KI-gestützte Datenbereinigung und Stammdatenpflege

Das echte Ausmaß des Problems

Schlechte Stammdaten sind kein Randproblem — sie sind die Normalität. IBM schätzt den gesamtwirtschaftlichen Schaden durch schlechte Datenbasis allein in den USA auf 3,1 Billionen US-Dollar jährlich (Stand 2023, fortgeschriebene Schätzung). Eine ältere, weiterhin oft zitierte Hausnummer von Gartner aus 2018 setzt den Schaden je Unternehmen bei mindestens 12,9 Millionen Dollar an — diese Zahl ist konservativ zu lesen, die Größenordnung deckt sich aber mit aktuelleren Branchenerhebungen (siehe Datalere 2024, MIT Sloan 2022). Dass diese Zahlen abstrakt klingen, liegt daran, dass die Kosten nie als Posten auftauchen — sie verstecken sich in falschen Angeboten, doppelten Bestellungen, unzustellbaren Rechnungen und stunden­langem manuellem Nacharbeiten.

Konkrete Zahlen aus der Praxis:

• 70 Prozent der Unternehmen kämpfen laut einer Branchenumfrage (Datalere, 2024) mit Duplikaten oder inkonsistenten Daten in CRM oder ERP — Hauptursache ist fehlende Matching-Technologie beim Anlegen neuer Einträge
• Nur 44 Prozent der befragten Entscheider halten ihre CRM- und ERP-Stammdaten für vollständig korrekt und aktuell
• Bei einer typischen ERP-Migration muss mit 10 bis 30 Prozent des Migrationsbudgets allein für Datenbereinigung und -aufbereitung gerechnet werden — der oft unterschätzte Aufwand, der Projekte verzögert
• 60 bis 80 Prozent der Datensätze in gewachsenen Datenbanken haben mindestens ein Qualitätsproblem: fehlende Pflichtfelder, veraltete Kontakte, Adressfehler oder doppelte Einträge unter verschiedenen Schreibweisen

Das ist keine Frage der Sorgfalt. Stammdaten verschlechtern sich mit der Zeit, weil sie von Menschen gepflegt werden, die unterschiedliche Konventionen haben — und weil niemand für die Qualität der Gesamtbasis zuständig ist.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitangaben beruhen auf Erfahrungswerten aus Datenbereinigungsprojekten bei mittelständischen Unternehmen (Schätzwert aus Praxisberichten). Erkennungsrate und Falsch-Positiv-Rate hängen stark von der Qualität der Ausgangsdaten und der Konfiguration der Matching-Regeln ab — keine garantierten Werte, sondern realistische Bereiche.

Der entscheidende Unterschied ist nicht nur die Geschwindigkeit. KI-gestütztes Fuzzy-Matching erkennt Ähnlichkeiten, die Menschen übersehen: phonetische Varianten, Abkürzungen, vertauschte Zeichen, kulturell unterschiedliche Namensschreibweisen. Manuell findet man “Müller” und “Mueller” noch — aber nicht “Metallbau Hinteregger GmbH” und “Hinteregger Metallbau Ges.m.b.H.” ohne ausreichend Zeit und Durchblick über alle Einträge.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Wochen manueller Bereinigung lassen sich auf Tage reduzieren — das ist einer der deutlichsten Zeithebeleffekte in dieser Kategorie. KI erkennt Muster in Tausenden Datensätzen in Minuten; ein Mensch braucht für dasselbe Volumen Wochen. Wichtig: Die Zeit wird nicht auf null reduziert — jemand muss die Vorschläge prüfen und bestätigen. Der Aufwand verschiebt sich aber drastisch: von blindem Suchen zu gezielter Prüfung.

