Beratung & Prozesse · Datenmanagement

Datenmanagement. Die Voraussetzung für Digitalisierung und KI.

Stufe 2 unseres Vorgehens: Wir ordnen Stamm-Daten und sichern die Daten-Qualität, bevor Workflows automatisiert oder KI aufgesetzt wird. KI auf chaotischen Daten produziert nur Frust.

Erstgespräch anfragen Förderung prüfen

Inhalt

Aktualisiert Mai 2026 · ca. 10 Min. Lesezeit · von Martin Hofmann, Geschäftsführer z1Digital

Kurz & direkt

Datenmanagement ist Stufe 2 unseres Vorgehens – nach Prozessaufnahme und vor der Digitalisierung. Kern-Aufgabe: Stamm-Daten konsolidieren, Daten-Qualität sichern, ein Master-Data-Konzept etablieren, bevor Workflows automatisiert oder KI aufgesetzt wird. Häufiges Problem: dieselben Kunden in drei Systemen mit drei verschiedenen Schreib-Weisen. KI auf solchen Daten produziert frustrierende Halluzinationen – und Automatisierung produziert Fehler. Beratungs-Investition 5.500–14.500 € brutto, mit BAFA und Förderung Eigenanteil ab 1.000–3.000 €.

Warum Datenmanagement vor KI und Automatisierung kommen muss

Sechs Wahrheiten aus über 100 Mittelstand-Projekten:

Müll rein, Müll raus

Wer KI auf chaotischen Daten aufsetzt, bekommt chaotische Antworten. Ein CompanyGPT, das aus 15 Jahre alten unstrukturierten Dateien Auskunft geben soll, halluziniert mehr, als es nützt.

Doppelte Kundendaten kosten Geld

Wenn „Müller GmbH", „Müller Gmbh", „Mueller GmbH" und „Müller GmbH & Co. KG" im CRM existieren, kennen Sie Ihren Kunden vier Mal. Der Vertrieb verkauft an alle vier, der Service kennt die Historie nur teilweise, das Reporting ist falsch.

Master-Data ist kein IT-Thema

Datenmanagement ist primär eine Organisations-Frage: Wer pflegt Stamm-Daten, mit welcher Disziplin, welche Felder sind Pflicht? Tools spielen eine Rolle, aber Disziplin schlägt Tools.

Schnittstellen sind keine Magie

Halten drei Systeme dieselben Daten, müssen sie synchronisiert werden. Ohne Konzept dafür, welches System die Wahrheit führt (Single Source of Truth), entsteht Daten-Inkonsistenz.

Daten-Schutz braucht Daten-Inventur

DSGVO-Compliance heißt: Sie müssen wissen, welche personenbezogenen Daten Sie wo speichern. Bei neun von zehn Mittelständlern existiert kein vollständiges Daten-Verzeichnis.

Datenmanagement ist niemals fertig

Wie KVP in der Prozessoptimierung ist Data Governance kein One-Shot. Sie etablieren Regeln, Verantwortlichkeiten und Routinen – und pflegen sie kontinuierlich.

Was z1Digital in der Datenmanagement-Beratung leistet

Sechs Phasen von der Inventur bis zur dauerhaften Governance:

1
1–2 Wochen
Daten-Inventur

Was existiert wo? Stamm-Daten-Systeme (CRM, ERP, Buchhaltung, HR), Excel-Tabellen mit kritischen Daten, Cloud-Speicher, operativ relevante E-Mail-Postfächer und Schatten-IT. Output: eine Daten-Landkarte mit allen Systemen, Datentypen, Eigentümern und Schnittstellen.
2
1–2 Wochen
Daten-Qualitäts-Analyse

Pro zentralem Datentyp prüfen wir Vollständigkeit, Korrektheit, Eindeutigkeit (Duplikate), Aktualität und Konsistenz zwischen Systemen. Output: ein Daten-Qualitäts-Report mit konkreten Beispielen.
3
1–2 Wochen
Master-Data-Konzept

