Zuletzt aktualisiert: 27. August 2026
Schlechte Datenqualität kostet Unternehmen durchschnittlich 12,9 Millionen Dollar pro Jahr (Gartner 2020). Die 1-10-100-Regel erklärt den Mechanismus dahinter: Jeder nicht behobene Datenfehler wird pro Stufe zehnmal teurer. Dieser Artikel versammelt die wichtigsten belegten Zahlen zu den Kosten schlechter Daten, jeweils mit Quelle, Jahr und kurzer Einordnung.
Das Wichtigste in Kürze
Die 1-10-100-Regel (Labovitz/Chang 1992) besagt: Einen Datenfehler zu verhindern kostet 1 Dollar pro Datensatz, ihn nachträglich zu korrigieren 10 Dollar, ihn zu ignorieren 100 Dollar. Unternehmen verlieren 15 bis 25 Prozent ihres Umsatzes durch mangelhafte Datenqualität (MIT Sloan / Redman 2017).
Gartner beziffert die durchschnittlichen Kosten schlechter Datenqualität auf 12,9 Millionen Dollar pro Jahr und Unternehmen (2020). 85 Prozent der gescheiterten KI-Projekte scheitern laut Gartner an Datenqualität oder Datenverfügbarkeit. Stand: Juli 2026.
Inhaltsverzeichnis
- Was besagt die 1-10-100-Regel?
- Welche Studien beziffern die Kosten schlechter Daten?
- Warum tun diese Kosten erst jetzt weh?
- Wie stoppen Sie die Verzinsung?
- FAQ: Häufige Fragen zu den Kosten schlechter Daten
Was besagt die 1-10-100-Regel?
Die 1-10-100-Regel stammt von George Labovitz und Yu Sang Chang aus dem Jahr 1992 und beschreibt, wie sich die Kosten eines Datenfehlers je nach Umgang mit ihm entwickeln:
- 1 Dollar: Den Fehler bei der Eingabe verhindern (Prävention). Validierungsregel, Pflichtfeld, klare Pflegeverantwortung.
- 10 Dollar: Den Fehler nachträglich finden und korrigieren (Korrektur). Bereinigungsprojekt, manuelle Nacharbeit, Abgleich zwischen Systemen.
- 100 Dollar: Den Fehler ignorieren und mit den Folgen leben (Folgekosten). Falsche Lieferungen, Retouren, verlorene Kunden, Fehlentscheidungen auf Basis falscher Zahlen.
Die exakten Dollarbeträge sind eine Modellrechnung, keine Naturkonstante. Der Mechanismus dahinter ist jedoch über drei Jahrzehnte hinweg immer wieder bestätigt worden: Die Kosten eines Datenfehlers wachsen pro Stufe um eine Größenordnung, weil der Fehler sich durch Systeme, Prozesse und Entscheidungen weiterverbreitet.
Genau deshalb ist die Regel die Rechenlogik hinter dem Begriff Datenschulden: Ein ignorierter Datenfehler verhält sich wie ein nicht getilgter Kredit. Er verschwindet nicht, er verzinst sich. Jedes System, das den fehlerhaften Datensatz übernimmt, jeder Prozess, der darauf aufbaut, erhöht die spätere Rückzahlungssumme.
Die Kosten schlechter Daten standen nie auf einer Rechnung. Kein Lieferant hat sie fakturiert, kein Controller hat sie gebucht. Deshalb hat sie nie jemand bezahlt, dachte man. Tatsächlich wurden sie jeden Tag bezahlt: In Arbeitszeit, Retouren und verfehlten Projekten. Die 1-10-100-Regel macht aus diesem unsichtbaren Posten eine Zahl, mit der man rechnen kann.
Philipp Foreman
Geschäftsführer, onacy GmbH
Welche Studien beziffern die Kosten schlechter Daten?
