Wer KI will, muss erst aufräumen

„Stammdaten sind die Grundlage für alles – auch wenn das zunächst nicht besonders attraktiv klingt“, sagt Julia Löthgren, Master Data Management bei NTT DATA in Bielefeld. Im Gespräch erläutert die Expertin, warum Datenqualität die Voraussetzung für KI, Nachhaltigkeit und erfolgreiche Innovation ist – und weshalb professionelles Stammdatenmanagement Prozesse nicht ausbremst, sondern beschleunigt.

Frau Löthgren, warum sind gutes Stammdatenmanagement und hohe Datenqualität die Basis für KI und Nachhaltigkeit?

Stammdaten umfassen unter anderem Produkt- und Geschäftspartnerdaten, aber auch Objekte wie Stücklisten etc. – also genau jene Informationen, die in nahezu allen Prozessen und Systemen weiterverwendet werden. Ist etwa eine E-Mail-Adresse falsch hinterlegt, kommt eine Nachricht nicht an – so einfach ist das. Mit einer sauberen Datenbasis sparen Unternehmen Zeit und damit Kosten. Wenn beispielsweise Materialkosten oder Stücklisten nicht stimmen, dann stimmen am Ende auch die Auswertungen und Entscheidungen nicht. Deshalb ist die Datenbasis so entscheidend. KI ohne gute Daten funktioniert nicht. Und auch Nachhaltigkeitsreportings sind ohne saubere Datengrundlage quasi wertlos. Wenn ich zum Beispiel meinen CO₂-Fußabdruck berechnen möchte, aber die Stücklisten nicht korrekt gepflegt sind, kommt am Ende zwangsläufig ein falsches Ergebnis heraus. Hinzu kommt das Thema Datenschutz und Sicherheit. Unternehmen müssen sensibel mit Daten umgehen, DSGVO-konform arbeiten und gleichzeitig sicherstellen, dass niemand unbefugt Zugriff erhält. Stammdatenmanagement bedeutet also nicht nur Pflege, sondern auch Verantwortung.

Wie verändert die zunehmende Nutzung von KI den Stellenwert von Datenqualität in Unternehmen?

Aktuell ist der Druck noch nicht überall spürbar – aber er wird kommen. Ein möglicher Use Case ist, dass Unternehmen sich von einer KI Handlungsempfehlungen erstellen lassen: Welche Produkte laufen gut? Welche sollte man vielleicht vom Markt nehmen? Wenn in solchen Fällen die Materialkosten falsch hinterlegt sind oder andere Stammdaten nicht stimmen, kann die KI eine strategisch falsche Empfehlung geben. Und die große Gefahr ist, dass Menschen diese Empfehlung nicht mehr ausreichend hinterfragen. Datenqualität war schon immer wichtig für gute Entscheidungen. Aber mit KI steigt das Risiko, sich blind auf Ergebnisse zu verlassen. Genau deshalb wird die Qualität der Daten künftig noch stärker in den Fokus rücken.

Wird KI den Druck erhöhen, die Datenbasis zu professionalisieren?

Langfristig ja. Viele Unternehmen investieren viel Budget in Innovations- und Transformationsprojekte – das klingt spannend, das ist sichtbar. Die Grundlage dafür, also saubere Stammdaten, bekommt oft weniger Aufmerksamkeit. Dabei ist es wie bei einem Haus: Wenn das Fundament nicht stimmt, dann steht das Gebäude nicht stabil. Stammdatenmanagement ist vielleicht nicht besonders attraktiv. Man investiert Geld und hat am Ende keinen „Porsche“, der sichtbar vor der Tür steht. Der Wert ist weniger greifbar – aber er ist da.

Welche Bausteine im Datenmanagement schaffen langfristig Stabilität und Vertrauen?

