Data Management

Was ist Datenbereinigung (Data Cleansing)?

Datenbereinigung (englisch Data Cleansing) heißt, Fehler in Datenbeständen aufzuspüren und zu beseitigen oder zu berichtigen. Gemeint sind veraltete, falsche, doppelte, widersprüchliche und falsch formatierte Einträge in Datenbanken und anderen Informationssystemen. Bei Herstellern und Großhändlern betrifft das vor allem Produkt-, Kunden- und Lieferantendaten, die dadurch für Prozesse, Auswertungen und Systemmigrationen verlässlich werden.

Zentrale Schritte sind die Duplikaterkennung, also das Finden und Zusammenlegen gleicher Datensätze, und die Datenfusion, die lückenhafte Daten zusammenführt und ergänzt. Häufig betroffen sind Postanschriften mit unterschiedlichen Schreibweisen von Straßen- und Personennamen, die Dubletten erzeugen. Beide Schritte lassen sich nur sinnvoll automatisieren, wenn vorher feststeht, welche Werte als korrekt gelten.

Im Handel und in der Industrie fallen vor allem Produkt-, Kunden- und Lieferantendaten an. Typisch sind abweichende Einheiten, fehlende Pflichtmerkmale, doppelte Artikel oder Kunden. Datenbereinigung ist damit Voraussetzung für Master Data Management und für jede Datenmigration.

Fehlerart Beispiel Typische Maßnahme
Dubletten Derselbe Kunde zweimal mit abweichender Schreibweise Duplikaterkennung, Zusammenführen
Falsches Format Datumsangaben oder Einheiten in unterschiedlicher Schreibweise Standardisieren nach festem Format
Fehlende Werte Pflichtmerkmal am Artikel nicht gepflegt Ableiten aus anderen Daten, Standardwert oder Nachpflege
Widersprüchliche Werte Zwei Systeme führen unterschiedliche Preise oder Maße Führendes System festlegen, Wert ersetzen
Veraltete Daten Ausgelaufene Artikel oder ehemalige Ansprechpartner Entfernen oder archivieren
Falsch zusammengefasste Daten Zwei verschiedene Kunden unter einem Datensatz Datensatz wieder trennen

Stand: Oktober 2026. Fehlerarten und Maßnahmen nach Wikipedia (Datenbereinigung), Beispiele illustrativ.

Wie läuft eine Datenbereinigung ab?

Der Prozess wird üblicherweise in fünf Schritten beschrieben:

  • Qualitätsanforderungen festlegen, etwa Pflichtfelder, Formate und Wertebereiche.
  • Daten analysieren und Fehlerarten sowie Häufigkeiten erfassen.
  • Sicherungskopie anlegen, damit jeder Schritt umkehrbar bleibt.
  • Standardisieren, zum Beispiel Datumsformate vereinheitlichen oder Firmenzusätze normieren.
  • Bereinigen, also Fehler korrigieren, Dubletten zusammenführen und fehlende Werte ergänzen.

Die Reihenfolge zählt: Wer vor dem Standardisieren dedupliziert, findet weniger Dubletten, weil Schreibvarianten das Matching verhindern.

Als Qualitätsanforderungen nennt die Fachliteratur gültige, vollständige, einheitliche und integre Daten. Einheitlich heißt etwa, dass Einheiten wie Währung oder Länge überall gleich geführt werden. Auch die Sicherung lässt sich unterschiedlich lösen: Statt einer vollständigen Kopie können korrigierte Werte in einer zusätzlichen Spalte oder Tabelle abgelegt werden, sodass die Originalwerte erhalten bleiben.

Einordnung

Bereinigung wird in Einführungsprojekten leicht als einmalige Aktion geplant. Bleiben Eingabeprozesse und Zuständigkeiten unverändert, kehren dieselben Fehler zurück. Deshalb gehört zu jedem Bereinigungsprojekt die Frage, wer künftig Pflichtfelder prüft und neue Daten freigibt. Das ist Change-Management und weniger ein Werkzeugthema.

Hajo Hajo, Head of Customer Success & Consulting onacy GmbH

onacy Insights

Neues zu Produktdaten, Commerce und KI, einmal im Monat

Der Insight-Newsletter bündelt neue Wissensseiten, Praxisbeispiele und Einordnungen aus Projekten im Mittelstand. Abmeldung jederzeit möglich.


Welche Methoden der Datenbereinigung gibt es?

Die Fachliteratur unterscheidet mehrere Methoden, die je nach Fehlerart kombiniert werden:

  • Werte aus anderen Daten ableiten.
  • Werte durch andere Daten ersetzen.
  • Standardwerte verwenden.
  • Fehlerhafte Daten entfernen.
  • Duplikate entfernen.
  • Fälschlich zusammengefasste Daten wieder trennen.

Je nach Datenmenge laufen die Schritte manuell, regelbasiert im System oder mit Unterstützung von KI. Bei KI-gestützter Produktdatenpflege gelten dieselben Qualitätsregeln, die Freigabe bleibt bei den Fachverantwortlichen.

Welche Methode passt, hängt von der Fehlerart ab. Fehlende Pflichtmerkmale lassen sich oft aus Herstellerangaben ableiten, Dubletten brauchen Matching-Regeln, widersprüchliche Werte eine Entscheidung über das führende System.