Kosteneinsparung — niedrig (2/5)
Die Einrichtung liegt je nach Ansatz zwischen 0 und 10.000 Euro, die laufenden Kosten bei 100 bis 300 Euro pro Monat für regelmäßige Batch-Prüfungen. Der direkte Nutzen ist schwer zu isolieren — anders als bei der Rechnungsverarbeitung, wo du Einheitskosten je Rechnung messen kannst, oder der Lead-Qualifizierung, wo Conversion-Raten direkt vergleichbar werden. Datenbereinigung spart selten eine konkrete Rechnungsposition ein. Indirekt sind die Ersparnisse real: Weniger Retouren durch falsche Adressen, weniger manuelle Nacharbeit, vermiedene Migrationsfehler. Eine ERP-Migration, die durch Datenmüll um vier Wochen verlängert wird, kostet leicht 40.000 bis 100.000 Euro an Projektaufwand (siehe Rechnung im Abschnitt „Was es kostet”) — das übersteigt die Bereinigungskosten um ein Vielfaches. Trotzdem: Diese Ersparnis ist eine vermiedene Eskalation, kein laufender Kostenhebel. Deshalb hier ehrlich nur 2 von 5.

Schnelle Umsetzung — mittel (3/5)
Bis zur ersten Bereinigungsanalyse vergehen realistisch drei bis fünf Wochen: Daten exportieren, Tool einrichten, Matching-Regeln konfigurieren, Pilotlauf auf einem Teilbestand, Ergebnisse validieren. Das ist handhabbar — aber nicht so schnell wie Meeting-Protokolle oder Kundenkorrespondenz, wo ein SaaS-Tool am selben Tag einsatzbereit ist. Die Konfigurationsphase ist entscheidend: Schlecht eingestellte Matching-Schwellenwerte produzieren entweder zu viele Falschalarme oder zu wenige Treffer.

ROI-Sicherheit — hoch (4/5)
Hier ist das Ausmaß des Problems direkt messbar: Du kannst Dubletten zählen, Fehlerquoten erheben, Prozessverzögerungen dokumentieren. Die Verbesserung nach der Bereinigung ist genauso messbar — wie viele doppelte Einträge wurden gefunden, wie viele Fehler in Angeboten wurden vermieden, wie viel kürzer war die Migrationsphase. Das macht den ROI konkreter als bei indirekten Nutzenpositionen wie Wissensmanagement oder Sentiment-Analyse.

Skalierbarkeit — hoch (4/5)
Ein einmal konfiguriertes System lässt sich regelmäßig auf neue Datensätze anwenden — monatliche Batch-Prüfungen laufen weitgehend automatisch. Mit wachsendem Datenbestand steigt der Betriebsaufwand kaum proportional. Einschränkung: Die Matching-Regeln müssen gelegentlich angepasst werden, wenn das Unternehmen neue Märkte, neue Namenskonventionen oder neue Datenquellen hinzunimmt.

Richtwerte — stark abhängig von Datenbankgröße, Datenqualität der Ausgangsbasis und gewähltem Tool-Ansatz.

Was das System konkret macht

Machine Learning für Stammdaten folgt einem dreistufigen Prinzip: Erkennen, Vorschlagen, Bestätigen.

Erkennen: Das System analysiert alle Datensätze auf Muster. Fuzzy-Matching-Algorithmen berechnen für je zwei Einträge einen Ähnlichkeitswert — nicht auf Basis exakter Zeichenübereinstimmung, sondern semantischer und phonetischer Nähe. “Müller GmbH” und “Mueller GmbH & Co. KG” erhalten einen hohen Ähnlichkeitswert, obwohl sie buchstäblich verschieden sind. LLM-basierte Ansätze gehen noch weiter: Sie verstehen, dass “Bäckerei Gruber, Hauptstr. 12, 80331 München” und “Gruber Backwaren AG, Hauptstraße 12, München” sehr wahrscheinlich dieselbe Adresse meinen — selbst wenn Straßenname und Rechtsform variieren.

Parallel dazu prüft das System Vollständigkeit und Konsistenz: Welche Datensätze haben keine Postleitzahl? Welche Telefonnummern haben ungültige Formate? Welche Pflichtfelder fehlen? Welche Firmennamen werden mit mehr als zehn verschiedenen Schreibweisen geführt?

