In fast jedem CAFM-Projekt kommt irgendwann der Moment, in dem jemand sagt: “Wir müssen erst mal die Daten sauber bekommen.” Es klingt vernünftig. Es klingt nach Sorgfalt. Und es ist oft der Anfang vom Ende.
Denn “sauber” ist kein Ziel. Es ist eine Fata Morgana. Je näher man ihr kommt, desto weiter rückt sie weg.
Die Flächen sind erfasst? Aber sind auch die Nutzungsarten korrekt? Die Anlagen sind drin? Aber stimmen die Herstellerdaten? Die Wartungsintervalle sind gepflegt? Aber wer hat geprüft, ob sie noch den aktuellen Normen entsprechen?
Wer auf perfekte Daten wartet, wartet ewig.
Das Paradox der Datenqualität
Hier liegt ein Denkfehler, der viele Projekte lähmt: Die Annahme, dass Datenqualität ein Zustand ist, den man erreicht, bevor man mit der eigentlichen Arbeit beginnt.
In Wahrheit ist es umgekehrt.
Datenqualität entsteht durch Nutzung. Erst wenn Menschen regelmäßig mit Daten arbeiten, fallen Fehler auf. Erst wenn Reports gelesen werden, fragt jemand: “Warum steht da 0 Quadratmeter?” Erst wenn Workflows greifen, merkt man, dass ein Feld fehlt.
Ein System, das nicht genutzt wird, hat keine schlechten Daten. Es hat tote Daten. Und tote Daten werden nicht besser, wenn man sie länger liegen lässt.
Die drei Dimensionen von “gut genug”
Statt Perfektion anzustreben, hilft es, Datenqualität als Frage der Passung zu verstehen. Passen die Daten zu dem, was wir damit tun wollen?
Das führt zu drei praktischen Fragen.
Erstens: Vollständigkeit – aber wofür?
100 Prozent Vollständigkeit klingt gut. Aber sie ist teuer und oft unnötig. Die Frage ist nicht: Haben wir alle Daten? Die Frage ist: Haben wir die Daten, die wir für unsere wichtigsten Prozesse brauchen?
Für das Flächenmanagement brauche ich vollständige Flächendaten. Für die Instandhaltung brauche ich vollständige Anlagendaten. Aber nicht alles muss gleichzeitig perfekt sein.
Ein pragmatischer Ansatz: Kernprozesse identifizieren, Datenanforderungen ableiten, dort priorisieren. Der Rest kann wachsen.
Zweitens: Aktualität – aber wie aktuell?
Manche Daten müssen tagesaktuell sein. Störmeldungen, Belegungen, offene Tickets. Andere ändern sich selten. Gebäudestrukturen, Anlagentypen, Vertragslaufzeiten.
Ein häufiger Fehler: Alles mit derselben Akribie pflegen. Das erschöpft die Organisation und bringt wenig. Besser: Kritische Daten eng monitoren, stabile Daten in längeren Zyklen prüfen.
Drittens: Konsistenz – aber welche Abweichung ist tolerabel?
Wenn zehn Techniker Störmeldungen erfassen, werden zehn leicht unterschiedliche Schreibweisen entstehen. “Heizung defekt”, “Heizung ausgefallen”, “Heizungsanlage Störung”. Ist das ein Problem?
Es kommt darauf an. Für die Bearbeitung der einzelnen Meldung: nein. Für eine Auswertung nach Störungsarten: ja.
Konsistenz ist dort wichtig, wo aggregiert und analysiert wird. Nicht überall.
Ein anderer Blick auf Messbarkeit
Wenn Perfektion kein Ziel ist, braucht man andere Maßstäbe. Hier sind vier Metriken, die in der Praxis helfen.
Nutzbare Vollständigkeit. Nicht: Wie viel Prozent aller möglichen Felder sind gefüllt? Sondern: Wie viel Prozent der prozessrelevanten Felder sind gefüllt? Ein Anlagendatensatz ohne Foto ist unvollständig. Aber wenn der Wartungsworkflow funktioniert, ist er “gut genug”.
Fehlerquote in der Anwendung. Wie oft scheitern Prozesse an falschen oder fehlenden Daten? Wie oft muss jemand nachfragen, korrigieren, improvisieren? Das ist der ehrlichste Indikator.
Vertrauensniveau. Glauben die Nutzer den Daten im System? Oder prüfen sie grundsätzlich nach? Dieses Vertrauen lässt sich nicht direkt messen, aber erfragen. Es ist der Unterschied zwischen einem lebendigen und einem ignorierten System.
Zeit bis zur Korrektur. Wie lange dauert es, bis ein erkannter Fehler behoben ist? Tage, Wochen, nie? Diese Metrik zeigt, ob Datenqualität als laufende Aufgabe verstanden wird oder als einmaliges Projekt.
Der Weg zu besseren Daten
Datenqualität verbessert sich nicht durch Appelle. Sie verbessert sich durch Strukturen.
Klare Verantwortlichkeiten. Jemand muss für jeden Datenbereich zuständig sein. Nicht generell “das System”, sondern konkret: Flächendaten, Anlagendaten, Vertragsdaten. Namen, nicht Funktionen.
Eingabequalität vor Bereinigung. Es bringt wenig, Daten aufzuräumen, wenn dieselben Fehler morgen wieder entstehen. Erst die Eingabeprozesse stabilisieren: Pflichtfelder, Plausibilitätsprüfungen, klare Vorgaben. Dann bereinigen.
Regelmäßige Reviews statt Einmal-Aktionen. Ein jährlicher “Daten-Frühjahrsputz” ist besser als nichts. Aber ein monatlicher Blick auf Schlüsselkennzahlen ist besser als ein jährlicher Kraftakt.
Feedback-Schleifen etablieren. Wer einen Fehler findet, muss ihn einfach melden können. Und sehen, dass etwas passiert. Sonst hört das Melden auf.
Die eigentliche Frage
Hinter jeder Diskussion über Datenqualität steht eine unbequeme Frage: Wollen wir wirklich wissen, was los ist?
Saubere Daten zeigen Wahrheiten. Dass Wartungen überfällig sind. Dass Flächen ineffizient genutzt werden. Dass Verträge ungünstig laufen. Manchmal ist das Chaos in den Daten auch ein Schutz vor dem Chaos in der Realität.
Datenqualität verbessern heißt auch: bereit sein, hinzuschauen.
Praktisch anfangen
Wer morgen mit besserer Datenqualität starten will, braucht keinen Masterplan. Drei Schritte reichen für den Anfang.
Erstens: Einen Prozess auswählen, der wichtig ist und regelmäßig läuft. Zum Beispiel die monatliche Wartungsplanung.
Zweitens: Prüfen, welche Daten dieser Prozess braucht. Und wie vollständig, aktuell und konsistent sie sind. Ehrlich.
Drittens: Die drei gravierendsten Lücken schließen. Nicht alle. Drei.
Dann wiederholen.
Das klingt unspektakulär. Aber nach sechs Monaten ist mehr passiert als bei manchem Großprojekt.
Im nächsten Artikel schauen wir auf ein Thema, das viele FM-Abteilungen umtreibt: KI im Facility Management. Was davon Hype ist – und was heute schon funktioniert.