Datenqualität in Dynamics 365: die Voraussetzung für funktionierende KI

KI-Features in Dynamics 365 scheitern selten an der Technik. Sie scheitern an den Daten, mit denen sie rechnen. Copilot, das Predictive Lead und Opportunity Scoring aus Sales Insights und die AI-Builder-Modelle greifen alle auf denselben Datenbestand in Dataverse zu. Ist dieser Bestand voller Duplikate, leerer Pflichtfelder und veralteter Einträge, produziert die beste KI-Engine trotzdem falsche Scores und unbrauchbare Zusammenfassungen. Datenqualität ist damit keine Fleißaufgabe nebenbei, sondern die Voraussetzung, ohne die sich jede KI-Investition nicht auszahlt.

Warum KI-Features an Daten scheitern, nicht an der Technik

Die Modelle hinter Copilot und dem Predictive Scoring sind ausgereift, wie schon Microsofts Überblick zu den KI- und Copilot-Funktionen in Dynamics 365 zeigt. Was ihnen fehlt, ist ein sauberer Kontext. Ein Sprachmodell fasst genau das zusammen, was in den verknüpften Datensätzen steht, und ein Scoring-Modell lernt Muster aus der Historie, die es vorfindet. Beide folgen demselben alten Prinzip: Garbage in, garbage out. Der Unterschied zu früher ist die Geschwindigkeit. KI legt Datenprobleme nicht nur offen, sie handelt auf ihrer Basis und das schneller, als ein Mensch es je könnte.

Genau das macht die Datenqualität 2026 zum entscheidenden Faktor. Solange ein Sachbearbeiter einen doppelten Kontakt manuell erkennt und ignoriert, bleibt der Schaden begrenzt. Wenn ein Agent auf Basis desselben Duplikats eine automatische Aktion auslöst oder ein Scoring-Modell die verzerrten Daten in seine Vorhersage einrechnet, wird aus einem Datenfehler eine falsche Geschäftsentscheidung. Die gute Nachricht: Die Ursachen sind bekannt und beherrschbar.

Wichtig ist die richtige Diagnose. Wenn Copilot enttäuscht oder ein Scoring-Modell danebenliegt, ist der erste Reflex oft, an den Einstellungen zu drehen oder das Feature abzuschalten. In den meisten Fällen liegt die Ursache aber eine Ebene tiefer. Nicht das Modell ist schlecht, sondern die Datenbasis, mit der es arbeitet. Wer das erkennt, spart sich vergebliche Feintuning-Versuche und investiert die Zeit dort, wo sie wirkt: in die Daten.

Die häufigsten Datenprobleme in Dynamics 365

In den meisten CRM-Systemen wiederholen sich dieselben fünf Muster. Jedes einzelne senkt die Verlässlichkeit der KI-Ergebnisse.

Duplikate

Doppelte Kontakte, Firmen und Leads sind das häufigste Problem. Sie entstehen durch manuelle Eingabe, Importe und Integrationen, die keine Eindeutigkeit erzwingen. Für die KI bedeutet ein dreifach vorhandener Kontakt drei verstreute Aktivitätshistorien, aus denen keine schlüssige Zusammenfassung entstehen kann. Warum die native Erkennung nicht immer greift, behandeln wir im Detail unter Duplicate-Detection-Regel feuert nicht.

Leere Pflichtfelder und lückenhafte Daten

Felder, die zwar existieren, aber leer bleiben, sind für KI so gut wie nicht vorhanden. Branche, Region, Umsatzklasse oder Lead-Quelle sind oft genau die Merkmale, aus denen ein Scoring-Modell Muster ableiten soll. Fehlen sie systematisch, verliert das Modell seine wichtigsten Signale. Microsoft nennt für die Predictive-Modelle deshalb eine harte Grenze: Pflichtfelder sollten weniger als 20 Prozent fehlende Werte aufweisen, sonst lässt sich kein belastbares Modell trainieren.

Inkonsistente Formate

Dieselbe Information in unterschiedlicher Schreibweise ist für Menschen lesbar, für Maschinen aber verschieden. "Ltd" gegen "Limited", "DE" gegen "Deutschland", Telefonnummern mit und ohne Ländervorwahl, uneinheitliche Datumsformate: Für die KI sind das getrennte Werte. Sie verhindern zuverlässige Gruppierungen, verfälschen Auswertungen und lassen die native Dublettenerkennung ins Leere laufen, weil sie vorwiegend mit exakten Abgleichen arbeitet.

Veraltete Datensätze und fehlende Historie

Ein Kontakt, der seit zwei Jahren das Unternehmen gewechselt hat, ist schlimmer als kein Kontakt, weil die KI ihn für aktuell hält. Ebenso kritisch ist fehlende Historie: Predictive Scoring lernt aus abgeschlossenen Deals, gewonnen wie verloren. Microsoft empfiehlt mindestens ein Jahr, besser zwei bis drei Jahre Verkaufshistorie sowie eine ausreichende Menge abgeschlossener Datensätze. Wer erst gestern begonnen hat, seine Verkaufsprozesse sauber in Dynamics 365 abzubilden, hat schlicht noch keine Datengrundlage für verlässliche Vorhersagen.

Was schlechte Daten mit KI-Features konkret anrichten

Die Auswirkungen bleiben selten abstrakt. Sie zeigen sich direkt in den Funktionen, für die Unternehmen zahlen.

