21.1 Datenqualitätsklassen#

Impact-Controlling muss Unsicherheit sichtbar machen. Nicht alle Wirkungsdaten haben dieselbe Qualität. Manche Werte sind direkt gemessen. Andere sind modelliert, geschätzt oder aus Branchendaten abgeleitet. Das ist kein Problem, solange die Qualität offen markiert wird. Gefährlich wird es erst, wenn geschätzte Werte so wirken, als seien sie präzise gemessen.

Eine einfache Datenqualitätslogik kann fünf Klassen unterscheiden: A für auditierte Primärdaten, B für interne Primärdaten mit Plausibilisierung, C für modellierte Daten mit anerkannten Annahmen, D für Sekundärdaten oder Branchenwerte und E für unsichere Schätzung mit hohem Verbesserungsbedarf.

Diese Klassifizierung sollte in jeder Scorecard sichtbar sein.

Klasse Beschreibung Beispiel Controlling-Folge A auditierte Primärdaten gemessener Energieverbrauch mit geprüfter Quelle voll steuerbar und berichtsfähig B interne Primärdaten, plausibilisiert Lieferantendaten mit Stichprobenprüfung nutzbar, aber Prüfplan erforderlich C modellierte Daten LCA-Modell mit anerkannten Faktoren Annahmen offenlegen, Sensitivität prüfen D Sekundärdaten Branchendurchschnitt für fehlenden Lieferantenwert konservativ nutzen, Datenerhebung verbessern E unsichere Schätzung unbelegte Selbstauskunft ohne Prüfpfad nicht für harte Steuerung ohne Sicherheitsabschlag nutzen