Datenqualität in KI-Projekten: Warum gute Daten zuerst kommen

Stell dir vor, du baust ein Hochhaus auf sandigem Untergrund. Die Architektur ist brillant, die Materialien erstklassig und das Team hochmotiviert. Trotzdem wird das Gebäude irgendwann kippen. Ähnlich verhält es sich mit KI-Projekten: Auch ein gutes Modell liefert schwache Ergebnisse, wenn die Daten, mit denen es arbeitet, lückenhaft oder falsch sind. Google bringt das in seinem Machine-Learning-Crashkurs auf einen Satz: „your ML model is only as good as the data it trains on“. Ein Modell ist also nur so gut wie die Daten, mit denen es trainiert wird.

Im Alltag eines kleinen Betriebs sieht KI oft anders aus als im Lehrbuch. Wenn du ChatGPT oder Claude für Produkttexte oder Auswertungen nutzt, trainierst du kein eigenes Modell. Du gibst ihm Produktdaten, Kundenlisten oder Bestellinfos als Unterlage mit. Auch dann gilt: Was in dieser Unterlage fehlt oder falsch ist, kann das Ergebnis verfälschen. Datenqualität ist deshalb keine Frage nur für Konzerne mit Data-Science-Abteilung, sondern die Grundlage jedes KI-Einsatzes.

In der Praxis scheitern KI-Projekte selten spektakulär. Kein dramatischer Absturz, keine offensichtliche Fehlermeldung. Stattdessen liefert das System Ergebnisse, die sich zunächst plausibel anfühlen, aber daneben liegen. Das ist die eigentliche Gefahr von schlechter Datenqualität: Sie bleibt oft unsichtbar, solange man nicht gezielt danach sucht.

Das Prinzip dahinter trägt in der KI-Welt einen griffigen Namen: Garbage In, Garbage Out. Was du in ein KI-System hineingibst, prägt, was herauskommt. Ein Empfehlungsalgorithmus, der auf lückenhaften Kundendaten basiert, empfiehlt das Falsche zur falschen Zeit. Ein Sprachmodell, dem du für eine Produktbeschreibung unvollständige oder widersprüchliche Angaben mitgibst, schreibt einen flüssigen Text, der trotzdem am Produkt vorbeigehen kann.

Was unter „schlechten Daten“ zu verstehen ist

Schlechte Datenqualität ist kein einzelnes Problem, sondern ein Sammelbegriff für verschiedene Schwachstellen. Google nennt in seinem Machine-Learning-Crashkurs diese häufigen Ursachen für unzuverlässige Daten:

• fehlende Werte, etwa wenn jemand vergessen hat, ein Feld auszufüllen
• doppelte Beispiele, etwa wenn ein Server dieselben Einträge versehentlich zweimal hochlädt
• falsche Werte, etwa eine versehentlich getippte zusätzliche Ziffer
• falsche Labels, also falsche Zuordnungen wie das Bild einer Eiche, das als Ahorn markiert ist
• fehlerhafte Datenabschnitte, etwa ein sonst verlässliches Merkmal an dem einen Tag, an dem das Netzwerk ständig ausfiel

Im Unternehmensalltag kommen zwei weitere Muster dazu: Inkonsistente Daten entstehen, wenn dasselbe Produkt in verschiedenen Systemen unterschiedliche Bezeichnungen trägt, und veraltete Einträge schleichen sich ein, wenn niemand regelmäßig aufräumt.

Für ein KI-System sind das keine kleinen Schönheitsfehler. Es geht ihm ähnlich wie einem Schüler, dem man halbfertige Schulbücher mit unleserlichen Seiten in die Hand drückt und trotzdem beste Noten erwartet.

Daten sind der Rohstoff der KI. Schmutziger Rohstoff produziert kein sauberes Ergebnis, egal wie gut die Maschine ist.

Wenn du die Qualität deiner Daten systematisch bewerten willst, hilft ein Raster aus fünf Dimensionen. Es ist ein Arbeitsraster, keine feste Norm. Google etwa definiert Qualität im Machine-Learning-Crashkurs bewusst pragmatisch: Ein hochwertiger Datensatz hilft dem Modell, sein Ziel zu erreichen, ein schlechter hindert es daran. Die fünf Dimensionen machen greifbar, woran das im Einzelfall hängt.

