Daten in Rechnungslegung und Steuerrecht / 2.2.2 Datenqualität

"A lack of data often leads to more cautious decision making – at least you know you don't have all the facts. With bad data, it is easy to have false confidence in wrong decisions."^[1] Dieses Zitat beschreibt zutreffend, dass nicht jede datenbasierte Entscheidung zum Erfolg führt. Damit aus Big Data nicht Bad Data wird, bildet die individuelle Datenstrategie (als Teil der Unternehmensstrategie) Voraussetzung für eine hohe Datenqualität. Gemäß Szugat umfassen die Datenqualitätsindikatoren folgende Dimensionen:^[2]

• Vollständigkeit
• Repräsentativität
• Korrektheit
• Aktualität
• Redundanz
• Konsistenz
• Integrität

KI-Anwendungen, die mit Daten gefüttert werden, können nur so gut wie ihre Trainingsdaten sein. Hierfür ist ein Datenqualitätsmanagement erforderlich, wobei dieses in einem datengetriebenen Unternehmen selbst datengetrieben ist. Die Datenqualitätsindikatoren sind idealerweise in einem Datenkatalog dokumentiert und protokolliert, sodass die gewünschten Daten leichter zu finden sind und mit anderen Systemen verknüpft werden können.^[3]

[1] No Data is Better than Bad Data, Zitat abrufbar unter: https://www.fpt-intellinet.com/intelliblog/no-data-is-better-than-bad-data (letzter Abruf: 17.3.2023).

[2] Szugat, Wie unternehmensweite Datenstrategien zu erfolgreichen KI-Projekten führen, in: iX 5/2022, S. 44 ff.

[3] Szugat, Wie unternehmensweite Datenstrategien zu erfolgreichen KI-Projekten führen, in: iX 5/2022, S. 44 ff.