Vorschlagen: Aus der Analyse entsteht eine priorisierte Liste. Hochsichere Duplikate (>95 % Ähnlichkeit) werden als automatisch zusammenführbar markiert. Grenzwertige Fälle (70–95 %) werden zur manuellen Prüfung vorgelegt, mit den relevanten Unterschieden klar hervorgehoben. Das System empfiehlt eine Zusammenführungsstrategie: Welches ist der “Master”-Datensatz, welche Felder aus dem anderen Eintrag sollen übernommen werden?

Bestätigen: Ein Mensch prüft die Vorschläge und bestätigt oder korrigiert sie. Das ist absichtlich so — automatische Zusammenführungen ohne Kontrolle produzieren Fehler, die schwer rückgängig zu machen sind. Gute Systeme lassen eine Sammelbestätigung für hochsichere Treffer zu, fordern aber für grenzwertige Fälle eine explizite Einzelentscheidung.

Das Ergebnis ist ein bereinigter Datensatz mit dokumentierten Änderungen — und typischerweise eine deutlich kürzere Liste von Einträgen, die einen Menschen schnell über mehrere Instanzen eines Kunden stolpern lassen würden.

Integrations-Realität: Wo die eigentliche Arbeit liegt

Der Algorithmus ist nicht das Problem — das war er noch nie. Die eigentliche Arbeit liegt in der Anbindung der Datenwege zwischen den Systemen.

Daten raus, Daten rein. Die meisten Bereinigungstools arbeiten mit CSV- oder Excel-Exporten. Das bedeutet: Daten müssen aus CRM oder ERP exportiert werden, bereinigt werden, und danach muss der bereinigte Stand zurückimportiert werden — ohne dabei bestehende Verknüpfungen zu Bestellungen, Rechnungen oder Projekten zu beschädigen. Ein falscher Import kann Jahre an Transaktionshistorie von einem Kundendatensatz trennen. Wer das nicht sorgfältig plant, richtet mit der Bereinigung mehr Schaden an als vorher.

Wer entscheidet was? Beim Zusammenführen von Duplikaten entstehen echte Entscheidungen: Welche Bankverbindung gilt, wenn zwei Einträge unterschiedliche haben? Welcher Ansprechpartner bleibt, wenn beide Einträge verschiedene Namen enthalten? Diese Fragen kann kein System automatisch richtig beantworten — sie brauchen einen Fachentscheid aus dem Vertrieb oder der Buchhaltung. Wer vor der Bereinigung keinen klaren Entscheidungsträger benennt, hält die Arbeit an jedem zweiten Datensatz an.

Das Gewinner-Datensatz-Problem. Wenn zwei Duplikate zusammengeführt werden, muss eines “gewinnen” — der Mastereintrag, der die ID behält, von der alle anderen Systeme abhängen. Diese Logik muss vorab definiert sein, nicht im Nachhinein. In SAP etwa hängt oft Jahrzehnte von Transaktionshistorie an einer einzigen Kunden-ID — ein falscher Merge bedeutet im schlechtesten Fall, dass eine Bestellhistorie im Nirgendwo landet.

Das heißt: Für eine ERP-Migration solltest du die Bereinigung als eigenes Teilprojekt planen, mit eigenem Projektverantwortlichen, eigenem Testlauf auf einer Kopie der Produktivdaten, und einem Rollback-Plan für den Fall, dass etwas schiefgeht.

Konkrete Werkzeuge — was wann passt

OpenRefine — Kostenlos, open source, läuft vollständig lokal. Der beste Einstieg für einmalige Bereinigungen oder Teams ohne Budget für kommerzielle Tools. Mächtige Clustering-Algorithmen für Fuzzy-Matching; arbeitet mit CSV, Excel und anderen gängigen Formaten. Keine CRM/ERP-Integration — Export und Import manuell. Empfehlenswert für Unternehmen unter 100.000 Datensätzen, die eine einmalige Bereinigung vor einer Migration durchführen wollen. Technisches Niveau: niedrig bis mittel (grafische Oberfläche, kein Code nötig für Grundfunktionen).