Vollständigkeit: Sind alle relevanten Felder gefüllt?

Vollständigkeit beschreibt, ob alle Angaben vorhanden sind, die ein System für seine Aufgabe braucht. Ein WooCommerce-Shop, in dem ein Teil der Produkte keine Kategorie, kein Gewicht und keine Variantenzuordnung hat, liefert einem KI-System zu wenig Kontext. Für Produktdaten gibt es dafür einen konkreten Maßstab: Google Merchant Center führt in seiner Produktdatenspezifikation Pflichtangaben, darunter eine eindeutige ID, einen Titel, eine Beschreibung, den Link zur Produktseite und den Link zum Hauptbild. Fehlende, falsche oder ungenaue Produktinformationen können dort laut Google zu Ablehnungen, eingeschränkter Berechtigung oder fehlerhafter Darstellung führen.

Für das Training von Modellen rät Google, unvollständige Beispiele entweder zu löschen oder fehlende Werte begründet zu schätzen. Geschätzte Werte sind laut Google allerdings selten so gut wie echte.

Konsistenz: Sprechen alle Systeme dieselbe Sprache?

Datenkonsistenz ist besonders in gewachsenen Unternehmensumgebungen ein häufiges Problem. Du hast vielleicht ein ERP-System, ein CRM, deinen Online-Shop und eine externe Versandlösung. Wenn dieselbe Kundennummer in diesen vier Systemen vier unterschiedliche Formate hat, ist eine sinnvolle Verknüpfung kaum möglich. Im Merchant Center nennt Google widersprüchliche Angaben zwischen Datenquelle und Website ausdrücklich als häufiges Problem, ebenso fehlende oder falsche Variantenattribute wie Farbe oder Größe.

Aktualität: Wie frisch sind die Daten wirklich?

Ein Datensatz, der vor zwei Jahren korrekt war, kann heute komplett irrelevant sein. Aktualität ist besonders kritisch bei dynamischen Informationen wie Preisen, Lagerbeständen, Kundenadressen oder Markttrends. Ein KI-System, das mit veralteten Daten arbeitet, bildet eine vergangene Realität ab und wendet sie auf die Gegenwart an. Das führt zu Entscheidungen, die sich anfühlen wie Navigation mit einer zehn Jahre alten Straßenkarte.

Genauigkeit: Stimmen die Daten mit der Realität überein?

Genauigkeit klingt selbstverständlich, ist es aber nicht. Tippfehler in Produktnamen, falsch eingetragene Maßeinheiten, vertauschte Dezimalstellen bei Preisen: All das sind Genauigkeitsprobleme, die sich in der KI-Ausgabe direkt widerspiegeln. Besonders heikel wird es, wenn solche Fehler systematisch auftreten, also nicht zufällig, sondern mit einer gewissen Regelmäßigkeit. Ein Modell, das damit trainiert wird, lernt dann das Falsche als Regel. Für Produktdaten verlangt Google im Merchant Center, dass der Titel das Produkt genau beschreibt und zum Titel auf der Produktseite passt.

Eindeutigkeit: Gibt es klare Identifikatoren?

Eindeutigkeit bedeutet, dass jeder Datensatz genau einmal vorhanden ist und klar identifizierbar bleibt. Doppelte Kundeneinträge, mehrfach angelegte Produkte mit leicht unterschiedlichen Namen, gespiegelte Bestelldaten aus zwei Systemen: All das bläht den Datensatz künstlich auf. Google zählt doppelte Beispiele zu den häufigen Ursachen unzuverlässiger Daten. Für Produktdaten gibt das Merchant Center klare Regeln zur ID vor: für jedes Produkt einen eindeutigen Wert verwenden, wo möglich die SKU nehmen und die ID beim Aktualisieren der Daten gleich lassen.

Die fünf Dimensionen im Überblick

Viele kleine und mittlere Unternehmen glauben, das Thema KI und Daten sei hauptsächlich etwas für Konzerne mit eigenen Data-Science-Abteilungen. Das greift zu kurz. KMU haben in einer Hinsicht sogar einen Vorteil: Ihre Datenmengen sind überschaubar. Ein Produktkatalog, der in eine Tabelle passt, lässt sich Zeile für Zeile durchsehen und bereinigen, ohne ein eigenes Datenprojekt aufzusetzen. Wie lange das dauert, hängt vom Zustand der Daten ab, nicht von der Unternehmensgröße allein.

