Wie Unternehmen ihre Datenqualität gezielt verbessern
Viele Unternehmen sammeln enorme Mengen an Daten – nutzen sie aber kaum für bessere Entscheidungen. Im Interview erklärt Supply-Chain-Experte Ingo Glawe, warum Datenqualität im Einkauf zur strategischen Grundlage wird, welche typischen Fehler Unternehmen machen und wie sich mit einfachen Schritten Transparenz, Prognosefähigkeit und Lieferperformance deutlich verbessern lassen.
Kannst du ein konkretes Kundenbeispiel nennen, bei dem bessere Datenqualität im Einkauf und Supply Chain Management zu messbaren Einsparungen oder besserer Lieferperformance geführt hat?
Ohne eine gewisse Mindestqualität der Daten lassen sich viele Verbesserungen im Einkauf und in der Supply Chain gar nicht sauber umsetzen. Der größte Hebel liegt oft nicht sofort in „mehr Einsparung durch Daten“, sondern in schnellerer und qualitativ besserer Umsetzung. Wenn Unternehmen bessere Daten haben, können sie Bedarfe, Bestände, Lieferantenleistungen und Kundenreaktionen deutlich besser einordnen und dadurch schneller und effizienter reagieren. Das verbessert auch die Lieferperformance.
An welchem konkreten KI-Anwendungsfall wird der Nutzen guter Daten am deutlichsten sichtbar?
Besonders deutlich wird der Nutzen bei Prognosen, etwa in der Bedarfs- und Kapazitätsplanung. Gerade dort zeigt sich: KI ist nur so gut wie die Datenbasis. Wenn schlechte oder lückenhafte Daten eingespeist werden, also z.B. nur die reinen Verbrauchsdaten ohne Meta-Daten, kommen auch schlechte Ergebnisse heraus. Gute Daten sind deshalb kein „Nice-to-have“, sondern die Voraussetzung dafür, dass KI im Einkauf und in der Supply Chain überhaupt belastbare Ergebnisse liefern kann.
Welche drei typischen Datenqualitätsprobleme begegnen euch am häufigsten? Und wie geht ihr vor, um systematisch Transparenz zu schaffen?
Die drei häufigsten Probleme sind erstens: Es fehlen wichtige Daten komplett. Zweitens: Es gibt zwar viele Daten, aber sie sind nicht bereinigt, nicht einheitlich und oft nicht verlässlich. Drittens: Die Daten liegen in zu vielen Systemen und Quellen verteilt, ohne klaren „Source of Truth“.
Um Transparenz zu schaffen, schauen wir uns zuerst den Prozess und die Datenquellen an. Danach prüfen wir, welche Daten tatsächlich benötigt werden, um daraus belastbare Informationen und Entscheidungen abzuleiten. Im nächsten Schritt versuchen wir, zentrale und verlässliche Datenquellen zu identifizieren und die Daten möglichst dort zu bündeln, wo die Qualität der Daten am höchsten ist, etwa in der Buchhaltung oder in definierten ERP-Strukturen.
Warum ist die Bereinigung von Lieferantenstammdaten so wichtig – und wie geht ihr konkret bei Dubletten, unterschiedlichen Schreibweisen und unvollständigen Datensätzen vor?
Lieferantenstammdaten sind eine zentrale Grundlage für Transparenz und Steuerbarkeit. Wenn ein Lieferant mehrfach im System auftaucht, Namen unterschiedlich geschrieben sind oder Datensätze unvollständig sind, wird jede Auswertung ungenau.
Bei wenigen Dubletten kann man noch manuell arbeiten. Bei größeren Datenmengen braucht es dafür Tools oder auch KI-gestützte Ansätze, um Dubletten und ähnliche Datensätze zu erkennen. Unterschiedliche Schreibweisen lassen sich besser in den Griff bekommen, wenn Freitext reduziert und in standardisierte Felder überführt wird. Bei unvollständigen Datensätzen braucht es klare Prozesse: Es muss definiert sein, welche Quelle herangezogen wird und wie fehlende Daten systematisch ergänzt und geprüft werden.
Wie strukturiert ihr Warengruppen- und Materialdaten, damit Ausgaben und Bedarfe richtig ausgewertet werden können?
Hier geht es vor allem um Standardisierung. Für Warengruppen gibt es in vielen Branchen bereits etablierte Klassifizierungen, die genutzt werden können. Entscheidend ist, dass Material- und Warengruppendaten einheitlich gepflegt und nach klaren Regeln strukturiert werden. In größeren Unternehmen gibt es dafür oft eigene Funktionen oder Verantwortlichkeiten, etwa im Einkauf, Controlling oder in der IT, die sicherstellen, dass diese Daten konsistent gepflegt und belastbar ausgewertet werden können.
Welche Mindestinformationen müssen bei Lieferanten-, Material- oder Bestelldaten künftig verpflichtend gepflegt werden – und wie stellt ihr sicher, dass neue Daten einheitlich und sauber erfasst werden?
Wichtig ist vor allem, dass Pflichtfelder klar definiert sind und die Datenerfassung möglichst standardisiert läuft. Das kann über EDI, APIs, Lieferantenportale oder standardisierte Eingabemasken erfolgen. Ziel ist, den manuellen Eingriff so weit wie möglich zu reduzieren, weil dort die meisten Fehler entstehen. Idealerweise werden Daten direkt aus digitalen Quellen übernommen, statt sie von Hand neu einzugeben. Gleichzeitig braucht es einen klaren Prozess, der vorgibt, wie neue Stammdaten angelegt, geprüft und freigegeben werden.