Wir definieren die Single Source of Truth pro Datentyp, Pflicht-Felder und Eingabe-Standards, ein Schnittstellen-Konzept und Verantwortlichkeiten. Output: ein Master-Data-Konzept-Dokument (10–25 Seiten).
4
2–6 Wochen
Daten-Bereinigung

Duplikate semi-automatisch entfernen (Power Query, OpenRefine, DataLadder), Adressen und Schreib-Weisen standardisieren, Pflicht-Felder nachpflegen, inaktive Datensätze DSGVO-konform archivieren.
5
1–2 Wochen
Data-Governance-Aufbau

Data Owner und Data Steward pro Datentyp benennen, Daten-Qualitäts-KPIs definieren (z. B. „95 % Vollständigkeit der Kunden-Adressen") und ein monatliches Daten-Pflege-Ritual etablieren.
6

Tool-Empfehlung

Pro Use Case empfehlen wir passende Werkzeuge – von Power Query und OpenRefine für die Bereinigung über integrierte MDM-Funktionen im ERP bis zu echtem Master Data Management ab größeren Multi-System-Landschaften.

Definition

Single Source of Truth

Die Festlegung, welches System pro Datentyp die führende Wahrheit hält – welches die Kunden-Daten führt, welches die Artikel-Daten, welches die Mitarbeiter-Daten. Erst diese Festlegung macht Schnittstellen sauber und verhindert, dass dieselbe Information in mehreren Systemen auseinanderläuft.

Was Datenmanagement-Beratung kostet

Paket	Brutto-Kosten	Mit Förderung Eigenanteil
Quick-Inventur (Daten-Landkarte + Qualitäts-Check)	3.500–5.500 €	ab 700 €
Standard-Konzept (Inventur + Master-Data-Konzept + Bereinigungs-Plan)	6.500–9.500 €	ab 1.300 €
Premium-Setup (komplettes 6-Phasen-Programm inkl. Bereinigung)	11.500–18.500 €	ab 2.500 €

Förder-Quellen: BAFA Modul 1 oder 2, die Thüringer Beratungsrichtlinie sowie go-digital. Wir prüfen die Förderfähigkeit im Erstgespräch.

Konkretes Vorher-Nachher-Beispiel

Anonymisiertes Beispiel aus dem z1-Bestand (Maschinenbau-Mittelständler, 65 Mitarbeitende).

Vorher: Kunden in SAP, CRM und einer separaten Excel-Liste; rund 22 % Duplikate; 41 % der Datensätze mit unvollständigen Adressen; 8 % mit ungültigen E-Mail-Adressen. Der Vertrieb verlor pro Quartal 15–20 Stunden mit Daten-Klärung, der Newsletter hatte 18 % Bounce-Rate.

Nach drei Monaten Datenmanagement-Projekt: SAP als Single Source of Truth für Kunden-Daten; Duplikate von 22 % auf 1,5 % reduziert; Vollständigkeit der Pflicht-Felder von 59 % auf 94 %; Data-Owner und Pflege-Ritual etabliert; Vertriebs-Zeit-Ersparnis rund 60 Stunden pro Quartal; Newsletter-Bounce-Rate von 18 % auf 3 %.

Investition: rund 11.000 € brutto, mit BAFA Modul 2 und Thüringer Beratungsrichtlinie Eigenanteil ca. 3.500 €. ROI rund 7 Monate.

22 % → 1,5 %: Duplikat-Quote im Referenz-Projekt
59 % → 94 %: Vollständigkeit der Pflicht-Felder
~7 Mon.: ROI im Referenz-Projekt
70 %: gescheiterter KI-Projekte sind eigentlich Daten-Projekte

Quelle: Anonymisiertes z1-Bestandsprojekt, 2026

Datenmanagement und KI – der Zusammenhang

Wer KI seriös einsetzen will, braucht strukturierte Daten als Wissens-Basis:

ein Kunden-Bot ist nur so gut wie die Kunden-Akte
ein Vertrags-Analyse-Bot ist nur so gut wie das Vertrags-Archiv
ein Wissens-Bot ist nur so gut wie die Wissens-Sammlung dahinter
Vorhersage-Modelle sind nur so gut wie die historischen Daten

Wer KI auf chaotischen Daten startet, produziert Frust und verliert die Akzeptanz im Unternehmen. „KI-Projekt scheitert" ist in rund 70 % der Fälle eigentlich ein Daten-Projekt, das übersprungen wurde. Die KI-Stufe selbst – CompanyGPT, KI-Beratung und KI-Use-Cases – baut auf diesem Fundament auf. Was dann möglich ist, zeigt unser KI-Hub.

