Datenqualität ist immer zweckgebunden

Daten sind nicht abstrakt gut oder schlecht. Ihre Qualität zeigt sich daran, ob sie eine konkrete Aufgabe unter akzeptierbarem Risiko tragen.

Ein Datensatz kann vollständig und trotzdem ungeeignet sein. Eine Kundenliste kann jeden Datensatz enthalten, aber veraltete Kontaktdaten führen zu Fehlzustellungen. Ein Produktkatalog kann aktuell sein, doch uneinheitliche Einheiten machen Mengenvergleiche unzuverlässig. Eine Bildsammlung kann technisch fehlerfrei gespeichert sein und dennoch die späteren Einsatzbedingungen kaum abbilden.

Datenqualität ist deshalb kein einzelner Wert und kein dauerhaftes Gütesiegel. Sie beschreibt die Eignung von Daten für einen vorgesehenen Zweck. Derselbe Bestand kann für eine grobe Trendanalyse ausreichend, für eine individuelle Kreditentscheidung ungeeignet und für das Training eines bestimmten Modells verzerrend sein.

Der Zweck kommt vor der Bereinigung

Teams beginnen häufig mit Dubletten, fehlenden Feldern oder Formatfehlern. Diese Kontrollen sind nützlich, beantworten aber noch nicht, was „gut genug" bedeutet. Vor jeder Bereinigung müssen fünf Fragen geklärt werden: Welche Aufgabe soll unterstützt werden? Welche Entscheidung folgt aus dem Ergebnis? Wer oder was ist betroffen? Welche Fehler sind reversibel? Welche Folgen sind nicht akzeptabel?

Für eine unverbindliche Ideensammlung dürfen Quellen lückenhaft und zeitlich grob sein. Eine automatische Zahlung braucht eindeutige Identifikatoren, korrekte Beträge, Währungen und Freigabestatus. Eine medizinische oder personalbezogene Entscheidung verlangt eine wesentlich strengere Prüfung von Relevanz, Repräsentativität, Verzerrung, Aktualität und menschlicher Kontrolle.

Qualität ist damit eine Risikoentscheidung. Je höher mögliche Schäden und je geringer die Korrigierbarkeit, desto belastbarer müssen Daten, Tests und Eskalationswege sein.

Qualitätsdimensionen sind ein Auswahlmenü

Ein zweckgebundenes Profil wählt die Dimensionen, die für das Ergebnis tatsächlich zählen:

1 · Genauigkeit: Bildet ein Wert den relevanten Sachverhalt angemessen ab? Das ist nicht dasselbe wie formale Gültigkeit.

2 · Vollständigkeit: Sind die für den Zweck benötigten Felder, Fälle und Zeiträume vorhanden? Hundert Prozent gefüllte optionale Felder helfen nicht, wenn ein kritisches Merkmal fehlt.

3 · Aktualität: Passt der Erfassungs- und Gültigkeitszeitpunkt zur Aufgabe? Eine korrekte Adresse von gestern kann für heute bereits falsch sein.

4 · Konsistenz: Stimmen Werte, Definitionen und Einheiten innerhalb und zwischen Systemen überein?

5 · Eindeutigkeit: Werden reale Entitäten stabil erkannt, ohne sie fälschlich zusammenzuführen oder zu duplizieren?

6 · Validität: Entsprechen Typ, Format, Wertebereich und erlaubte Kategorie den definierten Regeln?

7 · Integrität: Bleiben Schlüssel, Beziehungen und Ableitungen vollständig und nachvollziehbar?

8 · Repräsentativität und Abdeckung: Bilden die Daten relevante Gruppen, Situationen, Randfälle und Betriebsbedingungen hinreichend ab?

9 · Labelqualität: Sind Klassen fachlich definiert, konsistent angewendet und bei Uneinigkeit nachvollziehbar entschieden?

Keine Dimension dominiert immer. Für eine Lieferadresse kann Aktualität wichtiger sein als historische Vollständigkeit. Für eine Langzeitanalyse ist gerade die Historie unverzichtbar. Für ein Klassifikationsmodell kann seltene, aber folgenreiche Randfallabdeckung wichtiger sein als die durchschnittliche Fehlerquote.

Vom Qualitätsziel zur prüfbaren Regel

„Die Daten sehen sauber aus" ist kein Kontrollverfahren. Eine Anforderung wird erst operativ, wenn sie eine Population, Metrik, Schwelle, Messfrequenz und Reaktion besitzt.

rule_id: customer-contact-freshness
purpose: service_notification
population: active_customers
dimension: timeliness
metric: share_verified_within_180_days
threshold: ">= 0.97"
severity: high
on_failure: block_automated_dispatch
owner: data_steward_customer

Diese Regel ist wesentlich aussagekräftiger als eine grüne Ampel. Sie erklärt, welcher Bestand geprüft wurde, was gemessen wird, wann ein Ergebnis nicht akzeptabel ist und welche Handlung folgt. Ein Qualitätsbericht sollte Messwert, Schwelle, Zeitpunkt, betroffene Datensätze, Abweichung und verantwortliche Rolle enthalten.

Metriken brauchen Nenner und Kontext. „95 Prozent vollständig" ist ohne Angabe der Pflichtfelder, Population und Verteilung unbrauchbar. Wenn alle fehlenden Werte eine kleine, besonders betroffene Gruppe betreffen, verschleiert der Durchschnitt das eigentliche Risiko.

Durchschnittswerte können schlechte Daten verbergen

Aggregierte Kennzahlen sind wichtig, aber sie können lokale Fehler verdecken. Daten sollten deshalb nach relevanten Gruppen, Quellen, Zeiträumen, Regionen, Geräten oder Prozessvarianten geschichtet geprüft werden. Die Auswahl dieser Schichten darf nicht willkürlich sein; sie folgt der Aufgabe und möglichen Schadensmustern.