WinPure Clean & Match — Kommerziell, Windows-only, einmalige Lizenz ab ca. 995 USD. Ohne Programmierkenntnisse bedienbar, schneller einzurichten als OpenRefine für nicht-technische Nutzerinnen und Nutzer. Fuzzy-Matching mit einstellbaren Ähnlichkeitsschwellenwerten. Gut geeignet für Bereinigungszyklen, die regelmäßig manuell angestoßen werden sollen. Keine API-Integration.

Claude für lange Namens- und Adresslisten — Wenn du tausend Firmennamen am Stück durch ein LLM jagen willst, um Varianten zusammenzuführen, spielt das große Kontextfenster (200.000 Token) seine Stärke aus: Du kannst der Anfrage den gesamten Bestand mitgeben und bekommst eine konsistente Gruppierung in einem Durchgang, statt in Chargen zu schneiden. Sinnvoll für einmalige Normalisierungs-Sprints. Voraussetzung: Team- oder Enterprise-Plan mit AVV — keine Kundendaten in den kostenlosen Plan.

ChatGPT für strukturierte Tabellenarbeit — Stärken liegen woanders: Im Business-/Enterprise-Plan kannst du eine Excel-Datei direkt hochladen, der Code Interpreter führt regelbasierte Bereinigungen aus (Adressen aufteilen, PLZ validieren, Telefonnummern normalisieren) und gibt eine bereinigte Datei zurück. Gut, wenn du wiederkehrende Bereinigungs-Logik brauchst, die du als Skript dokumentiert haben willst. Auch hier: nur Business- oder Enterprise-Plan für echte Stammdaten verwenden.

Make.com für laufende Hygiene — Für regelmäßige, automatisierte Qualitätsprüfungen eignet sich ein Workflow-Tool wie Make.com. Eingehende neue Datensätze können automatisch gegen bestehende geprüft werden — mit einer KI-API-Anfrage als Zwischenschritt. Konfigurationsaufwand: ein paar Stunden; danach läuft der Prozess von selbst. Sinnvoll, wenn neue Datensätze regelmäßig manuell angelegt werden (z. B. nach Messen oder durch verschiedene Außendienstmitarbeitende).

Ataccama ONE — Enterprise-Lösung für Unternehmen mit sehr großen Datenmengen, mehreren Quellsystemen und Compliance-Anforderungen. KI-basiertes Datenprofiling, integriertes Master Data Management, DSGVO-konformes EU-Hosting. Ab ca. 90.000 USD/Jahr — für die meisten Mittelständler noch zu teuer, aber die richtige Wahl für Konzernstrukturen oder stark regulierte Branchen.

Zusammenfassung: Wann welcher Ansatz

• Einmalige Bereinigung, kein Budget → OpenRefine
• Einmalige Bereinigung, einfache Bedienung wichtig → WinPure
• Lange Listen in einem Rutsch normalisieren → Claude (großes Kontextfenster)
• Tabellenarbeit mit Excel-Upload und reproduzierbarer Logik → ChatGPT Business (Code Interpreter)
• Laufende Hygiene neuer Einträge → Make.com mit API-Anbindung
• Enterprise, mehrere Systeme, Compliance → Ataccama ONE

Datenschutz und Datenhaltung

Kundenstammdaten, Lieferantendaten und Mitarbeiterverzeichnisse sind fast immer personenbezogen im Sinne der DSGVO — Firmennamen in Verbindung mit Ansprechpartnern und Kontaktdaten fallen darunter. Wer diese Daten zur Bereinigung an ein externes Tool übergibt, schließt damit eine Auftragsverarbeitungsbeziehung und braucht einen AVV (Art. 28 DSGVO).