Die folgende Tabelle versammelt die wichtigsten belegten Zahlen zu den Kosten schlechter Datenqualität, jeweils mit Quelle und Jahr:
| Zahl | Aussage | Quelle | Jahr |
|---|---|---|---|
| 1 / 10 / 100 Dollar | Kosten pro Datensatz: Fehler verhindern / korrigieren / ignorieren | Labovitz/Chang | 1992 |
| 15 bis 25 % | Umsatzverlust durch mangelhafte Datenqualität | MIT Sloan / Redman | 2017 |
| 3,1 Billionen Dollar | Jährliche Kosten schlechter Daten für die US-Wirtschaft | Harvard Business Review / Redman | 2016 |
| 50 % | Anteil der Arbeitszeit, den Wissensarbeiter durch Datenqualitätsprobleme verlieren | Harvard Business Review / Redman | 2016 |
| 12,9 Millionen Dollar | Durchschnittliche Kosten schlechter Datenqualität pro Jahr und Unternehmen | Gartner | 2020 |
| 40 % | Business-Initiativen, die wegen schlechter Datenqualität ihre Ziele verfehlen | Gartner | 2011 |
| 27 % | Umsatzanteil, der durch ungenaue Daten verschwendet wird (Selbsteinschätzung) | Experian | 2015 |
| 32 % | Anteil der Unternehmensdaten, die ungenau sind (Selbsteinschätzung) | Experian | 2015 |
| 60 % | KI-Projekte ohne KI-fähige Datenbasis, die bis Ende 2026 abgebrochen werden | Gartner | Prognose |
| 85 % | Gescheiterte KI-Projekte, die an Datenqualität oder Datenverfügbarkeit scheitern | Gartner | o. J. |
| 17 % auf 42 % | Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen abbrechen (2024 auf 2025) | S&P Global Market Intelligence | 2025 |
Die einzelnen Zahlen verdienen eine kurze Einordnung, weil sie unterschiedliche Dinge messen.
Die meistzitierte Zahl der Datenqualitätsforschung sind die 15 bis 25 Prozent Umsatzverlust. Thomas C. Redman hat sie 2017 in der MIT Sloan Management Review veröffentlicht („Seizing Opportunity in Data Quality“). Sie umfasst die gesamte Kette: Zeit für Fehlersuche, Nacharbeit, verlorene Verkäufe und Fehlentscheidungen.
Aus Redmans Harvard-Business-Review-Artikel von 2016 stammen gleich zwei Werte: 3,1 Billionen Dollar pro Jahr für die US-Wirtschaft, und, vielleicht greifbarer, die 50 Prozent der Arbeitszeit, die Wissensarbeiter mit dem Suchen, Prüfen und Korrigieren von Daten verlieren. Anders gesagt: Die Hälfte der teuersten Arbeitszeit im Unternehmen fließt in Reparaturarbeit.
Als Referenzwert für die eigene Überschlagsrechnung taugt die Gartner-Durchschnittszahl von 2020: 12,9 Millionen Dollar pro Jahr und Unternehmen, wobei der konkrete Betrag stark von Unternehmensgröße und Datenintensität abhängt. Wie sich daraus ein belastbarer Business Case ableiten lässt, zeigt unser Artikel zum PIM- und PXM-Business-Case.
Strategisch relevanter ist eine ältere Gartner-Erhebung von 2011: 40 Prozent aller Business-Initiativen verfehlen ihre Ziele wegen schlechter Datenqualität. Nicht nur der laufende Betrieb wird also teurer, auch Wachstumsprojekte scheitern an der Datenbasis.
Etwas anders gelagert sind die Experian-Zahlen (27 Prozent verschwendeter Umsatz, 32 Prozent ungenaue Daten). Sie beruhen auf Selbsteinschätzungen der befragten Unternehmen, nicht auf auditierten Finanzdaten, zeigen aber, wie groß die Betroffenen selbst das Problem einschätzen, und liegen bemerkenswert nah an Redmans unabhängig ermitteltem Korridor.
