sie vollständig, eindeutig, richtig und aktuell sind. Im Rechnungswesen entscheidet sie darüber, ob Rechnungen, Zahlungen und Bestellungen automatisch zueinanderfinden oder in der Klärung landen. Gute Daten sind deshalb keine Frage der Ordnungsliebe, sondern die Voraussetzung jeder Automatisierung.

Datenqualität: die Kriterien

• Vollständigkeit. Alle Pflichtangaben sind vorhanden – bei einem Lieferanten etwa Bankverbindung und Steuerangaben.
• Eindeutigkeit. Jeder Geschäftspartner und jeder Artikel existiert genau einmal.
• Richtigkeit. Die Angaben stimmen mit der Wirklichkeit überein: Die IBAN gehört tatsächlich zum Lieferanten, der Steuersatz passt zur Leistung.
• Aktualität. Geänderte Anschriften, Konten und Konditionen sind nachgezogen.
• Einheitlichkeit. Gleiche Dinge sind gleich erfasst – Datumsformate, Einheiten, Schreibweisen von Rechtsformen.
• Nachvollziehbarkeit. Es ist erkennbar, woher ein Wert stammt und wer ihn wann geändert hat.

Welche Kriterien wie streng gelten, hängt vom Zweck ab. Für einen Newsletter reicht eine ungefähre Anschrift; für eine automatische Überweisung muss die Bankverbindung stimmen, sonst geht Geld an den falschen Empfänger.

Wie man Datenqualität misst

Messen heißt, Regeln aufzuschreiben und zu zählen, wie viele Datensätze sie verletzen. Ein Gefühl wie «unsere Daten sind eigentlich ganz ordentlich» ersetzt diese Zählung nicht. Beispiele für solche Regeln:

• Anteil der Lieferanten ohne gültige IBAN oder ohne Umsatzsteuer-ID.
• Anzahl möglicher Dubletten, gefunden über ähnliche Namen, gleiche Anschriften oder gleiche Bankverbindungen.
• Anteil der Rechnungen, deren Bestellnummer im ERP nicht existiert.
• Anteil der Zahlungen, die sich nicht eindeutig einem offenen Posten zuordnen lassen.

Wichtig ist, diese Zahlen vor einer Automatisierung zu erheben und danach regelmäßig zu wiederholen. Sie zeigen, wo sich Bereinigung lohnt, und sie verhindern, dass nachher das neue System für Fehler verantwortlich gemacht wird, die vorher schon in den Daten lagen. Wer misst, spricht über Zahlen statt über Eindrücke.

Wo schlechte Daten im Rechnungswesen auffallen

Schlechte Daten kündigen sich selten an; sie zeigen sich als Mehrarbeit an anderer Stelle. Eine Eingangsrechnung wird keinem Lieferanten zugeordnet, weil der Name anders geschrieben ist. Eine Zahlung bleibt offen, weil die Rechnungsnummer im System ein anderes Format hat als im Verwendungszweck. Ein Kunde wird gemahnt, weil seine Gutschrift an einem doppelt angelegten Kundenkonto hängt. Jeder dieser Fälle kostet einige Minuten, in Summe aber einen spürbaren Teil der Arbeitszeit in der Buchhaltung – und er wiederholt sich, bis die Ursache behoben ist.

Wie man doppelte Geschäftspartner auflöst und künftig vermeidet, beschreibt der Artikel Stammdatenmanagement.

Ein Beispiel: Übernahme einer Bestellhistorie

Bei der Übernahme alter Daten in ein neues System wird die Frage der Qualität besonders konkret. Wer Bestellungen aus mehreren Jahren überträgt, trifft auf doppelt angelegte Kunden, geänderte Artikelnummern und Aufträge, die in zwei Systemen gleichzeitig gepflegt wurden. In einem Projekt wurden 19 686 Bestellungen aus fünf Jahren in ein CRM übernommen, ohne eine einzige Dublette. Möglich war das, weil vor der Übernahme feststand, woran eine Dublette erkannt wird, und jeder Lauf gegen diese Regel geprüft wurde – nicht, weil die Ausgangsdaten sauber gewesen wären.

Die Lehre daraus gilt für jedes Vorhaben: Die Regel, woran ein Fehler erkannt wird, muss vor dem ersten Lauf feststehen. Wer sie erst nach der Übernahme formuliert, sucht Fehler in einem Bestand, der sich schon verändert hat.

Typische Fehler

• Bereinigen ohne Maß. Ohne vorher gezählte Fehler weiß niemand, ob die Bereinigung etwas gebracht hat.
• Alles auf einmal. Sinnvoller ist, die Daten zuerst dort zu ordnen, wo der geplante Ablauf sie tatsächlich braucht.
• Qualität als reines IT-Thema. Ob eine Angabe richtig ist, weiß die Fachabteilung, nicht die Technik; ohne ihre Mitarbeit bleibt jede Bereinigung eine Vermutung.
• Keine Regeln an der Quelle. Werden Fehler nur nachträglich korrigiert, entstehen sie am nächsten Tag neu.

Wie wir Daten vor dem Umbau prüfen

Bevor wir einen kaufmännischen Ablauf automatisieren, zählen wir, wie viele Datensätze gegen die Regeln verstoßen, die dieser Ablauf braucht. Das Ergebnis besprechen wir mit der Buchhaltung: Was wird vorher bereinigt, was fängt eine Klärungsliste ab, was nimmt man bewusst in Kauf? Diese Entscheidungen stehen im Angebot, bevor die Umsetzung beginnt. Wie eine solche Übernahme als Leistung aussieht, beschreibt die Seite Softwareentwicklung; wie eine anschließende Zuordnung von Zahlungen aufgebaut ist, der Artikel zum Zahlungsabgleich.