Eine mangelnde Qualität der Geschäftsinformationen verursacht Unternehmen hohe Kosten, beeinträchtigt ihre Kundenbeziehungen und lässt sie manche strategische Chance verpassen. Schlechte Daten sind der Grund für irrlaufende Postsendungen, Fehlproduktionen, Mehrfachauslieferungen oder falsche Kennzahlen im Berichtswesen - um nur einige Beispiele aus dem Firmenalltag zu nennen. Auch scheitern Vorhaben zur Systemmigration, Datenintegration oder einem Data Warehouse oft an der geringen Qualität der Daten. Diese zeigt sich in fehlenden, nicht zugeordneten, inhaltlich oder formal falschen oder nicht mehr interpretierbaren Daten. Zu den Folgen zählen auch Probleme im Projekt-Management, da sich der Zeit- und Ressourcenbedarf aufgrund der Vielfalt möglicher Fehlerquellen nur schwer einschätzen lässt. Hinzu kommt, dass viele Mängel spät entdeckt werden, zum Beispiel erst dann, wenn Berichte aus dem Data Warehouse erzeugt werden.

Immer mehr Unternehmen wird mittlerweile klar, dass Daten- und Informationsqualität ein Wertschöpfungsfaktor ist, den sie bisher zu wenig beachtet haben. Die Situation lässt sich jedoch nicht mit isolierten Projekten, sondern nur mit übergreifenden Initiativen zum Datenqualitäts-Management (DQM) nachhaltig verbessern. Ziel ist die Entwicklung eines iterativen Prozesses aus Analyse, Anpassung und Kontrolle, der die große Komplexität des Vorhabens mit seinen zahlreichen Beteiligten und Facetten abdecken muss. Hierbei ist es ratsam, neben allen datengetriebenen Prozessen auch die interne Organisation und vor allem die beteiligten Mitarbeiter in den Zyklus einzubeziehen. Ein wichtiger Bestandteil im DQM sind zudem Softwarewerkzeuge. Sie erleichtern die oft mühselige manuelle Suche und Behebung von Problemen, indem sie die Daten per Data Profiling unternehmensweit automatisch erfassen, ihre Qualität durch ein Data Cleansing verbessern helfen und diese überwachen (Monitoring). Die drei Methoden sollten stets gemeinsam angewendet werden.