Qualität und Menge: Es gibt keine feste Zahl

Im maschinellen Lernen hält sich die Frage, wie viele Daten man braucht. Google beantwortet sie im Machine-Learning-Crashkurs ohne Pauschalzahl: Für manche relativ einfachen Probleme könnten ein paar Dutzend Beispiele genügen, für andere reiche selbst eine Billion nicht aus. Als grobe Faustregel nennt Google mindestens eine Größenordnung (oder zwei) mehr Beispiele als trainierbare Parameter, und gute Modelle trainieren meist auf deutlich mehr. Modelle aus großen Datensätzen mit wenigen Merkmalen schneiden laut Google in der Regel besser ab als Modelle aus kleinen Datensätzen mit vielen Merkmalen.

Die pauschale Aussage, einige hundert saubere Datensätze reichten für KI-Projekte vollkommen aus, lässt sich damit nicht halten. Ebenso wenig gilt pauschal, dass Qualität Menge schlägt: Für ein eigenes Modell zählen beide. Gute Ergebnisse aus einem kleinen Datensatz sind laut Google möglich, wenn du ein bestehendes Modell anpasst, das bereits auf großen Datenmengen mit demselben Schema trainiert wurde.

Wenn du KI vor allem über ChatGPT oder Claude nutzt, stellt sich die Mengenfrage anders. Wer einem Sprachmodell Produktdaten als Unterlage mitgibt, braucht keinen Trainingsdatensatz. Entscheidend ist dann, dass genau diese Unterlage vollständig und richtig ist.

Das Gute an Datenqualität ist: Sie ist kein abstraktes Konzept, sondern ein handfestes operatives Thema. Du kannst schrittweise Ordnung in deine Datenbasis bringen. Für den Anfang braucht es dafür oft keine speziellen Tools und kein großes Budget, sondern vor allem eine klare Methodik und Konsequenz.

Schritt 1: Bestandsaufnahme vor dem Optimieren

Bevor du irgendetwas bereinigst, musst du verstehen, was du überhaupt hast. Exportiere deine relevanten Datensätze, zum Beispiel Produkte aus dem Shop, Kundendaten aus dem CRM oder Bestellhistorien aus deinem ERP, in eine Tabelle und schau dir an, wo die größten Lücken liegen. Wie viele Felder sind leer? Wie viele Einträge sehen wie Duplikate aus? Wo gibt es offensichtliche Formatprobleme?

Für Produktdaten taugen die Pflichtangaben aus der Produktdatenspezifikation von Google Merchant Center als Prüfliste, auch wenn du gar keine Anzeigen schaltest. Prüfe pro Produkt:

• eine eindeutige ID, wo möglich die SKU
• einen Titel, der das Produkt genau beschreibt
• eine Beschreibung
• den Link zur Produktseite
• den Link zum Hauptbild

Wenn du deine Produkte bereits an Google übermittelst, zeigt dir laut Google die Seite mit den Problemdetails im Merchant-Center-Konto die Diagnose zu allen Problemen, die deine Produkte betreffen.

Schritt 2: Standardisierung von Eingabeprozessen

Viele Qualitätsprobleme entstehen nicht beim Bereinigen, sondern beim Erfassen. Wenn mehrere Mitarbeitende Produktdaten eingeben und jeder ein eigenes Schema verwendet, ist Inkonsistenz vorprogrammiert. Klare Eingabestandards sind deshalb genauso wichtig wie nachträgliche Bereinigung: Pflichtfelder definieren, Auswahlfelder statt Freitextfelder nutzen, Formatvorgaben einhalten. Konkrete Grenzen liefert wieder das Merchant Center. Der Titel darf dort höchstens 150 Zeichen lang sein, die Beschreibung höchstens 5000, und Werbetext wie „free shipping“ oder durchgehende Großschreibung gehört laut Google in keines der beiden Felder. Das klingt nach Verwaltungsaufwand, spart aber Nacharbeit bei jedem späteren KI-Einsatz.