Für die genannten Tools gilt:

• OpenRefine: Vollständig lokal. Keine Daten verlassen den eigenen Rechner. Kein AVV nötig. DSGVO-sicherste Option — besonders relevant, wenn Gesundheitsdaten, Finanzdaten oder andere besonders schutzwürdige Kategorien enthalten sind.
• WinPure: Ebenfalls lokal (Windows-Anwendung). Keine Cloud-Verbindung im Standardbetrieb. Kein AVV nötig.
• ChatGPT (Business-Plan): Datenverarbeitung auf US-Servern. AVV von OpenAI erhältlich. Ab dem Business-Plan werden keine Gesprächsdaten für Training genutzt. Für den Einsatz mit Stammdaten gilt: Nur Business- oder Enterprise-Plan verwenden, niemals den kostenlosen oder Plus-Plan für echte Kundendaten.
• Ataccama ONE: EU-Datenhosting verfügbar, AVV vorhanden. DSGVO-konform einsetzbar.
• Make.com: Wenn externe KI-APIs im Workflow eingebunden werden, braucht es AVVs mit allen Drittanbietern in der Kette.

Praxis-Empfehlung: Für die eigentliche Bereinigungsarbeit (Fuzzy-Matching, Duplikatprüfung) empfiehlt sich immer ein lokales Tool — OpenRefine oder WinPure. ChatGPT oder andere LLM-Tools kommen erst als zweite Schicht für spezifische Normalisierungsaufgaben ins Spiel, und dann ausschließlich mit dem Business-Plan und aktiviertem AVV.

Was es kostet — realistisch gerechnet

Einmalige Bereinigung (vor ERP-Migration)

Laufende Stammdatenhygiene (quartalsweise oder monatlich)

• Keine zusätzlichen Toolkosten wenn OpenRefine oder WinPure bereits eingerichtet sind
• Zeitaufwand: 2–4 Stunden pro Bereinigungslauf (abhängig von Datenmenge und Anzahl neuer Einträge)
• Make.com für automatisierte Prüfung neuer Datensätze: ab ca. 9 Euro/Monat (Free-Plan ausreichend für kleine Workflows)

Was du dagegenrechnen kannst

Das stärkste Argument ist die Migrationsrechnung: Eine ERP-Migration, die durch Datenmüll vier Wochen länger dauert, kostet bei einem externen Implementierungspartner schnell 40.000 bis 100.000 Euro Mehraufwand. Eine gründliche Bereinigung vorher kostet einen Bruchteil davon.

Für laufende Prozesse: Wenn ein Vertriebsmitarbeitender wegen Duplikaten in der Kundendatenbank zweimal dieselbe Firma anschreibt oder eine Rechnung an die falsche Adresse geht, entstehen Kosten, die sich auf zehn bis fünfzig Euro je Vorfall summieren lassen. Bei 100 solcher Fälle jährlich ist das bereits eine ernsthafte Summe — und in einer Datenbank mit ernsthaften Qualitätsproblemen realistisch.

Wie du den Nutzen tatsächlich misst

Vor der Bereinigung: Duplikatrate erheben (wie viele Einträge tauchen mehrfach auf?), Vollständigkeitsquote messen (wie viele Pflichtfelder fehlen?), Fehlerrate in abhängigen Prozessen dokumentieren (Retouren wegen falscher Adressen, falsch adressierte Rechnungen). Nach der Bereinigung dieselben Metriken erheben. Die Differenz ist der messbare Nutzen.

Drei typische Einstiegsfehler

1. Automatisch zusammenführen ohne Backup.
Der naheliegende Fehler: Das Tool markiert 800 hochsichere Duplikate, man klickt “Alle zusammenführen” — und danach fehlt Transaktionshistorie in den falschen Einträgen oder Verknüpfungen zu Aufträgen sind verloren. Ohne ein vollständiges Backup des Ausgangszustands ist das ein irreversibler Schaden. Regel: Zuerst sichern, dann bereinigen. Immer.

