Die Datenintegritäts-Leiter: Fünf Stufen von geschätzten Zahlen bis zur belegten Kennzahl

Fragen Sie eine Finance-Führungskraft, wie vertrauenswürdig ihre Zahlen sind, und fast alle antworten gleich: „Ganz gut, ein paar bekannte Lücken.” Diese Antwort ist praktisch wertlos, denn sie beschreibt nicht die Daten, sondern nur das Gefühl, das man von außen dazu hat. Ein Dashboard auf Basis unabgestimmter Exporte und ein Dashboard auf Basis eines buchhaltungsgebundenen Modells zeigen exakt denselben Chart mit demselben selbstbewussten blauen Balken. Von außen ist nicht zu erkennen, welches der beiden echt ist. Das lässt sich nur klären, indem man eine Zahl bis zu ihrem Ursprung zurückverfolgt, und die wenigsten Teams haben das je wirklich versucht.

Genau daran krankt die informelle Selbsteinschätzung: Sie misst Zuversicht, nicht Integrität. Was fehlt, ist eine Leiter: eine überschaubare Zahl klar unterscheidbarer, überprüfbarer Zustände, die ein Finance-Stack einnehmen kann, geordnet vom schlechtesten zum besten, mit einem konkreten Test dafür, auf welcher Stufe man tatsächlich steht. Im Folgenden diese Leiter: fünf Stufen, von undurchsichtigen Zahlen, die niemand verteidigen kann, bis zu jeder Kennzahl mit direktem Beleg im Quelldokument.

Warum es eine Leiter braucht, keine Checkliste

Checklisten zur Datenqualität listen typischerweise ein Dutzend Eigenschaften auf (Vollständigkeit, Aktualität, Konsistenz, Genauigkeit) und lassen jede einzeln bewerten. Das Ergebnis ist eine Scorecard, keine Diagnose. Und es erlaubt einem Team, bei neun Eigenschaften ordentlich abzuschneiden und ausgerechnet bei der einen zu versagen, auf die es ankommt: Lässt sich eine beliebige Zahl bis zur Quelle zurückverfolgen und als korrekt nachweisen?

Eine Leiter erzwingt eine Reihenfolge. Jede Stufe muss strikt besser sein als die darunterliegende, und wer eine Stufe erreichen will, muss zwangsläufig alle Anforderungen der Stufen darunter bereits erfüllen. Diese Struktur ist gerade für KI entscheidend. Ein KI-System, das auf Ihren Finanzdaten aufsetzt, bildet keinen Durchschnitt über Ihre Datenqualitätsmerkmale: es erbt das schwächste Glied. Ist die Herkunftskette irgendwo unterbrochen, zitiert die KI selbstbewusst eine Zahl, die sie gar nicht belegen kann, und nichts in der Oberfläche zeigt Ihnen, dass genau das passiert ist. Die Leiter dreht sich deshalb auf jeder Stufe um eine einzige Frage: Würde diese Zahl jetzt sofort infrage gestellt, was könnten Sie vorlegen?

Die fünf Stufen

Stufe 1: Undurchsichtige Zahlen. Zahlen tauchen in Reports, Präsentationen und Dashboards auf, aber niemand kann mit Sicherheit sagen, woher eine einzelne Zahl stammt, ohne die Quelldateien manuell wieder zu öffnen. Summen werden von Hand in Folien getippt. Ziehen zwei Personen unabhängig voneinander den „Umsatz”, besteht eine reale Chance, dass unterschiedliche Zahlen herauskommen, und keiner kann erklären, warum. Das kommt häufiger vor, als die meisten Führungsteams zugeben, weil es im Alltag unsichtbar bleibt: Die Reports werden ja termingerecht fertig.

Stufe 2: Mit Quelle, aber unabgestimmt. Jede Zahl lässt sich einem System zuordnen, aus dem sie stammt: diese aus dem ERP, jene aus einem Bankexport, eine weitere aus einer von Hand gepflegten Tabelle. Aber die Systeme widersprechen sich, und niemand hat die Abweichungen aufgeklärt. Herkunft ist vorhanden, Übereinstimmung nicht. Das ist eigentlich gefährlicher als Stufe 1, weil es solider wirkt. Jede einzelne Zahl hat eine plausible Quelle. Das Problem zeigt sich erst, wenn man zwei „richtige” Zahlen vergleicht, die nicht zusammenpassen.

Stufe 3: Zu einem Stichtag abgestimmt. Jemand hat die Abstimmungsarbeit geleistet (Nebenbücher mit dem Hauptbuch verknüpft, den Kontoauszug abgeglichen, Abweichungen geklärt), aber das geschah einmalig, für einen Abschluss, und der abgestimmte Zustand zerfällt, sobald die nächste Transaktion eintrifft. In diesem Zustand befinden sich die meisten Finance-Teams genau in der Woche nach Monatsabschluss, bevor er sich still wieder auflöst. Die Abstimmung war real. Sie war nur nicht darauf ausgelegt, Bestand zu haben.

Stufe 4: Laufend abgestimmt. Der Abgleich ist kein monatliches Ereignis mehr, sondern eine dauerhafte Eigenschaft des Modells. Neue Transaktionen werden bei Eingang zugeordnet und abgestimmt, sodass das Modell fortlaufend aktuell bleibt, statt periodisch nachgezogen zu werden. Auf dieser Stufe können Sie einer Zahl vertrauen, die Sie an einem beliebigen Dienstag ziehen, nicht nur einer aus der Woche nach Abschluss.

