CRM-Datenqualität ist seit Jahren ein Pflichtthema, und die Grundregeln sind bekannt. Mit dem Einsatz von KI im Marketing, im Vertrieb und im Service steigt allerdings die Fallhöhe. Fehlerhafte Daten werden zur Handlungsgrundlage für Systeme, die daraus Texte, Bewertungen und Entscheidungen ableiten und in großer Zahl ausführen. Was bisher ein Qualitätsthema war, wird damit zu einem Risikothema mit direkter Kostenwirkung.
Datenqualität ist ein Business-Thema
Jede Kampagne, jede Zielgruppe und jedes Reporting hängt davon ab, wie gut die Daten im Hintergrund sind. Wenn Kontaktdaten unvollständig oder fehlerhaft sind, erreicht eine E-Mail im ungünstigsten Fall die falsche Person oder gar niemanden. Veraltete, inkonsistente oder falsch kategorisierte Kundendaten führen dazu, dass gezielte Kommunikation scheitert, weil das Segment nicht sauber gepflegt ist. Für das Marketing bedeutet das mehr Streuverlust, weniger Conversion und einen spürbaren Verlust an Glaubwürdigkeit.
Hinzu kommt der Effekt auf das Reporting. Wenn die Datengrundlage nicht stimmt, sind die Zahlen nur bedingt belastbar. Kampagnenerfolge werden überschätzt, Zielgruppen falsch bewertet, Potenziale übersehen. Wer auf dieser Basis Entscheidungen trifft, optimiert an der falschen Stelle.
Der direkte Zusammenhang zwischen Datenqualität und Umsatz
Der Zusammenhang zwischen Datenqualität und Umsatz ist oft direkter, als viele annehmen. Gute CRM-Daten helfen dabei, Zielgruppen besser zu verstehen, Kampagnen präziser zu steuern und Kunden relevanter anzusprechen. Die Performance einer Marketingkampagne verbessert sich schrittweise: über die Öffnungsrate, die Klickrate und schließlich die Conversion. Jeder dieser Schritte hängt davon ab, ob die Daten sauber, aktuell und passend segmentiert sind.
Ein konkretes Beispiel: Ein Unternehmen, das seine Bestandskunden nach Interessen, Kaufhistorie oder Servicebedarf segmentiert, kann deutlich relevantere Inhalte ausspielen. Ein Kunde, der ein Produkt bereits nutzt, braucht keine generische Einsteigerkampagne, sondern vielleicht ein passendes Upgrade-Angebot oder nützliche Anwendungstipps. Das wirkt professioneller und steigert die Chance auf zusätzlichen Umsatz.
Auch im Service hat Datenqualität einen messbaren Effekt. Wenn Mitarbeitende schnell auf vollständige und korrekte Informationen zugreifen können, verkürzt das Bearbeitungszeiten und verbessert das Kundenerlebnis. Ein gutes Kundenerlebnis ist eine der stärksten Grundlagen für langfristige Bindung und Wiederkäufe.
Die Kosten der Gegenrichtung sind ebenfalls dokumentiert. Gartner beziffert die durchschnittlichen jährlichen Kosten schlechter Datenqualität auf rund 12,9 Millionen US-Dollar je Unternehmen. Die Summe entsteht selten durch einen großen Vorfall. Sie setzt sich aus Nacharbeit, Fehlentscheidungen, verlorenen Chancen und doppelt gepflegten Beständen zusammen.
Warum KI den Preis schlechter Daten erhöht
Neu an der Diskussion ist der Hebel. KI-Systeme lesen Kundendaten nicht nur aus, sie handeln darauf. Ein Sprachmodell, das im Rahmen einer Anfrage auf CRM-Datensätze, Wissensartikel oder harmonisierte Objekte zugreift, prüft die abgerufenen Informationen nicht auf Richtigkeit. Ein Feld, das zuletzt vor zwei Jahren gepflegt wurde, geht mit derselben Autorität in die Antwort ein wie ein Feld, das heute aktualisiert wurde. Das Ergebnis klingt plausibel und ist sicher formuliert, auch wenn die Grundlage falsch ist.
Damit verschiebt sich die Fehlerwirkung. Eine falsche Telefonnummer im CRM fällt einem Mitarbeitenden spätestens beim Anruf auf. Dieselbe falsche Information in einer automatisierten Kampagne, in einem Service-Agenten oder in einer Prognose wird ohne menschliche Zwischenprüfung ausgespielt, im Zweifel tausendfach und über Systemgrenzen hinweg. Die Korrektur kostet dann mehr als die ursprüngliche Aktion.