2. Den Ähnlichkeitsschwellenwert nicht kalibrieren.
Viele setzen den Matching-Schwellenwert zu niedrig an — aus dem Wunsch heraus, möglichst viele Duplikate zu finden. Das Ergebnis: Hunderte Falsch-Positive, die manuell geprüft und abgelehnt werden müssen. Das erzeugt mehr Arbeit als ohne Tool. Gute Praxis: Mit einem hohen Schwellenwert (>90 %) starten, die ersten 50 Treffer manuell prüfen, dann iterativ adjustieren. Ein kalibrierter Schwellenwert spart in der Bereinigungsphase enorm Zeit.

3. Die Bereinigung als einmaliges Ereignis behandeln.
Wer Stammdaten einmal bereinigt und dann den Prozess nicht ändert, hat in 18 Monaten wieder denselben Stand. Der eigentliche Hebel liegt nicht in der einmaligen Bereinigung, sondern in der Einführung eines Neuanlage-Prozesses: Wer legt einen neuen Kundenstamm an? Wer prüft auf Duplikate, bevor der Eintrag gespeichert wird? Ohne diese Prozessänderung ist die Bereinigung eine Sisyphusarbeit.

Was mit der Einführung wirklich passiert — und was nicht

Datenbereinigung ist technisch lösbar. Organisatorisch ist sie komplizierter.

Die häufigste Überraschung: Das Problem ist größer als erwartet.
In fast allen Projekten stellt sich heraus, dass der Anteil fehlerhafter Datensätze höher ist als angenommen. Das ist kein Scheitern der Erhebung — das ist eine normale Entdeckung. Wer das weiß, plant realistischere Zeitrahmen.

Der unsichtbare Täter: Keine klare Dateneigentümerschaft.
In vielen Unternehmen ist niemand offiziell für die Qualität der Stammdaten verantwortlich. Die IT pflegt das System, der Vertrieb legt Kunden an, die Buchhaltung korrigiert Fehler post-hoc — aber niemand “besitzt” die Daten. Das Ergebnis: Kein Anreiz, sauber anzulegen. Kein Anreiz, zu bereinigen. Keine Zuständigkeit für Qualitätsprobleme.

Ohne eine benannte Person — mit Zeit und Mandat für die Datenpflege — wird jede technische Lösung nach einem Jahr wieder in den alten Zustand abdriften. Das ist kein pessimistisches Szenario, sondern beobachtete Realität.

Was konkret hilft:

• Vor dem Projekt eine Person als “Dateneigentümer” benennen — nicht die IT, sondern jemand mit fachlichem Kontext (Vertriebsleitung, Head of Operations)
• Neuanlage-Prozess definieren: Darf jeder neue Kundenstammdaten anlegen? Oder gibt es eine Prüfstelle?
• Bereinigungsergebnisse im Team kommunizieren — wenn alle sehen, dass 800 Duplikate gefunden wurden, entsteht Bewusstsein für das Problem
• Drei Monate nach der Bereinigung: kurze Qualitätsprüfung auf neuen Einträgen, um Rückfall zu erkennen

Realistischer Zeitplan mit Risikohinweisen

Ehrliche Einschätzung: Für eine Migration mit harter Deadline (wie Sabines Szenario) ist sechs Wochen knapp. Wer die Bereinigung zwei Monate vor Go-Live angeht, ist in einer deutlich komfortableren Position.

Häufige Einwände — und was dahintersteckt

„Unsere Daten sind eigentlich gar nicht so schlimm.”
Das glauben fast alle — bis zur ersten systematischen Analyse. Die Zahl 60 bis 80 Prozent fehlerhafter Datensätze klingt übertrieben, bis man sie im eigenen Datensatz sieht. Die Einschätzung “nicht so schlimm” entsteht, weil die Fehler nie in dieser Zusammenballung sichtbar sind — sie zeigen sich immer nur als einzelne Ausnahme in einem konkreten Fall. Das Tool zeigt das Bild in der Totale, und das ist oft überraschend.