Stufe 5: Mit Quellbeleg. Jede Kennzahl stimmt nicht nur rechnerisch: Sie trägt einen Verweis auf die konkrete Transaktion, Kontozeile oder das eingereichte Dokument, aus dem sie entstanden ist, sodass ein Mensch oder eine KI in Sekunden zum zugrunde liegenden Beleg durchklicken kann. Diese Stufe macht KI-generierte Antworten prüfbar statt nur plausibel. Eine Zahl ohne Beleg ist eine Behauptung. Eine Zahl mit Beleg kommt einem Nachweis schon sehr nahe.

Stufe	Zustand	Der Test, der es aufdeckt
1	Undurchsichtig	Fragen Sie, woher eine Zahl aus der letzten Präsentation stammt. Lautet die Antwort „da muss ich nachschauen”, sind Sie hier.
2	Mit Quelle, unabgestimmt	Ziehen Sie dieselbe Kennzahl aus zwei Systemen. Weichen sie ab und niemand hat eine dokumentierte Erklärung dafür, sind Sie hier.
3	Zu einem Stichtag abgestimmt	Fragen Sie, ob der abgestimmte Stand vom letzten Abschluss heute noch gilt. Ist er bereits abgedriftet, sind Sie hier.
4	Laufend abgestimmt	Ziehen Sie eine Zahl heute, nicht zum Abschluss. Ist sie aktuell und stimmig, haben Sie diese Stufe erreicht.
5	Mit Quellbeleg	Klicken Sie auf eine beliebige Zahl. Öffnet sich das tatsächliche Quelldokument oder die Transaktion, stehen Sie ganz oben.

Warum Teams ihre eigene Stufe falsch einschätzen

Der ehrliche Grund, warum die meisten Teams ihre Position überschätzen: Die Fehlerzustände sind optisch stumm. Ein Dashboard auf Stufe 1 und eines auf Stufe 5 nutzen dieselbe Chart-Bibliothek. Nichts in der Oberfläche verschlechtert sich, wenn Sie eine Stufe tiefer stehen: die Reports werden trotzdem gerendert, die Zahlen sehen weiterhin wie Zahlen aus. Integritätsprobleme zeigen sich nur über die Konsequenz: eine Vorstandsfrage, die niemand sauber beantworten kann, eine Prüferanfrage, die drei Wochen statt drei Stunden dauert, zwei Abteilungen, die in derselben Sitzung unterschiedliche Zahlen für dieselbe Kennzahl präsentieren.

Hinzu kommt eine typische Falle bei der KI-Einführung. Teams glauben oft, eine KI-Chat-Ebene über den Finanzzahlen sei selbst schon ein Reifegrad-Upgrade, weil sie ausgefeilter wirkt als ein statischer Report. Aber eine KI, die um Daten der Stufe 1 oder 2 herumgebaut wird, hebt die Stufe nicht an. Sie legt nur eine überzeugendere Oberfläche über dieselben unabgestimmten Zahlen, und eine überzeugende falsche Antwort ist schlimmer als eine erkennbar grobe, weil sie mehr Vertrauen einlädt, als sie verdient. Das Aufsteigen auf der Leiter muss in der Datenebene passieren, vor der KI-Ebene, sonst erbt die KI schlicht die Stufe, auf der die Daten ohnehin schon standen.

Aufsteigen ohne Neubau

Der Sprung von Stufe 3 zu Stufe 4 ist meist der schwierigste, weil die Abstimmung dafür von einem Abschlussritual zu einem laufenden Prozess werden muss: Transaktionen bei Eingang zuordnen, statt die Arbeit in eine stressige Woche zu bündeln. Der Sprung von Stufe 4 zu Stufe 5 betrifft eher die Instrumentierung als den Prozess: Jede Kennzahl im Modell braucht einen gespeicherten Verweis auf ihr Ursprungsdokument, nicht nur einen korrekten Wert. Für keinen der beiden Sprünge müssen Sie Ihr ERP- oder Buchhaltungssystem herausreißen. Beide erfordern eine Ebene, die auf Ihren bestehenden Quellen aufsetzt, diese laufend abgestimmt hält und für jede erzeugte Zahl die Herkunft speichert, ein deutlich enger umrissenes, machbareres Problem als „den ganzen Finance-Stack ersetzen”.

Fazit

Die meisten Finance-Teams können ihre Stufe auf dieser Leiter nicht benennen, weil der Alltagsbetrieb die Frage nie erzwingt. Die Lösung ist kein größeres Audit. Es reicht, die fünf einfachen Tests oben diese Woche gegen die eigenen Zahlen laufen zu lassen: Wählen Sie drei Kennzahlen aus der letzten Vorstandspräsentation und versuchen Sie, jede innerhalb von sechzig Minuten bis zum Quelldokument zurückzuverfolgen. Wo dieser Test ins Stocken gerät, ist Ihre tatsächliche Stufe, unabhängig davon, wie poliert die Dashboards aussehen.

Wenn eine KI Fragen zu Ihren Zahlen beantworten soll, ist die Leiter die Voraussetzung, kein Nachgedanke: Stufe 4 und 5 sind die Mindestanforderung dafür, ein Modell sicher über Ihre Daten abrufen und schlussfolgern zu lassen. Demo buchen, um zu sehen, wie eine laufend abgestimmte, belegte Datenebene an Ihren eigenen Zahlen aussieht.

Für die Mechanik dahinter siehe wie die Verifizierung funktioniert innerhalb der Plattform, sowie Jahresabstimmung dafür, wie laufende Abstimmung über einen kompletten Abschlusskalender hinweg aussieht. Zur Unterscheidung zwischen einer abgestimmten Grundlage und den vielen darauf aufbauenden Sichten siehe Single Source of Truth vs. hinreichende Wahrheitsversionen.