Bleiben die KI-Zahlen, die jüngsten und dramatischsten der Tabelle. Gartner prognostiziert, dass 60 Prozent aller KI-Projekte ohne KI-fähige Datenbasis bis Ende 2026 abgebrochen werden, und stellt fest, dass 85 Prozent der gescheiterten KI-Projekte an Datenqualität oder Datenverfügbarkeit scheitern. Der Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen abbrechen, ist von 17 Prozent (2024) auf 42 Prozent (2025) gestiegen (S&P Global Market Intelligence). Welche Datenqualitäts-Dimensionen dabei konkret über Erfolg und Scheitern entscheiden, behandelt unser Artikel zu den Dimensionen der Datenqualität für KI.
Warum tun diese Kosten erst jetzt weh?
Die Zahlen oben sind teilweise über 30 Jahre alt. Warum eskaliert das Thema ausgerechnet jetzt?
Ich habe vor gut fünfzehn Jahren meine ersten Shop- und Katalogprojekte gemacht, und woran ich mich vor allem erinnere, sind riesige Excel-Dateien: Vierzig Spalten, von jeder Abteilung anders benannt, anders gefüllt, anders verstanden. Die halbe Projektzeit ging dafür drauf, diese Tabellen sauber zu bekommen, nicht für die Technik. Damals hielt ich das für ein Shop-Problem, das man einmal löst. Es war nie weg, nur unsichtbar.
Unsichtbar, weil jahrelang Menschen die Fehler still ausgeglichen haben. Die Vertriebsmitarbeiterin, die weiß, dass „250″ im Artikelstamm „250 ml“ bedeutet. Der Einkäufer, der die Dublette kennt und immer die richtige Artikelnummer wählt. Dieser menschliche Kitt hat die 100-Dollar-Stufe der Regel jahrzehntelang abgefedert, unsichtbar und unbezahlt.
KI-Systeme kennen diesen Kitt nicht. Sie nehmen Daten wörtlich. Ein KI-Agent, der auf einen fehlerhaften Datensatz zugreift, interpretiert nichts, er reproduziert den Fehler in Sekunden und in Masse. Genau dieser Effekt steckt hinter der S&P-Global-Zahl: Der Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen abbrechen, ist von 17 Prozent (2024) auf 42 Prozent (2025) gestiegen (S&P Global Market Intelligence). Die über Jahre aufgelaufene Schuld wird auf einen Schlag sichtbar, sobald das erste KI-Projekt startet.
Wie dieser Mechanismus im Detail funktioniert und warum er das zentrale Commerce-Thema der nächsten Jahre ist, beschreibt unser Grundlagenartikel zu Datenschulden.
Datenqualität lässt sich messen, sonst bleibt die Faktor-100-Stufe unsichtbar: Vollständigkeit, Konsistenz und Dublettenraten gehören als Kennzahlen ins Monitoring. Ein Bereinigungslauf allein hält nicht, wenn das Datenmodell die Fehler weiter zulässt. Erst Validierungsregeln direkt an der Eingabe und ein sauber definiertes Schema sorgen dafür, dass die offene Quelle nicht jeden Monat neue Fehler nachliefert.
Philipp Beyer
CTO, onacy GmbH
Wie stoppen Sie die Verzinsung?
Die 1-10-100-Regel gibt die Antwort bereits vor: Je früher Sie eingreifen, desto billiger wird es. Drei Hebel wirken dabei am stärksten.
Der erste Hebel ist Verantwortung. Jede Datendomäne (Produktdaten, Kundendaten, Lieferantendaten) braucht genau einen Eigentümer plus eine dokumentierte Pflege-Regel. Daten ohne Eigentümer verrotten, das ist keine Frage des Ob, nur des Wann.