Was bedeutet „Datenveredelung“ konkret im Zusammenhang mit Einkaufs- und Supply-Chain-Daten?
Datenveredelung geht über reine Bereinigung hinaus. Es geht darum, Daten so anzureichern, zu verknüpfen und nutzbar zu machen, dass daraus echte Steuerungsinformationen entstehen. In der Supply Chain ist das eng mit Transparenz und Reaktionsfähigkeit verbunden. Die Vision ist, Lieferketten möglichst in Echtzeit zu verstehen: Wo befindet sich ein Material? Welche Sendung ist betroffen? Welche Konsequenz hat eine Störung für Bestände, Kunden oder Produktionspläne? Datenveredelung bedeutet also, aus einzelnen Datensätzen entscheidungsrelevante Informationen zu machen.
Welche zentralen Kennzahlen entstehen erst durch gute Datenqualität?
Gute Datenqualität ist die Voraussetzung dafür, Kennzahlen wie Verbrauch, Lieferperformance, Bestände, Reichweiten oder Service Level überhaupt belastbar zu ermitteln. Viele Kennzahlen scheitern nicht am Reporting, sondern an der Datenbasis. Wenn Daten über Abteilungen hinweg nicht zusammenpassen, lassen sich weder Bestände sauber steuern noch Lieferleistungen realistisch bewerten. Gute Daten machen solche Kennzahlen erst wirklich nutzbar.
Wie integriert ihr externe Datenquellen – etwa Marktpreise oder Risikoinformationen aus News-Feeds – in die Datenbasis, und welchen Mehrwert bringt das für Einkauf und Supply Chain?
Externe Datenquellen spielen vor allem auf strategischer Ebene eine Rolle, etwa bei Marktanalysen, Preisentwicklungen oder Risikoeinschätzungen. Das läuft aus unserer Sicht häufig nicht als permanente operative Live-Anbindung, sondern eher als gezielte Ergänzung für strategische Entscheidungen. Unternehmen kaufen Daten ein, nutzen Marktinformationen oder News-basierte Risikohinweise, um bessere Einkaufs- und Supply-Chain-Strategien abzuleiten. Der Mehrwert liegt also vor allem in fundierteren Entscheidungen, weniger im permanenten operativen Datentransfer.
Wie stellt ihr sicher, dass die erreichte Datenqualität nach Projektende nicht wieder verfällt? Welche Technologien oder Tools nutzt ihr – und was sind typische Fallstricke?
Datenqualität bleibt nur stabil, wenn ein robuster Prozess dahintersteht. Dazu gehören klare Regeln, eine Governance-Struktur und idealerweise eine zentrale, verlässliche Datenquelle. Nicht jeder darf Daten nach Belieben ändern. Es braucht definierte Zuständigkeiten, Freigaben und Workflows.
Tools können dabei unterstützen, aber sie sind nicht der Kern der Lösung. Der größte Fallstrick ist der Glaube, dass ein neues System das Problem automatisch löst. In Wirklichkeit scheitert es meistens nicht am Tool, sondern an fehlenden Prozessen, unklaren Verantwortlichkeiten und mangelnder Governance.
Welche typischen Fehler machen Unternehmen, wenn sie versuchen, ihre Datenqualität dauerhaft hochzuhalten?
Der häufigste Fehler ist, zu glauben, dass ein neues Tool oder eine KI-Anwendung das Problem automatisch löst. Wenn Prozesse, Governance und Change Management fehlen, bleibt die Datenqualität trotzdem schlecht. Viele Unternehmen investieren in Systeme, aber nicht in die organisatorischen Voraussetzungen, damit diese Systeme auch sauber funktionieren.
Abseits von Technik und Prozessen: Welche zwischenmenschlichen oder organisatorischen Bremsen erlebt ihr am häufigsten auf dem Weg zu besserer Datenqualität?
Der wichtigste Faktor ist die Unterstützung durch das Top-Management. Wenn Führungskräfte die Regeln im Alltag selbst umgehen oder Prozesse aus kurzfristigem Druck heraus aushebeln, bricht das System schnell zusammen. Dann helfen die besten Datenmodelle und Governance-Strukturen nichts. Datenqualität funktioniert nur dann dauerhaft, wenn die Organisation – und vor allem das Management – die Regeln mitträgt und konsequent unterstützt.
Wo sollten Unternehmen anfangen, wenn Zeit und Ressourcen knapp sind – was bringt den schnellsten Effekt für die Datenqualität?
Unternehmen sollten dort anfangen, wo der größte Hebel liegt: also dort, wo die Datenprobleme heute den größten Schaden verursachen oder wo die Verbesserung die meiste Wirkung zeigt. Das kann je nach Unternehmen im Einkauf, im Vertrieb, in der Disposition oder in einer anderen Funktion sein. Wichtig ist, nicht mit einem kleinen Nebenthema zu starten, das kaum Wirkung hat. Sinnvoll ist oft ein Pilot in einem überschaubaren Bereich, der schnell sichtbare Ergebnisse liefert. So entsteht ein Leuchtturmprojekt, das intern Glaubwürdigkeit schafft und den Weg für eine breitere Umsetzung ebnet.
Hier mehr über unsere Supply-Chain-Beratung!
Kontakt:
Kloepfel by EPSA
Damir Berberovic
Tel.: 0211 941 984 33 | Mail: rendite@kloepfel-consulting.com