Datenqualität – warum mehr Daten keine bessere Wahrheit liefern

1. Die verbreitete Quantitätslogik

In vielen Organisationen wird implizit angenommen:

• mehr Daten schaffen mehr Genauigkeit,

• mehr Quellen erhöhen Objektivität,

• technische Integration verbessert Wahrheit.

Typische Aussagen sind:

• „Wir brauchen noch mehr Daten.“

• „Die Zahlen widersprechen sich – wir sammeln weiter.“

Dabei wird Quantität mit Qualität gleichgesetzt.

2. Warum diese Logik zunächst plausibel wirkt

Die Annahme erscheint nachvollziehbar, weil:

• Statistik Präzision suggeriert,

• Daten technisch skalierbar sind,

• Unschärfe als Datenlücke interpretiert wird.

Mehr Daten wirken fundierter – unabhängig von ihrem Ursprung oder ihrer Konsistenz.

3. Wo die Logik systemisch bricht

Der Bruch entsteht, wenn unsichere Daten vervielfältigt werden.

Datenmenge kann:

• Rauschen erhöhen,

• Widersprüche verschleiern,

• Scheingenauigkeit erzeugen.

Ohne klare Definition von:

• Kontext,

• Erhebungslogik,

• Entscheidungsrelevanz

wird aus Information keine Erkenntnis. Das System sieht mehr – versteht aber nicht besser.

4. Typische Folgen datengetriebener Scheingenauigkeit

Wird Datenmenge über Qualität priorisiert, zeigen sich regelmäßig:

• zunehmende Unsicherheit trotz hoher Informationsdichte,

• widersprüchliche Entscheidungsgrundlagen,

• sinkende Handlungsfähigkeit.

Daten werden gesammelt, nicht geprüft.

5. Die notwendige Trennung der Logiken

Eine konsistente Datenlogik erfordert die klare Unterscheidung:

• Datenmenge beantwortet die Frage: Wie viele Informationen sind verfügbar?

• Datenqualität beantwortet die Frage: Welche Informationen sind verlässlich, relevant und entscheidungsfähig?

Ohne definierte Qualitäts‑ und Relevanzkriterien erhöht jede zusätzliche Datenquelle die Komplexität – nicht die Wahrheit.

Relevant im Kontext von Data Governance, Entscheidungsfindung, Management Control Systems und KI‑Einsatz.