Datenqualität: das unsichtbare Fundament KI-fähiger ERP-Systeme

Warum die beste Bedarfsprognose im Großhandel an schmutzigen Stammdaten scheitert — nicht an der KI. Eine Bestandsaufnahme aus 500+ Projekten im DACH-Raum.

KI × ERP-Reihe · Teil 2
Teil 1 zeigte, warum ERP-Daten allein keine KI tragen. Teil 2 nimmt den zweiten Weg in den Blick — Datenqualität — am Beispiel Großhandel: Was „gute Daten“ konkret bedeuten, und warum kein Modell schlechte Stammdaten repariert.

Die wichtigste Antwort in 60 Sekunden

Keine KI ist besser als die Stammdaten, auf denen sie rechnet.

Im Großhandel entscheidet nicht das Prognosemodell über die Trefferquote, sondern der Artikelstamm darunter. Dubletten, uneinheitliche Mengeneinheiten und fehlende Attribute führen dazu, dass eine KI mit voller Überzeugung den falschen Bedarf errechnet — und der Fehler skaliert über Tausende Positionen.

Deshalb ist Datenqualität kein IT-Hygienethema, sondern die Voraussetzung jeder KI-gestützten Disposition. Wer sie vor dem Modell anpackt, verdient die Investition zurück; wer sie überspringt, automatisiert seine eigenen Fehler. 33+ Jahre Beratungserfahrung, 500+ Projekte, 100 % herstellerunabhängig.

„Unsere Prozesse laufen — warum liefert die Prognose trotzdem Unsinn?"

Diese Frage hören wir besonders häufig im Großhandel. Bestellungen, Wareneingänge und Rechnungen laufen sauber durch das ERP, die Abläufe sind eingespielt — und trotzdem schlägt die erste KI-gestützte Bedarfsprognose daneben. Der Reflex ist, am Modell zu drehen. Die Ursache liegt fast immer eine Ebene tiefer: in den Stammdaten, mit denen das Modell überhaupt erst rechnet.

Dass dies kein Randthema ist, zeigt die amtliche Statistik. Laut dem Statistischen Bundesamt setzten 2025 erst 26 Prozent der deutschen Unternehmen KI ein. Unter den Unternehmen, die einen Einsatz geprüft und verworfen haben, nennen 44 Prozent Schwierigkeiten mit der Verfügbarkeit oder Qualität der Daten — und 45 Prozent die Inkompatibilität mit dem Bestand an Geräten, Software und Systemen. Zwei der fünf häufigsten Hemmnisse liegen damit nicht in der KI, sondern in der Datenbasis und der Systemlandschaft darunter.

Was „Datenqualität“ für KI wirklich bedeutet

„Gute Daten“ ist kein Gefühl, sondern messbar. Im Kern geht es um fünf Dimensionen: Vollständigkeit (sind alle nötigen Attribute gefüllt?), Konsistenz (widersprechen sich Felder und Systeme nicht?), Aktualität (bilden die Daten den heutigen Stand ab?), Korrektheit (stimmen sie mit der Realität überein?) und Eindeutigkeit (existiert jeder Artikel genau einmal?). Eine KI kann keine dieser Lücken erraten — sie verstärkt sie.

Im Handel ist dafür längst ein Standard etabliert. GS1 Germany definiert mit dem Data Quality Gate und dem Branchenstandard GS1 DQX verbindliche Prüfregeln für Produktstammdaten; für den Austausch über das GDSN im deutschen Zielmarkt ist die Validierung seit Mai 2023 verpflichtend. Über 1.200 Unternehmen nutzen den Dienst bereits. Die Botschaft dahinter ist eindeutig: Stammdatenqualität ist im Großhandel kein Kür-, sondern ein Pflichtthema — lange bevor KI ins Spiel kommt.

Drei Stammdaten-Defekte, die jede Großhandels-KI ausbremsen

In der Projektpraxis sind es immer wieder dieselben drei Defekte, die belastbare Prognosen verhindern — und die kein Algorithmus von selbst korrigiert.

Auffällig ist: Keiner dieser Defekte ist ein KI-Problem. Es sind Stammdaten- und Prozessprobleme, die im Tagesgeschäft lange unsichtbar bleiben — bis ein Modell sie konsequent ausrechnet und damit sichtbar macht.

Wo es kippt: Wenn die Prognose den Fehler skaliert

Solange Menschen disponieren, fangen erfahrene Mitarbeitende viele Datenfehler stillschweigend ab — sie wissen, dass „der Artikel eigentlich der gleiche ist“ oder „die Palette 48 Stück hat“. Eine KI weiß das nicht. Sie nimmt die Daten beim Wort und wendet den Fehler systematisch auf das gesamte Sortiment an. Aus einem stillen Pflegefehler wird so ein lautstarkes Dispositionsproblem: Überbestände hier, Fehlmengen dort, beides gleichzeitig.