Ein zentraler Baustein sind klare Verantwortlichkeiten. Es braucht eine Governance-Struktur – also eine Instanz, die festlegt, wie Daten angelegt und gepflegt werden müssen. Unsere Empfehlung ist meist eine zentrale Governance mit dezentraler Pflege: Die Regeln werden zentral definiert, gepflegt wird dort, wo das Fachwissen sitzt. Wichtig ist außerdem eine „Single Source of Truth“ – eine verlässliche Datenquelle, auf die sich alle verlassen können. Und ganz entscheidend: Automatisierung. Natürlich kann man Regeln definieren. Aber wenn sie nur im Kopf einzelner

Mitarbeitender existieren, wird es schwierig. Viele Unternehmen haben Mitarbeitende, die seit 20 Jahren im Haus sind und genau wissen, wie Daten korrekt anzulegen sind – aber dieses Wissen ist nicht dokumentiert. Toolgestützte Prozesse mit hinterlegten Regeln und Workflows sorgen dafür, dass nur vollständige und regelkonforme Datensätze ins System gelangen. So bleibt die Qualität langfristig stabil.

Wie können Unternehmen ihr Stammdatenmanagement unterstützen – und was ist zu beachten?

Wir begleiten Kundinnen und Kunden entlang einer klar strukturierten „Master Data Management“-Journey. Der erste Schritt ist oft ein Discovery Call oder Workshop: Wo steht das Unternehmen? Wie ist das Verständnis für Datenqualität? Welche Pain Points gibt es? Darauf folgt meist eine Analyse – idealerweise programmgestützt, weil man damit schneller und fehlerärmer arbeitet. KI kann hier unterstützen, etwa beim Finden von Dubletten oder bei der Anreicherung von Daten. Doch Bereinigung allein reicht nicht. Die größere Herausforderung ist es, die Daten dauerhaft sauber zu halten. Ohne klare Organisation, definierte Prozesse und ein unterstützendes Tool läuft man Gefahr, nach einiger Zeit wieder von vorne anfangen zu müssen. Ein gutes Tool vereinfacht die Dateneingabe, reduziert unnötige Felder und stellt sicher, dass unvollständige Materialien oder Geschäftspartner gar nicht erst angelegt werden können. Das erzeugt natürlich einen gewissen Druck – aber einen sinnvollen. Denn so spart man sich später mehrfaches Nacharbeiten in Folgeprozessen, sodass diese effizienter und ohne Unterbrechungen laufen. Dies schont Ressourcen, spart Zeit und Geld.

Welche organisatorischen Hürden erschweren wirksames Stammdatenmanagement – gerade in innovationsgetriebenen Unternehmen?

Häufig fehlen klare Prozesse, Verantwortlichkeiten oder das passende Budget. Oft ist auch keine ausreichende Unterstützung des Managements vorhanden. In innovationsgetriebenen Unternehmen liegt der Fokus stark auf Prototypen und Projektideen. Die Grundlage – also die Daten – wird dabei manchmal vernachlässigt. Stammdatenpflege wirkt wie eine Fleißaufgabe, die nicht besonders spannend ist. Das Gefährlichste ist tatsächlich, es einfach laufen zu lassen und davon auszugehen, dass es „schon irgendwie passt“. Meistens passt es leider nicht.

Wie überzeugen Sie Innovationsteams, sich mit Stammdaten statt nur mit Ideen und Prototypen zu beschäftigen?

Ich würde sagen: Stammdaten bilden den Unterschied zwischen einem Prototypen und einem fertigen Produkt. In der Entwicklung testet man häufig einen klar definierten Use Case mit ausgewählten Testdaten. Ob eine Lösung im Live-Betrieb mit realen Daten funktioniert, zeigt sich erst später. Stammdaten sind deshalb kein Gegenspieler von Innovation, sondern ihr Beschleuniger. Mit einer sauberen Datengrundlage verkürzt sich die Time-to-Market und reduziert die Fehleranfälligkeit. Oder anders gesagt: Wenn man eine erfolgreiche Innovation auf den Markt bringen möchte, muss die Grundlage stimmen. Dann wird die Umsetzung leichter, schneller und erfolgreich. Denn am Ende gilt: Nichts geht ohne Daten. Und gute Daten entstehen nicht zufällig, sondern nur durch strukturiertes Stammdatenmanagement.