Stammdaten als KI-Grundlage.

Stammdaten sind das vielleicht unsexyste Thema in jedem Unternehmen — und gleichzeitig der häufigste Grund, warum KI-Projekte nicht funktionieren. Wer einen Forecast bauen will, dessen Lieferantenstammdaten in drei Systemen unterschiedlich heißen, scheitert. Wer Kundenkommunikation personalisieren will, deren Anrede in 30 Prozent der Datensätze fehlt, scheitert. Wer aus Auftragsdaten Muster ableiten will, deren Artikelnummern in Tochtergesellschaften abweichen, scheitert. KI macht aus schlechten Daten keine guten — sie skaliert die Schwächen Ihrer Stammdaten. Bevor Sie also Lizenzen für eine KI-Suite kaufen oder Beratungstage buchen, lohnt ein Blick auf das Fundament. Aber: Stammdatenperfektion ist eine Falle. Wer drei Jahre wartet, bis die Daten ideal sind, hat den Markt verpasst. In Beratungsprojekten zeigt sich immer wieder das gleiche Muster — Unternehmen oszillieren zwischen Ignorieren und Über-Engineering. Beides führt nicht zum Ziel. Pragmatisch ist der Mittelweg: gut genug für den ersten konkreten Anwendungsfall, mit klarer Verantwortung, und gezielt verbessern für die nächsten Schritte. Wie das geht, ist Gegenstand dieses Artikels.

Warum Stammdaten der Engpass sind.

Die Versuchung ist groß, KI als Magie zu betrachten, die aus chaotischen Daten Erkenntnisse zaubert. Das funktioniert in einigen Spielarten — generative Modelle können auch schlecht strukturierte Texte verarbeiten. Sobald es aber um Auswertung, Vorhersage oder Automatisierung Ihrer eigenen Geschäftsdaten geht, gilt das ältere Prinzip: garbage in, garbage out.

Konkret zeigen sich vier wiederkehrende Probleme. Erstens Inkonsistenzen — derselbe Kunde heißt im ERP „Müller GmbH“, im CRM „Müller GmbH & Co KG“ und in der Buchhaltung „MüllerKG“. KI kann diese als gleich erkennen, aber nur wenn die Trainingsdaten oder Regeln das hergeben. Zweitens Lücken — Felder, die Pflicht sein sollten, werden leer gelassen. Drittens veraltete Daten — der Ansprechpartner wechselte 2022, die Datenbank weiß nichts davon. Viertens Duplikate — derselbe Vorgang in mehreren Datensätzen.

In Beratungsprojekten wird oft sichtbar, dass die Datenqualität nicht in allen Bereichen gleich schlecht ist. Die Stammdaten der wichtigsten Kunden, die das Vertriebsteam pflegt, sind meist gut. Die der Langzeit-Kleinkunden sind miserabel. Das hat Konsequenzen für die Auswahl der ersten KI-Anwendungen — und für die Priorisierung der Datenarbeit.

Welche Stammdatenarten gibt es überhaupt?

Stammdaten sind nicht eine Sache, sondern ein Sammelbegriff für Daten, die über Vorgänge hinweg konstant bleiben. Im Mittelstand sind typischerweise fünf Kategorien relevant — mit jeweils anderen Anforderungen.

• Kundenstammdaten: Adressen, Ansprechpartner, Kundengruppen, Konditionen. Hauptproblem: Duplikate, veraltete Ansprechpartner, fehlende Anredefelder.
• Lieferantenstammdaten: Adressen, Konditionen, Zahlungsziele, Compliance-Status. Hauptproblem: Mehrere Datensätze pro Lieferant, fehlende Compliance-Informationen.
• Artikelstammdaten: Produkte mit Eigenschaften, Klassifizierungen, Maßen, Verfügbarkeiten. Hauptproblem: Inkonsistente Bezeichnungen, fehlende technische Attribute, ungültige Hierarchien.
• Personalstammdaten: Mitarbeitende mit Rollen, Abteilungen, Skills. Hauptproblem: Veraltete Zuordnungen, fehlende Skill-Erfassung.
• Finanzstammdaten: Kontenrahmen, Kostenstellen, Steuerschlüssel. Hauptproblem: Historisch gewachsene Strukturen, die niemand mehr versteht.

Welche Kategorie zuerst aufgeräumt werden sollte, hängt vom geplanten Anwendungsfall ab. Für ein KI-gestütztes Vertriebssystem sind Kundenstammdaten kritisch. Für eine intelligente Bedarfsplanung sind Artikel- und Lieferantenstammdaten entscheidend. Für ein KI-gestütztes Skill-Matching sind Personalstammdaten relevant. Es ist sinnvoll, nicht gleichzeitig alle Stammdaten aufzuräumen, sondern dem Anwendungsfall zu folgen.