Der Vertrauensverlust wiegt oft schwerer als der einzelne Fehler. Zeigt ein Lead-Score dreimal auf den falschen Kontakt, ignoriert das Vertriebsteam ihn dauerhaft, und die teuer lizenzierte Funktion verpufft. Der Effekt verstärkt sich, weil die Anwender dann wieder auf ihr Bauchgefühl und ihre privaten Listen ausweichen. Damit sinkt die Datenqualität weiter, denn Informationen landen außerhalb des Systems. So entsteht ein Teufelskreis aus schlechten Daten, enttäuschender KI und geringer Systemnutzung. Wie sich Scoring-Modelle sauber aufbauen lassen, zeigen wir in unserem Beitrag zu Deal-Scoring-Modellen mit AI Builder.

Der pragmatische Weg zu besserer Datenqualität

Datenqualität entsteht nicht durch ein einmaliges Großprojekt, sondern durch eine Kombination aus technischen Leitplanken und laufender Pflege. Die folgenden Bausteine haben sich in Dynamics-365-Projekten bewährt.

Eine schlanke Pflichtfeld-Strategie

Nicht jedes Feld muss ausgefüllt sein, aber die wenigen Felder, die für KI und Auswertung zählen, sollten es zuverlässig sein. Definieren Sie pro Entität die drei bis fünf wirklich entscheidenden Merkmale und erzwingen Sie diese. Zu viele Pflichtfelder erzeugen den gegenteiligen Effekt: Anwender füllen sie mit Platzhaltern, und die Datenqualität sinkt trotz voller Felder. Weniger, aber verbindliche Pflichtfelder schlagen viele optionale.

Aktive Dublettenerkennung

Aktivieren Sie die Dublettenerkennung auf Organisationsebene und beginnen Sie mit einer klaren, hoch zuverlässigen Regel, etwa Kontakte mit identischer E-Mail-Adresse. Wie sich solche Regeln aufsetzen lassen, beschreibt Microsoft Learn zum Einrichten von Dublettenerkennungsregeln. Ergänzen Sie geplante Bereinigungsjobs für den Bestand. Beachten Sie dabei die Grenzen: Die native Erkennung greift nicht bei jedem Datenfluss, insbesondere hohe API-Volumen und bestimmte Massenimporte können sie umgehen. Für unscharfe Schreibweisen und integrationslastige Umgebungen lohnt sich der Blick auf Alternate Keys oder spezialisierte Werkzeuge.

Validierung per Business Rule und Plugin

Formatprüfungen gehören dorthin, wo sie immer greifen. Eine Business Rule prüft Werte komfortabel im Formular, wird aber bei Import und API-Zugriff übersprungen. Regeln, die kanalunabhängig gelten müssen, gehören serverseitig in ein Plugin, das in der Event Pipeline von Dataverse läuft. So stellen Sie sicher, dass ein falsch formatierter Datensatz gar nicht erst entsteht, egal über welchen Weg er hereinkommt. Diese vorbeugende Validierung ist wirksamer als jede nachgelagerte Bereinigung, weil sie das Problem an der Quelle verhindert. Ergänzen Sie sie durch klare Auswahlfelder statt Freitext, wo immer es geht: Ein Choice-Feld für die Branche lässt keine abweichenden Schreibweisen zu, ein offenes Textfeld schon.

Data Profiling und laufende Pflege

Bevor Sie bereinigen, müssen Sie den Ist-Zustand kennen. Data Profiling misst pro Entität die Vollständigkeit der Pflichtfelder, die Dublettenquote und den Anteil veralteter Datensätze. Microsofts eigener Data Prep Report für die Predictive-Modelle ist ein guter Startpunkt, weil er direkt anzeigt, ob die Daten die Schwellen für das Training erreichen. Aus dieser Messung wird eine wiederkehrende Kennzahl, die zeigt, ob die Qualität steigt oder wieder abrutscht.

Entscheidend ist der Übergang von der Einmalaktion zur Routine. Daten verfallen kontinuierlich: Kontakte wechseln Positionen, Firmen fusionieren, Ansprechpartner scheiden aus. Ohne wiederkehrende Bereinigungsjobs, ein festes Review-Intervall und eine sichtbare Kennzahl sinkt die Qualität innerhalb weniger Monate wieder unter die Schwelle, ab der KI-Features zuverlässig arbeiten. Planen Sie die Pflege deshalb als festen Prozess ein, nicht als Projekt mit Enddatum. Ein kleines, dauerhaft gepflegtes Set an Kernfeldern ist wertvoller als ein einmalig bereinigter Vollbestand, der sofort wieder veraltet.

Governance und Verantwortlichkeiten

Technik allein hält Daten nicht sauber. Benennen Sie einen Data Owner je Kernentität, definieren Sie verbindliche Standards für Schreibweisen und Pflichtangaben und verankern Sie die Pflege im Prozess statt im guten Willen. Datenqualität ist eine geteilte Verantwortung zwischen Fachbereich, Administration und Governance, nicht eine Aufgabe, die man pauschal der IT zuschiebt. Bereits bei der Datenmigration nach Dynamics 365 sollten diese Regeln greifen, damit keine Altlasten mit übernommen werden.

Datenqualität als Voraussetzung für KI

Die Reihenfolge ist eindeutig: erst saubere Daten, dann KI. Wer die Reihenfolge umdreht und teure Copilot- oder Sales-Insights-Lizenzen auf einen ungepflegten Bestand setzt, kauft Enttäuschung. Der lohnendere Weg beginnt mit einer ehrlichen Bestandsaufnahme, einer schlanken Pflichtfeld-Strategie und laufender Pflege. Auf dieser Basis entfalten die KI-Features ihren Wert, weil sie mit belastbaren Daten rechnen. Wie Sie Dynamics 365 und KI insgesamt sinnvoll zusammenführen, vertieft unser Beitrag Dynamics 365 und KI optimal verbinden.

Wenn Sie wissen möchten, ob Ihre Daten reif für KI sind, prüfen wir Ihren Dynamics-365-Bestand und definieren einen konkreten Weg zu besserer Datenqualität. Sprechen Sie uns an.