Datenschutz : Deutschland hat ein Datenqualitätsproblem – kein Datenschutzproblem

In der deutschen Wirtschaft gilt der strenge Datenschutz als Innovationsbremse. Laut einer Bitkom-Umfrage gaben 70 Prozent der deutschen Unternehmen an, bereits Innovationsprojekte aus Sorge vor Datenschutzauflagen oder Rechtsunsicherheit gestoppt zu haben. Allerdings sind die Unsicherheiten rund um den Datenschutz oft nur Symptome eines größeren Problems. Meiner Erfahrung nach scheitern Innovationen in deutschen Unternehmen eher an mangelhafter Datenqualität – und diese hat viele Erscheinungsformen: unvollständige, fehlerhafte oder veraltete Informationen, isolierte Datensilos, fehlende Dokumentation, unauffindbare oder vergessene Datensätze.

Dark Data: fehlender Überblick, unbekannte Gefahr

Studien zufolge sind etwa 70 bis 90 Prozent der Daten in Unternehmen weltweit sogenannte „Dark Data“: Daten, die zwar erhoben, verarbeitet und gespeichert, aber nicht für Analysen und datengetriebene Entscheidungen verwendet und schließlich vergessen werden. Dennoch verursachen sie laufende Kosten für die nötige Dateninfrastruktur (Tools, Hardware, personelle Ressourcen, Rechenleistung, Cloudspeicher). Hinzu kommen erhebliche ökologische Kosten durch den Strom- und Wasserverbrauch für Betrieb und Kühlung der Rechenzentren, in denen Unternehmen weltweit ihre ungenutzten Daten prozessieren und lagern.

Wer aufgrund mangelhafter Dokumentation und diverser Speicherplätze den Überblick über die vorhandenen Daten verliert, weiß bei einem Datenleck oder Data Breach auch nicht, welche Daten betroffen sind – juristische Konsequenzen und Reputationsschäden drohen.

Datenqualitätsprobleme in deutschen Unternehmen

Dark Data entstehen häufig, weil eine Datenstrategie oder konkrete Anwendungsfälle fehlen und die vorsorglich gesammelten Daten ungenutzt veralten.

Und selbst die für Analysen genutzten Datenbestände werden in der Regel zu wenig gepflegt, sind voller Lücken oder liegen für spätere Anwendungen nicht in der gewünschten Granularität, Aktualität oder im richtigen Format vor. Wenn zusätzlich Metadaten, Kontext und Dokumentation fehlen, sind sie für sinnvolle, datenbasierte Entscheidungen unbrauchbar. Dies zeigt sich spätestens jetzt bei den KI-Projekten, die seit gut zwei Jahren allerorten aus dem Boden sprießen: Datenqualität ist auch hier die Conditio sine qua non – ohne qualitativ hochwertige Daten können sich Unternehmen die meisten KI-Projekte einfach sparen.

Doch auch eine unzureichend entwickelte Datenkultur – von mangelnder (technischer) Datenkompetenz über fehlende Prozesse bis hin zur „Silo Mentality“ – führen zu schlechter Datenqualität: Wenn einzelne Abteilungen ihre Daten nicht sauber pflegen und nicht mit anderen teilen, werden Daten oft von mehreren Unternehmensbereichen parallel, aber unterschiedlich erhoben und verarbeitet. Fließen all diese Daten dann ungeordnet in einem zentralen System zusammen, führen unterschiedliche Formate und fehlende Kontextinformationen zu einer Versumpfung. Dieser Datensumpf kann nur durch viel Handarbeit und Gestaltungswillen wieder zu einem sauberen Bestand renaturiert werden.

Datenqualität braucht Führung

Doch genau daran hapert es oft: Nur 16 Prozent der deutschen Unternehmen haben ein eigenes Datenteam; nur 17 Prozent setzen auf einen Chief Data Officer (CDO). Dabei ist diese Position gerade in größeren Firmen entscheidend, um eine klare Datenstrategie zu entwickeln und ein strukturelles Problem anzugehen: „There is no glory in cleaning up”, sprich: Beförderungen und Lob gibt es in den meisten (IT-)Teams vor allem für die Einführung neuer Tools und die Umsetzung herausragender Leuchtturmprojekte.

Daher nimmt sich kaum jemand die Zeit, Daten zu bereinigen, zu konsolidieren, zu dokumentieren und auszumisten – für klassische Aufgaben der Data Governance also, dem strukturierten Umgang mit Daten gemäß verbindlicher Regeln, Zuständigkeiten und Prozesse im Unternehmen. Das Ergebnis ist immer mehr „Data Debt“: improvisierte, unsaubere Datenlösungen, begünstigt durch personelle Wechsel, schnelle Entscheidungen und kurzfristige Taktiken statt langfristiger Strategien.

Fazit: Audit, Clean-up, Strategie

Das Datenqualitätsproblem ist kein unbekanntes: 59 Prozent der IT-Entscheider und C-Level Manager in deutschen Unternehmen betrachten Datenqualität als erhebliche Herausforderung – die es jedoch anzunehmen gilt. Ohne die nötige Datenqualität leidet das Vertrauen in datengestützte Entscheidungen und Innovationen werden zum Risiko oder Endlosprojekt.

Der notwendige erste Schritt ist ein Daten-Audit: Verschaffen Sie sich einen Überblick, welche Daten in welchen Abteilungen vorliegen. Finden Sie Dark Data, Duplikate, veraltete oder widersprüchliche Daten sowie Daten, die aufgrund fehlenden Kontexts nicht sinnvoll nutzbar sind. Diese Bestandsaufnahme sollte unternehmensweit das Bewusstsein für Datenqualität schärfen und als Startpunkt für einen gezielten Clean-up und eine echte Datenstrategie dienen. Diese Aufgaben mögen wenig glanzvoll sein, sind aber unverzichtbar. Und der Datenschutz dankt es Ihnen auch.

Ramona Casasola-Greiner ist Expertin für die Ethik von Daten und KI und ist beim Zentrum für digitalen Fortschritt D64 Co-Leiterin der AG Künstliche Intelligenz des Think Tanks.