Datenqualität ist damit nicht nur Risiko, sondern Wettbewerbsfaktor. Das Institut der deutschen Wirtschaft ordnet KI 2025 als Wettbewerbsfaktor ein, dessen Nutzen unmittelbar von der Datenbasis abhängt — der Vorsprung entsteht nicht durch das Modell, sondern durch die Daten, die ein Unternehmen ihm geben kann. Im Großhandel heißt das konkret: Wer seine Stammdaten beherrscht, kann Prognose, Disposition und Automatisierung aufeinander stapeln. Wer es nicht tut, automatisiert seine Fehler schneller als die Konkurrenz.

Aus unserer Projektarbeit · B2B-Großhandel · DACH

Eine Einkaufsgenossenschaft mit 45.000 Artikeln über zehn Niederlassungen — und keiner einzigen verlässlichen Datenwahrheit.

Ausgangssituation: Stammdaten — Lieferanten, Artikel, Kunden — wurden an jeder Niederlassung eigenständig angelegt und geändert, ohne einheitliche Standards und ohne zentrale Validierung. Identische Artikel trugen unterschiedliche Bezeichnungen, Attribute und Klassifizierungen. Genau der Zustand, in dem jede KI-gestützte Prognose oder automatisierte Disposition die Fehler skaliert hätte statt den Umsatz.

Vorgehen: Ein Stammdaten-Audit nach den Kriterien Vollständigkeit, Eindeutigkeit, Aktualität und Konsistenz; ein zentrales Datenmodell nach dem Single-Source-of-Truth-Prinzip mit Pflichtattributen und Validierungsregeln für das gesamte 45.000-Artikel-Sortiment; workflow-gesteuerte Freigabe (dezentrale Erfassung, zentrale Validierung, Freigabe mit Audit-Trail); sowie ein standortübergreifendes Schulungs- und Data-Governance-Konzept.

–73%Fehlerquote in den Stammdaten

–15%Aufwand im Qualitätsmanagement

Der Punkt für KI: Das saubere Datenmodell ist die Voraussetzung, auf der die geplante ERP-Automatisierung nun läuft — maschinengestützte Disposition, automatisierte Bestellprozesse, Supply-Chain-Workflows. Die Prognose war nie der schwierige Teil; es waren die Daten darunter.

Zur vollständigen Fallstudie →

Handlungsempfehlung: drei Schritte zu KI-fähigen Stammdaten

Bevor die erste KI-Prognose startet, lohnt sich der Aufbau eines belastbaren Stammdatenfundaments. Drei Schritte haben sich in der Praxis bewährt:

• Schritt 1 — Qualität messbar machen. Legen Sie pro Datendimension fest, was „gut genug“ heißt, und messen Sie den Ist-Zustand am kritischen Sortiment. Erst eine Kennzahl macht aus dem Bauchgefühl „die Daten sind schlecht“ eine steuerbare Größe.
• Schritt 2 — Verantwortung verankern. Stammdaten brauchen Eigentümer in den Fachbereichen, nicht nur in der IT. Wer legt an, wer pflegt, wer gibt frei? Ohne klare Data Ownership kehrt jeder bereinigte Bestand binnen Monaten in den alten Zustand zurück.
• Schritt 3 — Qualität an der Quelle sichern. Prüfen Sie Daten beim Anlegen, nicht erst beim Reporting. Pflichtfelder, Validierungsregeln und ein Freigabe-Gate verhindern Fehler dort, wo sie entstehen — statt sie später teuer zu bereinigen.

Unsere Einordnung: Diese drei Schritte sind die Voraussetzung dafür, dass die späteren Teile dieser Serie überhaupt tragen — von der Kooperation in Datenräumen bis zur Roadmap in Teil 5. Ein gutes Modell auf schlechten Stammdaten bleibt ein teures Missverständnis.

Nächste Schritte

Wenn eine KI-gestützte Prognose oder Disposition ansteht, lohnt der Blick auf die Stammdaten, bevor das Modell ausgewählt wird. Mehr zu unserem Vorgehen bei Digitalisierung, ERP und KI-Integration finden Sie in unserer Übersicht der Beratungsleistungen.

Der Anfang der Serie: Warum ERP-Daten allein keine KI tragen, lesen Sie in Teil 1.

Teil 3 der Serie: Daten teilen ohne Kontrollverlust — Federated Learning und Datenräume (am Beispiel Produktion). Erscheint in Kürze.

Am unmittelbarsten gilt das im Großhandel & in der Distribution, wo gewachsene Stammdaten der übliche Ausgangspunkt sind.

Dr. Harald Dreher Geschäftsführer, Dreher Consulting · 33+ Jahre Beratungserfahrung im DACH-Mittelstand · 500+ begleitete ERP-, Digitalisierungs- und KI-Projekte · 100 % herstellerunabhängig · Direkt verfügbar für Geschäftsführung im Erstgespräch. Buchen Sie einen Termin direkt bei Dr. Dreher →