Lesedauer: 8 Minuten
Ein Gründer erzählte mir vor ein paar Wochen: „Wir wollten unsere Top-Kund:innen für eine exklusive Preview einladen. Aber als wir die Liste gezogen haben, waren 40 Prozent der E-Mail-Adressen falsch, die Segmentierung passte nicht, und wir hatten keine Ahnung, wer wirklich ‚Top-Kunde' ist."
Am Ende haben sie die Kampagne abgesagt.
Das ist kein Einzelfall.
Datenqualität ist das unterschätzteste Thema in Startups. Alle reden über Tools, über Automatisierung, über KI. Aber niemand redet darüber, ob die Daten überhaupt stimmen.
Und genau das wird zum Problem. Später. Wenn es zu spät ist.
Warum Startups Datenqualität ignorieren
Es ist eigentlich simpel: Wenn du weißt, wer dein Kunde ist, was er gekauft hat, wo er gerade steht – kannst du helfen, gezielt anbieten, automatisieren.
Aber die meisten Startups vergeigen genau diesen Punkt.
Warum?
Weil es am Anfang schnell gehen muss.
Also landen Daten in Excel. Formulare werden unterschiedlich gebaut. Jeder Agent taggt anders. Und niemand hat Zeit, aufzuräumen.
Das funktioniert – bis du wachsen willst.
Und dann hast du keinen Datenschatz. Du hast einen Datenfriedhof.
Die drei Momente, in denen schlechte Datenqualität dich einholt
Ich arbeite mit Startups, die später für ihre chaotischen Daten bezahlen. Und ich sehe immer wieder dieselben drei kritischen Momente, in denen das Problem explodiert.
Moment 1: Wenn du segmentieren willst – aber nicht kannst
Ein E-Commerce-Startup wollte eine Kampagne für Kund:innen machen, die in den letzten sechs Monaten nichts gekauft hatten.
Gute Idee. Klassisches Re-Engagement.
Aber als sie die Liste ziehen wollten, stellten sie fest:
- 30 Prozent der Kundendaten hatten kein Kaufdatum (weil alte Bestellungen manuell importiert wurden, ohne Datum)
- 20 Prozent der E-Mail-Adressen waren Duplikate (gleicher Kunde, aber zweimal angelegt mit verschiedenen E-Mails)
- 15 Prozent hatten falsche Segmente (z. B. als „VIP" getaggt, obwohl sie nur einmal gekauft hatten)
Das Ergebnis: Die Kampagne ging an die falsche Zielgruppe. Kund:innen, die gerade erst gekauft hatten, bekamen einen „Wir vermissen dich"-Rabatt. VIPs wurden ignoriert, weil sie in der falschen Kategorie lagen.
Die Kampagne floppte. Nicht wegen des Inhalts. Sondern wegen der Daten.
Und das Team verbrachte drei Wochen damit, aufzuräumen – Zeit, die sie nicht hatten.
Moment 2: Wenn du ein neues Tool einführst – und die Migration scheitert
Ein SaaS-Startup wollte von Mailchimp zu HubSpot wechseln.
Der Plan: Alle Kontakte migrieren, Segmente übertragen, Kampagnen neu aufsetzen.
Aber dann kam die Realität:
- In Mailchimp gab es Freitextfelder wie „Branche" – mit Einträgen wie „Tech", „Technology", „IT", „Software", „SaaS". Alles dasselbe, aber unterschiedlich geschrieben.
- Es gab keine klaren Segmente. Stattdessen: Tags wie „Newsletter", „Webinar Q1", „Alte Liste", „Import 2023". Niemand wusste mehr, was die bedeuteten.
- Kontakte waren mehrfach vorhanden, weil jemand vor zwei Jahren eine CSV hochgeladen hatte – ohne Duplikatsprüfung.
Die Migration dauerte nicht zwei Wochen, wie geplant. Sie dauerte drei Monate. Weil das Team erst aufräumen musste.
Und währenddessen lief keine Kampagne. Weil niemand wusste, welche Daten stimmten.
Das hat sie drei Monate Wachstum gekostet.