Die Falle der Stammdaten-Perfektion.

In vielen mittelständischen Unternehmen ist „Stammdatenprojekt“ ein belastetes Wort. Es weckt Erinnerungen an Initiativen, die nach achtzehn Monaten Beratung, einem teuren Master-Data-Management-Tool und ergebnislosen Workshops eingestellt wurden. Das hat einen Grund: Diese Projekte wollten oft Perfektion erreichen — und scheiterten an der Realität, dass Stammdaten organisches Wesen sind, das sich nie endgültig „fertig pflegen“ lässt.

Der pragmatische Ansatz ist umgekehrt. Statt zu fragen „Wie machen wir alle Stammdaten perfekt?“ fragt man „Was muss bei welchem Stammdatensatz wie gut sein, damit unser nächster KI-Anwendungsfall funktioniert?“. Diese Frage ist beantwortbar. Sie führt zu einer kleinen, definierten Datenputzaktion statt einem Mammutprojekt.

Ein konkretes Beispiel: Ein Maschinenbauer wollte KI für die Reklamationsanalyse einsetzen. Statt drei Jahre lang sämtliche Stammdaten zu pflegen, wurde ein Workshop mit der Qualitätssicherung gemacht. Ergebnis: Für den Anwendungsfall waren primär Artikelhierarchien und Fehlerkategorien wichtig. Andere Felder durften unsauber bleiben. Die fokussierte Datenputzaktion dauerte acht Wochen statt drei Jahre — und reichte für den Pilot.

Dieser fokussierte Ansatz hat einen weiteren Vorteil: Er schafft Erfolgserlebnisse. Mitarbeitende sehen, dass die Datenarbeit zu etwas Konkretem führt. Das macht spätere Stammdateninitiativen leichter, weil die Bereitschaft, mitzuwirken, steigt.

Vier Dimensionen, an denen sich Qualität misst.

Wenn man Stammdatenqualität nicht abstrakt, sondern konkret prüfen will, helfen vier Dimensionen. Sie sind die Grundlage jeder Datenqualitätsmessung, lassen sich pragmatisch erheben und führen zu klaren Maßnahmen.

Diese vier Dimensionen sind kein Selbstzweck. Sie sind Werkzeug, um in einem Workshop mit den verantwortlichen Fachabteilungen festzulegen, was „gut genug“ bedeutet. Vielleicht reicht 80 Prozent Vollständigkeit für einen bestimmten Use Case, vielleicht braucht es 99 Prozent. Vielleicht ist Aktualität egal, vielleicht ist sie kritisch.

Wichtig ist, diese Schwellenwerte vorab zu definieren — bevor das KI-Projekt startet. Denn nur dann lässt sich entscheiden: Sind die Daten reif? Müssen wir investieren? Wie lange dauert das? Wer das nicht macht, läuft Gefahr, mitten im Projekt zu merken, dass die Daten nicht ausreichen — und dann ist die Diskussion belastet, weil sie unter Zeitdruck stattfindet.

Wer pflegt eigentlich die Daten? Verantwortung als Knackpunkt.

Datenqualität ist nicht primär ein technisches, sondern ein Organisationsproblem. Wenn niemand sich für ein Datenfeld verantwortlich fühlt, wird es nicht gepflegt — egal wie teuer das Stammdaten-Tool war.

Das Konzept des Data Ownership ist dafür der zentrale Hebel. Pro Stammdatenkategorie wird eine Person oder Rolle benannt, die fachlich verantwortlich ist. Im Mittelstand sind das oft Abteilungsleitungen, manchmal Sachbearbeitende mit langer Erfahrung. Die Rolle muss nicht groß sein — fünf bis zehn Prozent einer Vollzeitstelle reichen oft.

Wichtig ist, was diese Rolle leistet: Sie definiert Standards (welche Felder müssen wie gefüllt sein), kontrolliert stichprobenartig die Qualität, ist Eskalationsinstanz bei Konflikten zwischen Abteilungen, und entscheidet bei Konsolidierungen. Sie pflegt nicht selbst jeden Datensatz — das machen weiterhin Sachbearbeiter im Tagesgeschäft.

Ein häufiger Fehler ist, die Verantwortung in die IT zu legen. Die IT kann Werkzeuge bereitstellen, aber sie kann nicht wissen, ob ein Kundendatensatz fachlich korrekt ist. Ein anderer Fehler ist, die Verantwortung formal zu vergeben, ohne sie mit Zeit, Autorität und Kennzahlen auszustatten. Wer als Datenverantwortlicher benannt wird, ohne dass es jemand misst, wird die Aufgabe in der Praxis nicht ernst nehmen.

Werkzeuge: Vom Excel zum Master-Data-Management.

