Welche Schritte sind beim Daten-Bereinigen wirklich Pflicht?

1. Formate vereinheitlichen

Datum: 14.05.2026 vs. 2026-05-14 vs. 5/14/26. Zahlen: 1.000,50 (DE) vs. 1,000.50 (EN). Großschreibung: „Berlin“ vs. „BERLIN“ vs. „berlin“. Lösung: ISO-Format (YYYY-MM-DD), Punkt als Dezimaltrenner, Title Case oder Lowercase als Standard.

2. Duplikate

Echte Duplikate (komplette Zeile gleich) sind einfach. Schwerer: „Müller GmbH“ vs. „Müller GmbH“ vs. „Müller GmbH “. Fuzzy Matching, Levenshtein-Distanz oder Tools wie OpenRefine helfen. Vorher klären: Was ist der Business-Key – E-Mail, Steuernummer, USt-ID?

3. Fehlende Werte

Drei Strategien: löschen (wenn Anteil <5% und zufällig), imputieren (Mittelwert, Median oder Modell), als Kategorie „unbekannt“ behandeln. Niemals stillschweigend mit Null füllen, verzerrt Mittelwerte und Summen. Dokumentieren, was du tust.

4. Ausreißer (Outlier)

Nicht jeder Ausreißer ist ein Fehler. 1.000.000 € Bestellwert kann echt sein. Faustregel: über/unter Median ± 3 × IQR (Interquartilsabstand) prüfen. Erst dann entscheiden: Fehler? Eigene Analyse? Drinlassen mit Kennzeichnung?

5. Eindeutige Schlüssel

Jede Tabelle braucht einen Primärschlüssel. Wenn die Quelle keinen hat: Surrogat-ID erzeugen (laufende Nummer). Vor jedem Join checken: Sind die Schlüssel auf beiden Seiten eindeutig? Sonst entstehen Zeilenexplosionen.

6. Zeitzonen

GA4 in UTC, Salesforce in PST, ERP in Europe/Berlin. Standard: Alles in UTC speichern, erst bei der Anzeige lokalisieren. Sommerzeit verursacht klassische Off-by-one-Stunde-Bugs.

7. Mapping dokumentieren

Wenn aus „prio_1, prio_2, prio_3“ ein „Hoch, Mittel, Niedrig“ wird, wer das nicht dokumentiert, hat in 6 Monaten ein Rätsel. Power Query oder dbt machen das automatisch reproduzierbar.