Moment 3: Wenn dein Team nicht weiß, welche Daten stimmen
Ein Fashion-Startup hatte ein Support-Team von fünf Leuten.
Jeder Agent pflegte Kundendaten anders:
- Agent A schrieb Notizen in ein Freitextfeld
- Agent B nutzte Tags
- Agent C dokumentierte gar nichts, weil „das dauert zu lange"
Das Ergebnis: Wenn ein Kunde anrief und Agent B übernahm, hatte er keine Ahnung, was Agent A beim letzten Mal besprochen hatte.
Kund:innen mussten sich wiederholen. Agents fühlten sich hilflos. Und die CSAT-Quote sank.
Nicht wegen schlechter Arbeit. Sondern wegen schlechter Daten.
Was wirklich funktioniert: Das Datenmodell von Anfang an richtig bauen
Datenqualität ist kein Projekt, das du irgendwann machst. Es ist eine Entscheidung, die du am Anfang triffst.
Hier ist, wie das in der Praxis aussieht:
Schritt 1: Definiere dein Datenmodell – bevor du Daten sammelst
Nimm dir zwei Stunden Zeit und skizziere, welche Daten du wirklich brauchst.
Die wichtigsten Felder:
Kontaktdaten:
- Vorname, Nachname (getrennt, nicht zusammen!)
- E-Mail (Pflichtfeld, validiert)
- Telefonnummer (optional, aber strukturiert)
Segmentierung:
- Kundentyp (z. B. B2B, B2C)
- Status (z. B. Lead, Kunde, Inaktiv)
- Quelle (z. B. Website, Empfehlung, Kampagne)
Transaktionsdaten:
- Erstes Kaufdatum
- Letztes Kaufdatum
- Anzahl Bestellungen
- Gesamtumsatz
Support-Daten:
- Anzahl Tickets
- Letzte Anfrage
- CSAT-Score (falls vorhanden)
Die Regel:
Weniger ist mehr. Sammle nur Daten, die du wirklich nutzt. Aber die, die du sammelst, müssen strukturiert und sauber sein.
Schritt 2: Baue Regeln ins System – nicht ins Team
Datenqualität darf nicht davon abhängen, ob jemand dran denkt.
Konkret bedeutet das:
Pflichtfelder:
- E-Mail ist Pflicht (ohne E-Mail kein Kontakt)
- Kundentyp ist Pflicht (sonst kannst du nicht segmentieren)
Dropdowns statt Freitext:
- Statt „Branche" als Freitextfeld → Dropdown mit vordefinierten Optionen (Tech, Retail, Healthcare, etc.)
- Statt „Status" als Freitextfeld → Dropdown (Lead, Kunde, Inaktiv)
Automatische Validierung:
- E-Mail-Adressen werden auf Format geprüft
- Telefonnummern werden strukturiert (nicht „0171 123456" und „+49 171 123456" gleichzeitig)
Duplikatsprüfung:
- Bevor ein neuer Kontakt angelegt wird, prüft das System: Gibt es diese E-Mail schon?
Ein E-Commerce-Startup hat diese Regeln von Anfang an in Shopify + HubSpot eingebaut.
Ergebnis: Drei Jahre später, 5.000 Kund:innen – und 98 Prozent der Daten sind sauber. Weil das System gar nicht zulässt, dass Chaos entsteht.
Schritt 3: Plane regelmäßig Data Cleanup ein
Auch mit den besten Regeln entstehen Fehler. Menschen machen Tippfehler. Systeme importieren alte Daten. Duplikate schleichen sich ein.
Deshalb: Data Cleanup ist kein Projekt. Es ist ein Prozess.
Die Faustregel:
Mindestens einmal pro Quartal.
Was du prüfst:
- Duplikate (gleiche E-Mail, unterschiedliche Namen)
- Inkonsistente Schreibweisen (z. B. „Tech" vs. „Technology")
- Veraltete Daten (z. B. Kund:innen, die seit drei Jahren nichts gekauft haben, aber noch als „aktiv" getaggt sind)
- Fehlende Pflichtfelder (z. B. Kontakte ohne Kundentyp)
Tools, die helfen:
- HubSpot, Salesforce, Pipedrive haben eingebaute Duplikatsprüfung und Data-Quality-Reports
- Tools wie Clearbit oder ZoomInfo können fehlende Daten anreichern (z. B. Firmennamen bei B2B)
Ein SaaS-Startup hat jeden ersten Freitag im Quartal einen festen „Data Cleanup Day".