„Das machen wir manuell, das geht schneller.”
Für sehr kleine Datenbanken (unter 500 Einträge) stimmt das manchmal sogar. Ab ein paar Tausend Datensätzen stimmt es nicht mehr — dann sind manuelle Bereinigungen primär Stichproben, keine vollständige Prüfung. Ein Algorithmus ist ermüdungsresistent und konsistent; ein Mensch ist es nicht. Das bedeutet nicht, dass Menschen ersetzt werden — aber die Aufgabe des Menschen ist die Entscheidung, nicht das Suchen.

„Wir kaufen nach der Migration ein besseres CRM, dann fangen wir sauber an.”
Das neue System löst das Problem nicht, wenn die alten Daten unbereinigt übernommen werden. “Sauber anfangen” mit alten Daten ist kein frischer Start — es ist derselbe Datenmüll in einem teureren Behälter. Eine Bereinigung vor der Migration kostet einen Bruchteil dessen, was eine nachträgliche Bereinigung in einem neuen System kostet, wenn die Fehler bereits in alle abhängigen Prozesse eingearbeitet sind.

Woran du merkst, dass das zu dir passt

• Du hast eine ERP- oder CRM-Migration in den nächsten sechs bis zwölf Monaten — das ist der häufigste und stärkste Auslöser. Saubere Stammdaten sind für jede Migration Pflicht, und der Bereinigungsaufwand wird fast immer unterschätzt.
• Eure Datenbank ist durch manuelle Einträge von mehreren Personen über mehrere Jahre gewachsen — dann sind Inkonsistenzen keine Ausnahme, sondern die Regel.
• Ihr merkt, dass denselben Kunden oder Lieferanten mehrere Einträge gehören — wenn das stichprobenartig auffällt, ist das Problem systematisch.
• Prozesse scheitern regelmäßig an Datenproblemen — zurückgesandte Rechnungen, unzustellbare Angebote, Lieferungen an falsche Adressen, doppelte Ansprachen durch den Vertrieb.
• Ihr generiert Reports oder KPIs aus den Stammdaten — und habt das Gefühl, dass die Zahlen nicht stimmen können.

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter ca. 500 Datensätzen. Der Einrichtungsaufwand für ein KI-gestütztes Tool rentiert sich nicht. Eine manuelle Durchsicht mit einer Excel-Tabelle und zwei Stunden Zeit ist schneller, günstiger und genauer. Datenbereinigung mit KI lohnt sich erst ab einer Datenbankgröße, bei der manuelle Prüfung unrealistisch wird.

2. Weder Prozessreife noch klar benannte Verantwortung. Wenn niemand weiß, wer neue Datensätze anlegen darf und ob dabei Duplikate geprüft werden — und gleichzeitig keine Person mit Mandat und Zeit für Bereinigungsentscheidungen benannt ist — löst eine einmalige Bereinigung das Problem für maximal sechs Monate. Datenmüll wächst sofort wieder nach, und für die unvermeidbaren Einzelfälle (welcher Master gewinnt? welche Bankverbindung gilt?) gibt es keinen Entscheider. Dieser Anwendungsfall macht erst Sinn, wenn beides gleichzeitig adressiert wird: neuer Neuanlage-Prozess und benannter Datenverantwortlicher.

3. Daten lassen sich nicht sauber exportieren oder liegen in nicht verbundenen Inseln. Wenn das Altsystem keinen vollständigen, verknüpfungserhaltenden Export liefert — oder Stammdaten verteilt über mehrere unverbundene Systeme (CRM, eigenes Excel, Buchhaltungs-Software, Außendienst-App) ohne gemeinsamen Schlüssel liegen — ist die Bereinigung das falsche erste Projekt. Vorher braucht es eine Konsolidierung auf eine führende Quelle. Wer ohne diesen Schritt anfängt, bereinigt eine Insel, während die anderen weiter abdriften.