Die Zahlen dazu sind eindeutig. Gartner prognostiziert, dass Unternehmen bis Ende 2026 rund 60 Prozent der KI-Projekte aufgeben, die nicht auf KI-taugliche Daten aufsetzen. Im Salesforce-Report „State of Data and Analytics“ geben 84 Prozent der Daten- und Analytics-Verantwortlichen an, dass ihre Datenstrategie grundlegend überarbeitet werden muss, bevor ihre KI-Vorhaben erfolgreich sein können. Im Durchschnitt stufen sie etwa ein Viertel der eigenen Unternehmensdaten als nicht vertrauenswürdig ein. Fast neun von zehn Unternehmen, die KI bereits produktiv einsetzen, berichten von ungenauen oder irreführenden Ergebnissen, die auf fehlerhafte Daten zurückgehen. Mehr als die Hälfte hat Ressourcen darauf verwendet, Modelle mit unzuverlässigen Daten zu trainieren.
Für den deutschsprachigen Markt zeigt der „Marketing Tech Monitor 2026“ ein ähnliches Bild. 58 Prozent der befragten Unternehmen nennen die mangelnde Kombinierbarkeit ihrer Daten als größte Herausforderung, und nur sechs Prozent stufen ihre Kundendaten als qualitativ hochwertig ein. Gleichzeitig steht KI bei 30 Prozent auf Platz eins der strategischen Prioritäten. Die Investitionen laufen also schneller als die Datenarbeit.
Wo KI mit schlechten Daten konkret scheitert
Die Fehlerbilder unterscheiden sich je nach Anwendungsfall. Gemeinsam ist ihnen, dass der Fehler selten als Fehler erkennbar ist, weil die Ausgabe professionell formuliert bleibt.
| Anwendungsfall | Wofür die KI die Daten nutzt | Fehlerbild bei schlechter Datenqualität |
|---|---|---|
| Lead Scoring | Bewertet Kontakte anhand von Historie, Aktivitäten und Abschlussmustern | Veraltete Aktivitätsdaten erzeugen falsche Prioritäten, der Vertrieb arbeitet an den falschen Leads |
| Segmentierung | Bildet Zielgruppen automatisiert aus Attributen und Verhalten | Dubletten und uneinheitliche Werte führen zu doppelter Ansprache und unscharfen Segmenten |
| Service-Agenten | Beantworten Kundenanfragen auf Basis von CRM-Daten und Wissensinhalten | Falsche Vertrags- oder Statusdaten werden als verbindliche Auskunft ausgegeben |
| Textgenerierung | Erzeugt Anschreiben, Angebote und Kampagneninhalte aus Kundendaten | Fehlerhafte Felder erscheinen unmittelbar im Kundenkontakt, etwa bei Anrede, Funktion oder Produktbezug |
| Forecasting | Leitet Prognosen aus Pipeline-, Umsatz- und Aktivitätsdaten ab | Lückenhafte Historie erzeugt scheingenaue Zahlen, die Planungssicherheit vortäuschen |
| Automatisierte Aktionen | Löst Folgeschritte in angebundenen Systemen selbstständig aus | Fehler pflanzen sich über Systemgrenzen fort und werden erst beim Kunden sichtbar |
Was KI zur Datenqualität beitragen kann
KI ist in dieser Frage auch ein Werkzeug. Sie erkennt Dubletten über Ähnlichkeiten, die starre Regelwerke übersehen, etwa abweichende Schreibweisen von Firmennamen oder Adressen. Sie klassifiziert Freitextfelder und ordnet Inhalte bestehenden Kategorien zu. Sie erkennt Anomalien und Ausreißer in großen Beständen schneller als eine manuelle Stichprobe. Sie normalisiert Formate und schlägt Werte für Lücken vor.
Diese Vorschläge brauchen eine Referenz und eine Freigabe. Wenn ein Modell fehlende Werte ergänzt und niemand prüft die Ergänzung, entsteht ein Bestand, der vollständig aussieht und teilweise erfunden ist. Der Nutzen von KI in der Datenpflege hängt daran, dass Vorschlag und Freigabe getrennt bleiben und dass nachvollziehbar dokumentiert wird, welche Werte maschinell entstanden sind.