Zwei Leute, vier Stunden, eine Liste von Aufgaben:
- Duplikate zusammenführen
- Freitextfelder in Dropdowns migrieren
- Veraltete Tags löschen
- Fehlende Segmente ergänzen
Das klingt nach Aufwand. Aber es verhindert, dass aus einem kleinen Problem ein riesiges wird.
Schritt 4: Mach Datenverantwortung zur Teamaufgabe
Datenqualität ist nicht die Aufgabe von einer Person. Sie ist die Aufgabe von allen, die Daten anfassen.
Konkret bedeutet das:
Onboarding:
Jeder neue Agent, jeder neue Marketing-Mensch lernt: So pflegen wir Daten. Das ist Pflicht, kein Nice-to-have.
Klare Zuständigkeiten:
Wer ist verantwortlich für Kontaktdaten? Wer für Support-Notizen? Wer für Segmentierung?
Regelmäßige Audits:
Einmal im Monat: Stichprobe von 50 Kontakten. Sind die Daten sauber? Wenn nicht: Warum nicht?
Ein Fashion-Startup hat eine einfache Regel eingeführt: Jeder Agent muss am Ende des Tages fünf Kontakte auf Vollständigkeit prüfen.
Klingt nach Micromanagement. Aber es hat funktioniert. Innerhalb von drei Monaten waren 95 Prozent der Kontakte vollständig dokumentiert.
Was du morgen tun kannst
Datenqualität klingt nach Großprojekt. Ist es nicht.
Hier sind fünf Dinge, die du diese Woche angehen kannst:
1. Nimm dir 30 Minuten und skizziere dein Datenmodell
Welche Felder brauchst du wirklich? Was ist Pflicht, was optional? Schreib es auf.
2. Baue Pflichtfelder in dein CRM ein
E-Mail, Kundentyp, Status – diese drei Felder sollten Pflicht sein. Konfiguriere das heute.
3. Ersetze ein Freitextfeld durch ein Dropdown
Nimm das chaotischste Feld (z. B. „Branche" oder „Quelle") und bau ein Dropdown mit 5–10 Optionen. Migriere die alten Daten.
4. Führe eine Duplikatsprüfung durch
Die meisten CRMs haben eine eingebaute Funktion. Klick drauf. Schau, wie viele Duplikate du hast. Merge sie.
5. Blocke dir einen festen Data-Cleanup-Termin
Erster Freitag im Quartal, drei Stunden, im Kalender. Das ist deine Versicherung gegen Datenchaos.
Datenqualität ist kein Nice-to-have – sie ist das Fundament für alles andere
CRM funktioniert nur mit sauberen Daten.
KI funktioniert nur mit sauberen Daten.
Segmentierung funktioniert nur mit sauberen Daten.
Wenn deine Daten chaotisch sind, ist alles andere Flickwerk.
Aber wenn deine Daten sauber sind, wird alles leichter:
- Kampagnen treffen die richtige Zielgruppe
- Support-Agents haben den vollen Kontext
- Tool-Migrationen dauern Tage statt Monate
- Du kannst Entscheidungen auf Basis von Fakten treffen, nicht Bauchgefühl
Datenqualität ist nicht sexy. Aber sie ist der Unterschied zwischen Wachstum und Chaos.
Du willst dein Datenmodell von Anfang an richtig aufbauen?
Buch dir 90 Minuten mit mir. Wir bauen gemeinsam dein Datenmodell, definieren Pflichtfelder, und ich zeige dir, wie du Data Cleanup zur Routine machst.
Kein theoretisches Konzept. Sondern ein fertiges System, das du am nächsten Tag nutzen kannst.
Schreib mir gern eine Nachricht oder buche dir direkt einen Termin: [Link]
Eure Steffi
⭐⭐⭐⭐⭐