Das kannst du heute noch tun

Bevor du irgendein Tool kaufst oder einrichtest: Führe eine Stichprobenprüfung durch. Exportiere 100 zufällige Datensätze aus deinem CRM oder ERP in eine Excel-Tabelle und prüfe sie manuell:

• Wie viele Einträge haben fehlende Pflichtfelder?
• Wie viele scheinen einem Kunden zu gehören, der schon unter anderem Namen existiert?
• Wie viele Telefonnummern oder E-Mail-Adressen sind offensichtlich nicht mehr aktuell?

Das dauert 30 Minuten und gibt dir eine realistische Hochrechnung auf deinen Gesamtbestand.

Wenn du mit OpenRefine direkt loslegen willst: Exportiere eine größere CSV-Datei (500–5.000 Zeilen), importiere sie in OpenRefine und starte einen Cluster-Lauf auf der Firmennamen-Spalte. Wähle unter “Key Collision” den “fingerprint”-Algorithmus — er ist der einsteigerfreundlichste und findet die offensichtlichsten Varianten (GmbH vs. GesmbH, fehlende/überzählige Leerzeichen, etc.).

Für die KI-gestützte Normalisierung von besonders unstrukturierten Daten kannst du diesen Prompt als Ausgangspunkt nutzen:

Quellen & Methodik

• Gesamtwirtschaftlicher Datenschaden — IBM: IBM, „The True Cost of Poor Data Quality” (2023). Schätzung: 3,1 Billionen USD jährlich allein in den USA. Primärbeleg für die Größenordnung.
• Kosten schlechter Datenqualität — Gartner: Gartner, „How to Stop Data Quality Undermining Your Business” (2018, weiterhin als Benchmark zitiert). Schaden: mindestens 12,9 Mio. USD jährlich je Unternehmen. Historische Schätzung — als sekundärer Beleg verwendet, die Größenordnung wird durch IBM 2023 und Datalere 2024 gestützt.
• CRM/ERP-Datenqualität — MIT Sloan: Thomas C. Redman, „Seizing Opportunity in Data Quality” (MIT Sloan Management Review, 2022). Bestätigt die Größenordnung der Datenqualitätskosten und konkretisiert den Anteil schlechter Daten an Entscheidungsfehlern.
• 70 % der Unternehmen mit Duplikaten: Datalere, „Poor Data Quality is a Full-Blown Crisis: A 2024 Customer Insight Report” (2024).
• 44 % halten CRM/ERP-Daten für korrekt: Eigene Datalere-Erhebung, ebenda.
• 10–30 % Migrationsbudget für Datenbereinigung: find-your-erp.de, „Datenmigration im ERP-Projekt: Best Practices & Strategie” (2024); IT-Matchmaker, „4 Tipps für die Migration von Stammdaten” (2023).
• 60–80 % Datensätze mit Qualitätsproblemen: Erfahrungswert aus Datenbereinigungsprojekten bei Mittelstandsunternehmen; konsistent mit Zahlen aus PIKON SAP Consulting, „Stammdatenbereinigung: Innovationen in der Dublettenerkennung” (2023).
• OpenRefine: openrefine.org — Open-Source-Datenbereinigungstool, aktiv gepflegt, aktuelle Version 3.8.x (Stand April 2026).
• WinPure Preise: winpure.com — Professional-Lizenz ab 995 USD, verifiziert April 2026.
• Ataccama ONE Preise: ataccama.com, ab ca. 90.000 USD/Jahr (Enterprise-Lizenz auf Anfrage, Stand April 2026).
• Art. 28 DSGVO (AVV): Datenschutz-Grundverordnung in der aktuell gültigen Fassung.

Du willst wissen, wie groß das Datenproblem in eurer Datenbank tatsächlich ist — und was ein Bereinigungsprojekt realistisch kosten und bringen würde? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.