Repräsentativität bedeutet nicht automatisch, dass jeder Datensatz eine Bevölkerung statistisch perfekt spiegelt. Entscheidend ist, welche Population und welche Betriebsbedingungen das System abdecken soll. Für seltene Sicherheitsfälle kann gezieltes Oversampling sinnvoll sein, obwohl dadurch die Trainingsverteilung nicht der Alltagsverteilung entspricht. Dann müssen Training, Kalibrierung und spätere Bewertung diese Abweichung ausdrücklich berücksichtigen.

Trainingsdaten, Testdaten und Wissensbasen brauchen andere Kontrollen

Der Qualitätszweck verändert sich entlang des KI-Lebenszyklus. Trainingsdaten sollen ein lernbares Signal und relevante Variationen enthalten. Validierungsdaten unterstützen Modellwahl und Schwellenwerte. Testdaten müssen eine möglichst unabhängige Bewertung erlauben. Überschneidungen oder Informationslecks können Ergebnisse künstlich verbessern.

Bei Retrieval- und generativen Systemen verschiebt sich der Fokus. Eine Wissensbasis braucht gültige Quellen, stabile Herkunft, Zugriffsrechte, sinnvolle Segmentierung und Aktualisierungsprozesse. Vollständigkeit bedeutet hier nicht „alle Dokumente hochladen", sondern die für den definierten Wissensraum notwendigen und zulässigen Quellen bereitzustellen.

Auch synthetische Daten sind nicht automatisch hochwertig. Sie können Abdeckung verbessern oder sensible Originaldaten ergänzen, aber zugleich Fehler, unrealistische Muster oder Modellvorurteile vervielfältigen. Ihre Herkunft, Erzeugungsmethode und Eignung müssen separat geprüft werden.

KI erkennt Muster, definiert aber nicht die Wahrheit

KI kann Ausreißer markieren, Dubletten vorschlagen, Einheiten normalisieren, fehlende Kategorien erkennen und ungewöhnliche Verteilungen melden. Das beschleunigt die Datenarbeit, doch die Vorschläge bleiben Hypothesen. Ein extremer Messwert kann ein Sensorfehler oder ein seltener realer Zustand sein. Zwei ähnlich geschriebene Namen können dieselbe oder zwei verschiedene Personen bezeichnen.

Darum braucht jede automatische Korrektur eine nachvollziehbare Spur: Originalwert, vorgeschlagener Wert, Methode, Modell- oder Regelversion, Zeitpunkt, Begründung und Freigabe. Bei geringer Sicherheit oder hoher Fehlerfolge wird nicht automatisch überschrieben, sondern eskaliert.

Eine gute Architektur trennt Erkennung, Entscheidung und Änderung. Ein Modell entdeckt die Anomalie. Eine fachliche Regel oder verantwortliche Rolle entscheidet über ihre Bedeutung. Erst danach wird ein korrigierter, versionierter Wert erzeugt.

Qualität ist ein laufender Regelkreis

Ein einmal bereinigter Bestand bleibt nicht sauber. Quellen ändern sich, Prozesse erzeugen neue Fehler, Kategorien werden umdefiniert und die reale Welt driftet. Qualitätskontrollen müssen deshalb bei Aufnahme, Transformation, Freigabe und Nutzung wirken.

Der Regelkreis lautet: Erwartungen definieren, messen, Abweichung untersuchen, Ursache beheben, Wirkung validieren und Regeln aktualisieren. Nicht jede Abweichung verlangt dieselbe Reaktion. Manche Datensätze werden blockiert, andere gekennzeichnet, manuell geprüft oder mit Einschränkung verwendet.

Gute Datenqualität bedeutet nicht Perfektion. Sie bedeutet, dass Anforderungen begründet, Messungen reproduzierbar, Unsicherheiten sichtbar und Fehlerfolgen beherrschbar sind. Genau dadurch wird aus Datenbereinigung eine verantwortete Systemleistung.

Übungsblatt: Erstelle ein zweckgebundenes Qualitätsprofil

Wähle einen Datensatz und einen konkreten KI- oder Analysefall. Arbeite mit mindestens zehn realen oder realistischen Datensätzen.

1. Zweck und Entscheidung definieren. Beschreibe Ergebnis, betroffene Personen oder Prozesse und die schlimmste plausible Fehlerfolge.

2. Population abgrenzen. Lege fest, welche Fälle, Zeiträume und Betriebsbedingungen abgedeckt werden müssen.

3. Fünf Regeln formulieren. Jede Regel enthält Dimension, Population, Metrik, Schwelle, Messfrequenz, Fehlerreaktion und verantwortliche Rolle.

4. Geschichtet testen. Prüfe mindestens zwei relevante Teilgruppen getrennt. Vergleiche Durchschnitt und Teilgruppenwerte.

5. KI-Vorschläge kontrollieren. Lass ein System Anomalien oder Dubletten vorschlagen. Übernimm keine Änderung ohne fachliche Begründung und Protokoll.

6. Freigabeentscheidung treffen. Entscheide pro Regel: akzeptieren, mit Einschränkung verwenden, manuell prüfen oder blockieren.

Alle Materialien zum Download – die Themenübersicht und das Übungsblatt:

Einordnung: Die genannten ISO-Normen liefern fachliche Modelle und Prozesse; ihre Nennung bedeutet keine Zertifizierung. Die Anforderungen des Artikels 10 gelten nicht pauschal für jede KI-Anwendung. Qualitätsziele, Schwellenwerte und Prüfintensität müssen aus Zweck, Risiko, Betroffenen und Einsatzkontext abgeleitet werden.

Quellen und fachliche Einordnung