Es gibt zwei Arten von Unternehmen.
Die einen sagen: “Unsere Daten sind grundsätzlich in Ordnung, hier und da gibt es Lücken.” Die anderen sagen: “Wir wissen, dass es ein Problem gibt, aber wir wissen nicht, wie groß.”
Beide liegen meistens falsch.
Die ersten unterschätzen das Problem. Die zweiten überschätzen es manchmal – oder unterschätzen es an den falschen Stellen.
Ein Daten-Audit bringt Klarheit. Nicht Klarheit im Sinne von “alles wird gut”, sondern Klarheit im Sinne von “jetzt wissen wir, womit wir es zu tun haben”.
Das ist der erste Schritt zu jeder Verbesserung.
Was ein Daten-Audit ist – und was nicht
Ein Daten-Audit ist keine Hexerei. Es ist eine systematische Bestandsaufnahme der Datenqualität in definierten Bereichen.
Was es ist:
Eine strukturierte Analyse, die zeigt: Wie vollständig sind die Daten? Wie aktuell? Wie konsistent? Wo gibt es kritische Lücken? Wo Dubletten? Wo offensichtliche Fehler?
Das Ergebnis ist keine vage Einschätzung, sondern eine Scorecard mit konkreten Zahlen. 78% Vollständigkeit bei Anlagenstammdaten. 340 Dubletten in der Flächendatenbank. 12% der Verträge ohne hinterlegte Kündigungsfrist.
Was es nicht ist:
Ein Audit ist keine Bereinigung. Es zeigt die Probleme, löst sie aber nicht. Das kommt danach.
Ein Audit ist auch kein Urteil. Es geht nicht darum, Schuldige zu finden. Es geht darum zu verstehen, wo man steht.
Und ein Audit ist keine Vollkontrolle jedes einzelnen Datensatzes. Das wäre unbezahlbar und unnötig. Stattdessen: Systematische Stichproben, statistische Hochrechnungen, Plausibilitätsprüfungen.
Wie ein Daten-Audit abläuft
Der Ablauf variiert je nach Umfang und Zielsetzung. Aber die Grundstruktur ist ähnlich.
Phase 1: Scope definieren
Nicht alles gleichzeitig. Welche Datenbereiche sind kritisch? Wo vermutet man die größten Probleme? Wo hätte bessere Datenqualität den größten Hebel?
Typische Bereiche: Anlagenstammdaten, Flächendaten, Vertragsdaten, Wartungshistorien, Organisationszuordnungen.
Man wählt zwei bis vier Bereiche aus. Fokus schlägt Vollständigkeit.
Phase 2: Daten extrahieren
Die relevanten Daten werden aus dem System gezogen. Oft als Export, manchmal über Datenbankzugriff. Parallel dazu: Dokumentation der Datenstruktur. Welche Felder gibt es? Welche sind Pflicht? Welche Auswahllisten existieren?
Phase 3: Automatisierte Prüfung
Standardprüfungen, die maschinell laufen. Vollständigkeit: Wie viele Pflichtfelder sind leer? Dubletten: Gibt es mehrfache Einträge für dasselbe Objekt? Plausibilität: Liegt das Baujahr in der Zukunft? Ist die Fläche negativ? Konsistenz: Passen die Zuordnungen zusammen? Verweisen Anlagen auf Räume, die es nicht gibt?
Diese Prüfungen liefern harte Zahlen. Keine Interpretationen, nur Fakten.
Phase 4: Manuelle Stichproben
Nicht alles lässt sich automatisieren. Manche Fehler erkennt man nur, wenn ein Mensch hinschaut.
Stichprobenartig werden Datensätze geprüft: Stimmt die Anlagenbezeichnung mit der Realität überein? Ist der eingetragene Standort korrekt? Entspricht die dokumentierte Wartungshistorie dem, was tatsächlich passiert ist?
Diese Phase ist aufwändiger, aber sie liefert Tiefe.
Phase 5: Analyse und Verdichtung
Die Einzelergebnisse werden zusammengeführt. Wo sind die Muster? Welche Fehlerarten treten gehäuft auf? Welche Bereiche sind solide, welche kritisch?
Das Ergebnis ist eine Scorecard: Jeder geprüfte Bereich bekommt eine Bewertung. Dazu: Die wichtigsten Befunde, die kritischsten Lücken, die größten Risiken.
Phase 6: Präsentation und Diskussion
Ein Audit, das in der Schublade verschwindet, ist wertlos. Die Ergebnisse müssen besprochen werden. Mit den Verantwortlichen, mit der Leitung, mit denen, die täglich mit den Daten arbeiten.
Nicht als Tribunal. Sondern als gemeinsame Grundlage für das, was kommt.
Was dabei herauskommt
Ein gutes Audit liefert mehr als eine Fehlerliste. Es liefert Erkenntnisse.
Erkenntnis über Datenqualität.