Die häufigsten Datenprobleme und ihre Auswirkungen
In der Praxis wiederholen sich dieselben Schwachstellen. Sie wirken im Alltag oft klein, haben aber in der Summe große Folgen. Im KI-Einsatz kommt zu jeder dieser Schwachstellen ein zusätzliches Risiko hinzu.
| Problem | Ursache | Auswirkung | Zusätzliches Risiko mit KI |
|---|---|---|---|
| Dubletten | Dieselbe Person ist mehrfach erfasst | Kampagnen werden doppelt ausgespielt, Analysen werden ungenau | Das System findet mehrere widersprüchliche Kundenbilder und antwortet auf Basis eines zufällig gewählten Datensatzes |
| Datensilos | Informationen sind verstreut gespeichert und nicht verbunden | Teams arbeiten mit unterschiedlichen Informationen, Potenziale bleiben ungenutzt | Modelle arbeiten mit einem Ausschnitt des Kundenkontexts und füllen die Lücken mit Annahmen |
| Inkonsistente Daten | Schreibweisen, Formate oder Werte unterscheiden sich | Segmentierung wird ungenau, Auswertungen werden schwieriger | Automatisierte Gruppierungen und Regeln greifen falsch, ohne dass es im Ergebnis sichtbar wird |
| Ungenaue Daten | Daten sind falsch, veraltet oder nicht aktuell | Angebote werden irrelevant, Prozesse werden langsamer | Falsche Angaben werden sprachlich sicher formuliert und wirken dadurch glaubwürdiger als sie sind |
| Medienbrüche | Systeme arbeiten nicht sauber miteinander | Manuelle Nacharbeit steigt, Fehler häufen sich | Automatisierte Aktionen laufen auf einem veralteten Stand, Korrekturen erreichen nicht alle Systeme |
Was Unternehmen konkret verbessern können
Datenqualität lässt sich verbessern. Nicht mit einer einmaligen Aufräumaktion, sondern mit klaren Regeln und kontinuierlicher Pflege. Die wirksamsten Maßnahmen verbinden technische und organisatorische Aspekte.
| Maßnahme | Ziel |
|---|---|
| Pflichtfelder und Validierungen definieren | Vollständigkeit und Genauigkeit bei der Erfassung sicherstellen |
| Dublettenmanagement konsequent einsetzen | Redundanzen und Duplikate vermeiden |
| KPI- und Segmentdefinitionen dokumentieren | Einheitliche Interpretation im gesamten Unternehmen sicherstellen |
| Regelmäßige Data-Quality-Checks einführen | Fehler früh erkennen und kontinuierlich überwachen |
| Verantwortlichkeiten für Datenpflege festlegen | Klare Zuständigkeiten und nachhaltige Pflege sichern |
| Fachbereich, CRM und Analytics enger verzahnen | Zusammenarbeit verbessern und Medienbrüche reduzieren |
| Daten für den KI-Einsatz vorbereiten | Nur geprüfte, aktuelle und freigegebene Daten als Grundlage für KI nutzen |
Pflichtfelder und Validierungen definieren
Nur wirklich wichtige Felder sollten als Pflichtfelder gesetzt werden, damit die Datenerfassung effizient bleibt. Picklists reduzieren Schreibvarianten und erleichtern die Auswertung. Validierungsregeln für zentrale Felder verhindern fehlerhafte Eingaben bereits beim Speichern. Klar definierte Naming Conventions machen Daten leichter vergleichbar, und standardisierte Templates sorgen für eine konsistente Erfassung. Für KI-Anwendungen zahlt sich das doppelt aus, weil strukturierte Werte deutlich verlässlicher interpretiert werden als Freitext.
Dublettenmanagement konsequent einsetzen
Dubletten sollten nicht erst nachträglich bereinigt, sondern möglichst schon bei der Entstehung verhindert werden. Duplicate-Detection-Regeln und automatisierte Prüfungen beim Anlegen neuer Datensätze sind dafür geeignet. Prävention ist deutlich effizienter als späteres Cleanup. Voraussetzung ist eine klare Definition, was als Dublette gilt. Nur dann können Bereinigungen systematisch und verlässlich durchgeführt werden.