Was ist der Unterschied zwischen Datenbereinigung und Datenqualität?

Datenqualität beschreibt den Zustand von Daten, etwa Vollständigkeit, Konsistenz und Aktualität. Datenbereinigung ist die Maßnahme, die vorhandene Fehler beseitigt und die Qualität damit anhebt. Datenbereinigung hat Grenzen: Laut Fachliteratur ändert sie nichts an der Glaubwürdigkeit, Relevanz oder Verfügbarkeit der Quellen.

Einmal bereinigte Daten bleiben nur sauber, wenn neue Fehler gar nicht erst entstehen. Das leistet Data Governance mit Pflichtfeldern, Formatvorgaben und Freigaben im Eingabesystem. Am Ende der Kette steht ein Golden Record je Entität.

Wann lohnt sich Datenbereinigung vor PIM, Shop oder ERP-Migration?

Vor jedem Systemwechsel ist Bereinigung der günstigste Zeitpunkt, denn Fehler lassen sich im Altsystem einfacher beheben als nach der Übernahme. Typische Anlässe sind die Einführung eines PIM-Systems, ein Shop-Relaunch, die Anbindung an ein ERP oder ein Wechsel des Shopsystems.

  • Vor der Migration Datenbestand analysieren und Qualitätsanforderungen festlegen.
  • Regeln für Pflichtfelder, Einheiten und Formate im PIM als Validierung hinterlegen.
  • Nach der Migration Dubletten und Lücken laufend über Qualitätsberichte überwachen.

onacy unterstützt als Pimcore-Platinum-Partner dabei, Produktdaten zentral zu organisieren und doppelte Datenpflege abzubauen, siehe PIM-System. Der Umfang einer Bereinigung hängt von Datenmenge, Fehlerarten und Zielsystem ab.

Kostenlos: Webinar

Dateneffizienz statt Datenfrust: Mit Pimcore zum nachhaltigen Datenmanagement

Im Webinar zeigen onacy, Pimcore und der Referenzkunde Bruno Nebelung, wie sich Produkt- und Kundendaten effizient organisieren lassen, ohne doppelte Datenpflege.

Webinar ansehen

Häufige Fragen zur Datenbereinigung

Was ist Datenbereinigung einfach erklärt?

Datenbereinigung, englisch Data Cleansing, entfernt oder korrigiert Fehler in Datenbeständen. Dazu zählen doppelte, veraltete, falsch formatierte, widersprüchliche oder unvollständige Datensätze. Das Ergebnis ist ein konsistenter Bestand, der sich zuverlässig auswerten, in Systeme übernehmen und über Kanäle ausspielen lässt. Der Begriff wird auch für Adress- und Stammdatenpflege verwendet.

Was bedeutet Data Cleansing?

Data Cleansing ist der englische Fachbegriff für Datenbereinigung. Er umfasst Duplikaterkennung, Standardisierung, Fehlerkorrektur und das Ergänzen fehlender Werte. Im Deutschen werden auch Datenaufbereitung, Datenpflege und Datenhygiene verwendet, die je nach Kontext etwas weiter oder enger gefasst sind. Die Begriffe überschneiden sich.

Wie bereinigt man Daten in der Praxis?

Zuerst werden Qualitätsanforderungen festgelegt und die Daten analysiert. Nach einer Sicherungskopie folgt das Standardisieren von Formaten und Schreibweisen, danach das Bereinigen durch Korrigieren, Zusammenführen von Dubletten und Ergänzen fehlender Werte. Bei größeren Beständen übernehmen Regeln im System oder spezialisierte Werkzeuge den Großteil. Vorab sollte feststehen, welches System führend ist.

Wie oft sollte man Daten bereinigen?

Eine feste Frequenz gibt es nicht. Sinnvoll ist eine Bereinigung vor jedem Systemwechsel und danach als laufender Prozess, gestützt durch Pflichtfelder, Validierungen und Freigaben im Eingabesystem. So werden Fehler früh abgefangen und müssen nicht in großen Einzelaktionen nachträglich behoben werden. Das spart Aufwand und senkt das Risiko.

Reicht Datenbereinigung für gute Datenqualität?

Datenbereinigung hebt die Qualität des vorhandenen Bestands an, ändert aber nichts an Glaubwürdigkeit, Relevanz oder Verfügbarkeit der Quellen. Dauerhaft gute Daten setzen außerdem klare Zuständigkeiten, Qualitätsregeln im Eingabesystem und regelmäßige Messung voraus, wie sie Data Governance und Master Data Management bündeln. Erst dann bleibt der Effekt erhalten.

Produktdaten bereinigen, bevor sie migriert werden

Im Erstgespräch wird geklärt, welche Fehlerarten den Bestand prägen und wie Regeln im PIM künftig neue Fehler verhindern.

Datenbereinigung: Erstgespräch vereinbaren

Mehr Kontext: Data-Management-Hub und PIM-System

Verwandte Themen

Diese Einträge zeigen, wo Datenbereinigung in Migration, Stammdatenmanagement und Governance einzuordnen ist.