Zweitens: Fehler an der Quelle verhindern statt hinten korrigieren. Pflichtfelder, Validierungsregeln und kontrollierte Vokabulare bei der Eingabe kosten die 1-Dollar-Stufe. Jedes nachgelagerte Bereinigungsprojekt kostet dagegen die 10-Dollar-Stufe, und zwar wiederkehrend, solange die Quelle offen bleibt.
Der dritte Hebel betrifft die Reihenfolge: Use-case-getrieben vorgehen. Nicht den gesamten Datenbestand auf einmal sanieren, sondern mit dem Anwendungsfall starten, der den größten Hebel hat, und die Datenqualität entlang dieses Falls aufbauen. Welche Qualitätsdimensionen dafür in welcher Reihenfolge zählen, zeigt der Schwester-Artikel zu den Datenqualitäts-Dimensionen.
Wie Sie diese drei Hebel organisatorisch und technisch verankern, von der Datenarchitektur bis zur laufenden Governance, ist Kern unseres Leistungsbereichs Data Management. Wenn Sie wissen wollen, wo Ihre Datenschulden konkret liegen und was die Tilgung kostet: Buchen Sie ein unverbindliches Erstgespräch.
FAQ: Häufige Fragen zu den Kosten schlechter Daten
Was besagt die 1-10-100-Regel?
Die 1-10-100-Regel von George Labovitz und Yu Sang Chang (1992) beschreibt die Kostenentwicklung eines Datenfehlers: Ihn bei der Eingabe zu verhindern kostet 1 Dollar pro Datensatz, ihn nachträglich zu korrigieren 10 Dollar, ihn zu ignorieren 100 Dollar. Die Beträge sind eine Modellrechnung, der Mechanismus ist belegt: Pro Stufe wachsen die Kosten um eine Größenordnung.
Wie hoch sind die Kosten schlechter Datenqualität?
Die belastbarsten Zahlen: Unternehmen verlieren 15 bis 25 Prozent ihres Umsatzes durch mangelhafte Datenqualität (MIT Sloan / Redman 2017). Gartner beziffert die durchschnittlichen Kosten auf 12,9 Millionen Dollar pro Jahr und Unternehmen (2020). Für die US-Wirtschaft insgesamt hat die Harvard Business Review 2016 Kosten von 3,1 Billionen Dollar pro Jahr errechnet.
Warum scheitern KI-Projekte an Datenqualität?
KI-Systeme nehmen Daten wörtlich und können fehlende oder widersprüchliche Informationen nicht wie Menschen aus dem Kontext ausgleichen. Laut Gartner scheitern 85 Prozent der gescheiterten KI-Projekte an Datenqualität oder Datenverfügbarkeit. Der Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen abbrechen, ist von 17 Prozent (2024) auf 42 Prozent (2025) gestiegen (S&P Global Market Intelligence).
Lohnt sich Datenbereinigung wirtschaftlich?
Ja, wenn sie an der Quelle ansetzt. Nach der 1-10-100-Regel ist Prävention zehnmal günstiger als nachträgliche Korrektur und hundertmal günstiger als Ignorieren. Bei 15 bis 25 Prozent Umsatzverlust durch schlechte Daten amortisiert sich strukturierte Datenpflege schnell, am wirtschaftlichsten use-case-getrieben: Erst die Daten sanieren, die den größten Hebel im Geschäft haben.
Autor
Philipp Foreman
Geschäftsführer, onacy GmbH
Philipp Foreman ist Geschäftsführer der onacy GmbH. Er begleitet mittelständische Hersteller und Großhändler dabei, die Kosten schlechter Datenqualität sichtbar zu machen, Datenschulden systematisch abzubauen und ihre Daten zur Grundlage für Commerce- und KI-Projekte zu machen. Die Zahlen aus diesem Artikel nutzt er regelmäßig, um Business Cases für Data-Management-Initiativen zu rechnen.
Was kosten Ihre Datenschulden konkret?
Wir schauen uns Ihre Datenlage an, machen die versteckten Kosten sichtbar und zeigen, wo Prävention statt Korrektur den größten Hebel hat.