Konkrete Zahlen statt vager Vermutungen. Man weiß jetzt, dass 23% der Anlagen keine Wartungsintervalle haben. Man weiß, dass die Flächendaten zu 94% vollständig sind, aber in 8% der Fälle nicht mit den Mietverträgen übereinstimmen.
Diese Zahlen sind die Basis für Priorisierung. Was ist dringend? Was kann warten?
Erkenntnis über Prozesse.
Datenfehler kommen nicht aus dem Nichts. Sie entstehen an bestimmten Stellen im Prozess. Ein Audit zeigt oft, wo.
Wenn Neuanlagen systematisch unvollständig erfasst werden, liegt es vielleicht am Inbetriebnahme-Prozess. Wenn Flächenänderungen nicht ankommen, liegt es vielleicht an der Schnittstelle zum Baumanagement. Wenn Verträge veralten, liegt es vielleicht daran, dass Vertragsverlängerungen keinen Daten-Trigger auslösen.
Das Audit zeigt Symptome. Die Prozessanalyse findet Ursachen.
Erkenntnis über das System.
Manchmal zeigt ein Audit, dass das System selbst Teil des Problems ist. Felder, die nicht passen. Pflichtangaben, die keinen Sinn ergeben. Workflows, die an der Praxis vorbeigehen.
Diese Erkenntnisse sind wertvoll. Sie zeigen, wo das System angepasst werden muss – nicht die Menschen.
Erkenntnis über Risiken.
Manche Datenlücken sind ärgerlich. Andere sind gefährlich.
Wenn Prüffristen nicht dokumentiert sind, drohen Compliance-Verstöße. Wenn Wartungshistorien fehlen, steht man im Schadensfall ohne Nachweis da. Wenn Vertragskündigungsfristen nicht gepflegt sind, zahlt man für Leistungen, die man nicht mehr braucht.
Ein Audit macht diese Risiken sichtbar. Bevor sie sich materialisieren.
Was nach dem Audit kommt
Ein Audit ist kein Selbstzweck. Es ist der Startpunkt für Verbesserung.
Priorisierung.
Nicht alles gleichzeitig. Die Audit-Ergebnisse zeigen, wo der größte Handlungsbedarf liegt. Diese Bereiche zuerst.
Maßnahmenplan.
Konkrete Schritte: Welche Daten werden bereinigt? Welche Prozesse angepasst? Welche Verantwortlichkeiten geklärt? Mit Zeitrahmen und Zuständigkeiten.
Quick Wins.
Manche Probleme lassen sich schnell lösen. Dubletten zusammenführen. Offensichtliche Fehler korrigieren. Leere Pflichtfelder nachpflegen.
Diese schnellen Erfolge schaffen Momentum. Sie zeigen: Es bewegt sich etwas.
Strukturelle Verbesserungen.
Andere Probleme brauchen länger. Prozesse ändern, Systemanpassungen umsetzen, Schulungen durchführen. Das ist die eigentliche Arbeit.
Wiederholung.
Ein Audit ist keine einmalige Aktion. Es ist eine Baseline. Nach sechs oder zwölf Monaten: erneut messen. Hat sich etwas verbessert? Wo gibt es neue Probleme?
Datenqualität ist ein Kreislauf, kein Projekt.
Wann ein Audit sinnvoll ist
Nicht jedes Unternehmen braucht sofort ein Audit. Aber es gibt Situationen, in denen es besonders wertvoll ist.
Vor einer Systemmigration.
Wer auf ein neues System umsteigt, nimmt Altdaten mit. Müll migrieren heißt Müll haben. Ein Audit vor der Migration zeigt, was bereinigt werden muss.
Nach einer Reorganisation.
Neue Strukturen, neue Zuständigkeiten, neue Anforderungen. Passen die Daten noch zur neuen Realität?
Bei Zweifeln an der Datenqualität.
Wenn Reports nicht stimmen. Wenn niemand dem System traut. Wenn Excel-Listen blühen. Dann ist ein Audit der erste Schritt zur Klärung.
Als Baseline für Optimierung.
Man kann nicht verbessern, was man nicht misst. Ein Audit schafft die Grundlage.
Der Wert der Klarheit
Ein Audit kostet Zeit und Geld. Aber Unklarheit kostet mehr.
Entscheidungen auf Basis falscher Daten. Risiken, die man nicht sieht. Effizienzpotenziale, die ungenutzt bleiben. Vertrauen, das erodiert.
Ein Audit beendet das Raten. Es ersetzt Vermutungen durch Fakten. Und Fakten sind die Grundlage für Handeln.
Das ist sein eigentlicher Wert. Nicht die Fehlerliste. Sondern die Klarheit, die entsteht, wenn man hinschaut.
Dieser Artikel ist Teil unserer Serie über Datenqualität im Facility Management. Weitere Beiträge: “Datenqualität: Was ‘gut genug’ wirklich bedeutet” und “Die drei häufigsten Datenfehler in CAFM-Systemen”.