KPI- und Segmentdefinitionen dokumentieren
KPIs und Kundensegmente sollten schriftlich und zentral dokumentiert sein, zum Beispiel in einem Wiki oder einem Dokumentenmanagement-System. So ist transparent, welche Datenquellen verwendet werden und wie Kennzahlen berechnet werden. Wenn jede KPI und jedes Segment eine klare Zuständigkeit hat, entstehen weniger Missverständnisse und Diskussionen über Definitionen werden reduziert.
Regelmäßige Data-Quality-Checks einführen
Feste Zeitpunkte für regelmäßige Prüfungen sollten eingeplant werden, etwa monatlich oder quartalsweise. Automatisierte Tools können Anomalien, fehlende Werte oder Ausreißer frühzeitig erkennen. Typische Prüfkriterien sind Vollständigkeit, Genauigkeit, Konsistenz, Aktualität und Dublettenanteil. So lassen sich Schwachstellen identifizieren, bevor sie sich in Reports, Kampagnen oder Kundenprozesse auswirken. Felder, die von KI-Anwendungen gelesen werden, sollten dabei gesondert überwacht werden, weil ihre Fehler am schnellsten nach außen wirken.
Verantwortlichkeiten für Datenpflege festlegen
Datenpflege braucht klare Rollen. Marketing kann beispielsweise für die Aktualisierung von Kontaktdaten verantwortlich sein, der Vertrieb für Leads und Opportunities, und der CRM-Administrator für technische Regeln, Validierungen und Dublettenmanagement. Wenn Aufgaben eindeutig zugewiesen sind, entstehen ein klares Verantwortungsgefühl und eine verlässliche Grundlage für nachhaltige Pflege.
Fachbereich, CRM und Analytics enger verzahnen
Datenqualität betrifft nicht nur eine Abteilung. Marketing, Vertrieb, CRM-Administration und Analytics müssen enger zusammenarbeiten, damit eine saubere Datenpipeline entsteht. Regelmäßige Abstimmungen helfen dabei, Datenrichtlinien gemeinsam zu definieren und Fehler nicht zu skalieren. Wenn alle Beteiligten dieselbe Sprache sprechen, werden Daten sauberer genutzt, Prozesse robuster und Entscheidungen verlässlicher.
Daten für den KI-Einsatz vorbereiten
Vor dem produktiven Einsatz eines KI-Anwendungsfalls lohnt sich eine einfache Vorarbeit. Zuerst wird festgelegt, welche Objekte und Felder das System überhaupt lesen darf. Diese Auswahl ist eine Qualitätsentscheidung, weil jedes freigegebene Feld zur Antwortgrundlage wird. Anschließend wird geprüft, wie aktuell diese Felder tatsächlich sind und wer sie pflegt. Felder ohne Zuständigkeit gehören nicht in den Zugriff eines Agenten.
Ebenso wichtig ist der Kontext. Ein Statuswert ohne dokumentierte Bedeutung ist für ein Modell genauso schwer zu deuten wie für eine neue Kollegin. Beschreibungen, einheitliche Bezeichnungen und dokumentierte Definitionen erhöhen die Trefferquote messbar. Für automatisierte Entscheidungen mit Außenwirkung sollte zusätzlich ein Freigabeschritt oder eine Stichprobenprüfung vorgesehen sein, solange die Qualität der Grundlage nicht belegt ist.
Diese Vorarbeit lässt sich klein halten. Ein einzelner Use Case mit einem klar abgegrenzten Datenausschnitt ist der schnellere Weg als ein unternehmensweites Datenprojekt vor dem ersten Ergebnis.
Fazit
Die Regeln für gute CRM-Daten sind seit Jahren bekannt. Verändert hat sich, was auf ihnen aufbaut. KI-Systeme verstärken den Wert sauberer Daten und ebenso die Wirkung fehlerhafter Daten, weil sie Ergebnisse ohne Zwischenprüfung erzeugen und in Prozesse einspeisen. Datenqualität entscheidet damit darüber, ob ein KI-Vorhaben Nutzen bringt oder Kosten verursacht.
Wer saubere Daten hat, kann bessere Kampagnen bauen, präzisere Entscheidungen treffen und Kunden relevanter ansprechen. Im Zusammenspiel von CRM, Marketing und Analytics zeigt sich, dass die Qualität der Daten und Prozesse über den Erfolg entscheidet und nicht das eingesetzte Tool. Gute Marketingideen brauchen eine solide Datenbasis. Gute KI-Anwendungen brauchen sie zwingend.