Die Toolfrage steht oft am Anfang einer Stammdaten-Diskussion — fälschlicherweise. Werkzeuge ohne klare Rollen und Standards bringen nichts. Aber wenn die Grundlagen stehen, lohnt der Blick auf das Spektrum.

• Excel und manuelle Prüfungen: Funktioniert bei unter 5.000 Datensätzen pro Kategorie und stabilem Datenmodell. Vorteil: keine Investition, hohe Akzeptanz. Nachteil: anfällig für Fehler, schlechte Audit-Spur.
• ERP- oder CRM-eigene Funktionen: Viele moderne Systeme haben Validierungs- und Dublettenprüfungen eingebaut. Vorteil: integriert, ohne zusätzliche Lizenz. Nachteil: pro System, keine systemübergreifende Sicht.
• Spezialisierte Master-Data-Management-Tools: Stibo, Informatica, Riversand und andere. Vorteil: leistungsfähig, systemübergreifend. Nachteil: teuer, einführungsintensiv.
• Light-MDM oder Open-Source-Ansätze: Pimcore, Akeneo (für Produktstammdaten). Vorteil: niedriger Einstieg, gute Erweiterbarkeit. Nachteil: erfordert IT-Kompetenz.

Die Empfehlung für die meisten Mittelständler: Beginnen Sie mit den Bordmitteln Ihres ERP und CRM. Erweitern Sie, wenn der Schmerz konkret wird — nicht prophylaktisch. Ein 200.000-Euro-MDM-Tool für 30.000 Kundendatensätze ist Overkill und verbraucht Budget, das anderswo mehr Nutzen schafft.

Was Sie ehrlicherweise wissen sollten.

Stammdatenarbeit ist nie abgeschlossen. Jedes neue System bringt neue Felder, jede Akquisition neue Datenstrukturen, jede Marktveränderung neue Anforderungen. Wer denkt, ein Projekt aufzusetzen und in einem Jahr die Sache erledigt zu haben, wird enttäuscht.

Außerdem: Selbst bei guter Pflege bleiben Stammdaten in lebenden Unternehmen zu fünf bis zehn Prozent fehlerhaft. Das ist keine Mathematik, sondern Erfahrung. Mitarbeitende sind im Tagesgeschäft, die Welt verändert sich, die Realität läuft den Daten immer einen Schritt voraus. Eine KI-Anwendung muss damit umgehen können — entweder durch Toleranz oder durch eingebaute Validierungsschritte.

Und schließlich: Manche Anwendungsfälle scheitern unrettbar an schlechten Stammdaten. Wer aus Daten Erkenntnisse ableiten will, die in den Daten gar nicht enthalten sind oder durch Inkonsistenzen verzerrt werden, kann mit noch so guter KI nichts mehr retten. In diesen Fällen ist die ehrliche Empfehlung: Erst Daten, dann KI.

Pragmatischer Einstieg in den nächsten Monaten.

Wenn Stammdaten in Ihrem Unternehmen bisher keine zentrale Rolle gespielt haben, drei konkrete Schritte für die nächsten drei bis sechs Monate.

Erstens: Identifizieren Sie den nächsten ernsthaften KI-Anwendungsfall. Ohne konkrete Anwendung lässt sich Stammdatenpriorität nicht setzen. Es geht nicht darum, alle Daten aufzuräumen, sondern die richtigen.

Zweitens: Machen Sie eine ehrliche Bestandsaufnahme der für diesen Anwendungsfall relevanten Stammdaten. Wo liegen sie? Wer pflegt sie? Wie ist der Stand bei Vollständigkeit, Konsistenz, Aktualität, Validität? Dieses Audit dauert in der Regel ein bis drei Wochen und liefert die Grundlage für alle weiteren Entscheidungen.

Drittens: Definieren Sie pro Stammdatenkategorie genau eine verantwortliche Person — keine Abteilung, kein Komitee. Diese Person bekommt ein klares Mandat, ein paar Wochen Vorlaufzeit und das Ziel, die Datenqualität in einem definierten Korridor zu halten. Sie braucht Werkzeuge, aber sie braucht vor allem Rückendeckung der Geschäftsleitung. Ohne diese Rückendeckung verpufft jede Initiative im Tagesgeschäft.

Stammdaten sind kein glamouröses Thema. Aber sie sind die Voraussetzung dafür, dass aus KI-Initiativen Wertschöpfung wird, statt teurer Pilote, die im Sande verlaufen. Wer das ernst nimmt, beginnt mit dem fundamentalen, nicht mit dem spektakulären.

Sie wollen vor dem nächsten KI-Projekt eine ehrliche Standortbestimmung Ihrer Stammdaten machen? Unverbindlich anfragen — wir prüfen gemeinsam, wo Ihre Datenbasis steht, welche Lücken die kommenden Anwendungsfälle blockieren und welche Schritte tatsächlich helfen.