Wie das in der Praxis aussieht: Ein Ingenieurbüro mit 65 Mitarbeitenden hat per Stammdaten-Bereinigung die Dubletten-Quote von 22 % auf 1,5 % gesenkt – und rund 60 Stunden Vertriebszeit pro Quartal zurückgewonnen. Der Case ist in unseren Erfolgsgeschichten dokumentiert.

Weiterführend

Prozessaufnahme – Stufe 1: die Ist-Situation strukturiert aufnehmen
Prozessoptimierung – Stufe 3: die geordneten Prozesse verbessern
Software-Auswahl – das passende System auf geordneten Daten
Dokumentenmanagement – Daten und Dokumente auf einer zentralen Plattform
KI für den Mittelstand – Stufe 4: was auf geordneten Daten möglich wird

FAQ

Datenmanagement: häufige Fragen

Müssen wir alle Daten bereinigen?

Nein – Priorisierung nach Wirkung. Stamm-Daten (Kunden, Artikel, Lieferanten) und transaktionale Daten der letzten 2–3 Jahre haben den höchsten Hebel. Historie kann archiviert werden.

Was sind die häufigsten Daten-Qualitäts-Probleme?

Duplikate (gleicher Kunde mehrfach), inkonsistente Schreib-Weisen, unvollständige Pflicht-Felder, veraltete Datensätze und fehlende Klassifikationen.

Was unterscheidet Stamm-Daten von Bewegungs-Daten?

Stamm-Daten sind langlebige Identitäts-Daten (Kunden-Stammsatz, Artikel-Stammsatz). Bewegungs-Daten sind transaktionale Vorgänge (Rechnungen, Bestellungen, Wareneingänge). Stamm-Daten haben Vorrang bei der Bereinigung.

Brauchen wir ein Master-Data-Management-Tool?

Für 80 % der Mittelständler nicht. Master-Data-Funktionen in modernen ERP-Systemen (Microsoft Dynamics 365, Haufe X360, SAP Business One) reichen aus. Echtes MDM lohnt sich ab rund 250 Mitarbeitenden mit komplexen Multi-System-Landschaften.

Was ist Data Governance?

Data Governance ist die organisatorische Verankerung des Datenmanagements: Rollen (Data Owner, Data Steward), Regeln (Pflicht-Felder, Schreib-Standards), Routinen (Daten-Reviews) und Verantwortlichkeiten. Anders als die einmalige Bereinigung ist Governance dauerhaft.

Wie unterscheidet sich Datenmanagement von DSGVO-Beratung?

Es überschneidet sich teilweise. Datenmanagement ist breiter (Daten-Qualität, Schnittstellen, Master-Daten). DSGVO-Beratung fokussiert speziell auf personenbezogene Daten, Verarbeitungs-Verzeichnis und Daten-Schutz-Folgenabschätzung. Wir kombinieren beides bei Bedarf.

Was tun mit historischen Excel-Tabellen?

Zuerst inventarisieren: welche werden aktiv genutzt, welche nicht? Aktive Excels prüfen, ob sie ins Hauptsystem migriert oder professionell ersetzt werden sollten (z. B. durch Lowcode-Tools). Inaktive archivieren oder löschen.

Wer ist mein Ansprechpartner?

Stefan Lausch, Geschäftsführer von z1Digital. Mehr zur Person auf der Über-uns-Seite.

Loslegen

Sind Ihre Daten bereit für Digitalisierung und KI?

Im kostenlosen 30-Minuten-Erstgespräch prüfen wir Ihre Daten-Lage, zeigen die größten Qualitäts-Lücken und kalkulieren direkt die Förderung.

Kostenloses Erstgespräch Zur Beratungs-Übersicht