Schritt 3: Regelmäßige Datenpflege einplanen

Datenqualität ist kein einmaliges Projekt, sondern eine fortlaufende Aufgabe. Ähnlich wie ein Garten, der ohne regelmäßige Pflege verwildert, wächst der Datenbestand eines Unternehmens unkontrolliert, wenn niemand systematisch aufräumt. Google empfiehlt im Machine-Learning-Crashkurs, unzuverlässige Daten automatisch markieren zu lassen, etwa durch Tests gegen ein festgelegtes Datenschema, die Werte außerhalb eines definierten Bereichs melden. Für einen Shop lässt sich das in feste Routinen übersetzen:

• regelmäßige Überprüfung kritischer Datenbereiche wie Produkte, Kunden und Bestellungen, etwa quartalsweise
• automatische Duplikaterkennung per Plugin oder integrierter CRM-Funktion
• klare interne Verantwortlichkeiten für die Datenpflege
• Dokumentation von Datenquellen und Änderungshistorien

Wenn du heute schon KI-Tools nutzt, zum Beispiel ChatGPT für Produktbeschreibungen oder automatisierte E-Mail-Strecken, dann ist Datenqualität kein Zukunftsthema, sondern ein aktuelles, praktisches Problem. Du trainierst dabei kein eigenes Modell. Du gibst dem Sprachmodell Produktinfos, Kundensegmente oder Kaufhistorien als Unterlage mit, und es arbeitet mit dem, was darin steht.

Genau dort setzt ein bekanntes Problem an. Anthropic, der Anbieter von Claude, schreibt in seiner Dokumentation, dass selbst die fortschrittlichsten Sprachmodelle manchmal Text erzeugen, der sachlich falsch ist oder nicht zum mitgegebenen Kontext passt. Diese Erscheinung heißt Halluzination. Bei Produkttexten kann sie sich als flüssig formulierte Angabe zeigen, die so nicht im Datenblatt steht, und das fällt oft erst auf, wenn ein Kunde reklamiert.

So reduzierst du erfundene Angaben

Anthropic nennt in derselben Anleitung mehrere Gegenmittel, die sich direkt auf die Arbeit mit Produktdaten übertragen lassen:

• dem Modell ausdrücklich erlauben, Unsicherheit zuzugeben und „I don't know“ zu sagen, was laut Anthropic falsche Informationen drastisch reduzieren kann
• das Modell anweisen, nur Informationen aus den mitgegebenen Dokumenten zu verwenden und nicht sein allgemeines Wissen
• jede Aussage im Ergebnis mit einem Zitat aus der Unterlage belegen lassen und Aussagen ohne Beleg streichen

Für einen Produkttext heißt das: Fehlt in deinen Daten das Gewicht, soll das Modell die Lücke benennen, statt eine Zahl zu schätzen. Gegen einen falsch eingetragenen Wert hilft diese Anweisung allerdings nicht. Steht er in der Unterlage, ist er für das Modell eine Angabe wie jede andere. Saubere Daten bleiben deshalb die Voraussetzung, die Anweisungen sind die zweite Sicherung.

Auch Google arbeitet mit deinen Produktdaten, wenn du sie an das Merchant Center übermittelst. Laut der Produktdatenspezifikation nutzt Google sie als grundlegende Eingabe, um die Inhalte von Anzeigen in seinen KI-gestützten Formaten zu optimieren und zu ergänzen.

Der Zusammenhang zwischen Datenqualität und KI-Kosten

Schlechte Datenqualität kostet nicht nur Ergebnisqualität, sondern auch Zeit und Geld. Wenn KI-Ergebnisse wegen schlechter Eingabedaten immer wieder nachkorrigiert werden müssen, steigt der manuelle Aufwand. Wenn Empfehlungen daneben liegen, kann Umsatz verloren gehen. Wenn automatisch generierte Inhalte überarbeitet werden müssen, ist der Effizienzgewinn schnell wieder aufgefressen.

Gute Daten sind in diesem Sinne eine Form von Infrastruktur. Der Aufwand fällt einmal für die Bereinigung und danach laufend für die Pflege an. Dafür bekommst du verlässlichere KI-Ergebnisse und weniger manuelle Nacharbeit. Das ist kein Luxus für große Unternehmen, das ist gesunder Unternehmensverstand.

• Google: Datasets, Data characteristics
• Google: Product data specification
• Anthropic: Reduce hallucinations