Data-Quality-Metriken für Reference und Master Data in der Kanzlei

Ein Partner einer Kanzlei mit 400 Anwälten öffnet vor einer Vorstandssitzung das Dashboard „Mandanten nach Branche“ und findet drei Versionen desselben Mandanten: „Acme Corp“, „ACME Corporation“ und „Acme Corp. (f/kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →/a Beta Industries)“. Der Umsatz ist auf alle drei verteilt. Das Cross-Sell-Reporting ist falsch. Die Konfliktprüfung übersieht einen Treffer. Niemand hat das so geplant. Es ist Formular für Formular über ein Jahrzehnt entstanden, weil niemand für den Mandanten-Masterdatensatz verantwortlich war.

Das ist der leise Failure Mode von Kanzleidaten: kein Breach, kein schlechtes Modell, nur Reference Data, die langsam verrottet.

Was „Reference und Master Data“ hier bedeutet

Master Data sind die zentralen, sich langsam ändernden Entitäten, mit denen eine Kanzlei arbeitet: Mandanten, Mandate, Lieferanten, Timekeeper, Praxisgruppen, Standorte. Reference Data ist das kontrollierte Vokabular, mit dem Master Data klassifiziert wird: Praxisgruppen-Taxonomien, Branchencodes, Jurisdiktionslisten, Rate-Card-Kategorien.

Zentrale Systeme, die diese Daten in einer typischen Kanzlei halten:

• Practice Management / Finanzsystem: Aderant, Elite 3E oder Intapp für Mandanten, Mandate, Abrechnung, Timekeeper.
• CRMCRMCustomer Relationship Management: Software und Strategie, um Kundeninteraktionen über den gesamten Lifecycle zu steuern und zu analysieren.Vollständige Definition ansehen →: InterAction oder Salesforce-basierte Tools für Business-Development-Kontakte (BD) und Beziehungen.
• HRIS: Workday oder Ähnliches für Anwalts- und Mitarbeiterdaten, verknüpft mit Timekeeper-IDs.
• Konflikt-/Intake-Datenbank: oft ein Modul im Practice-Management-System, manchmal separat (z. B. Intapp Conflicts).
• Vendor Master: im ERPERPEine integrierte Kernsoftware für zentrale Abläufe: Finanzen, Einkauf, Supply Chain, HR und Produktion auf gemeinsamer Datenbasis.Vollständige Definition ansehen → (Enterprise Resource Planning) oder im Kreditorensystem, z. B. SAP, zur Erfassung von Outside-Counsel-Netzwerken, Protokollführern, Sachverständigen.

Derselbe Mandantendatensatz „Acme Corp“ muss typischerweise über vier oder fünf dieser Systeme hinweg saubere Treffer liefern. Das tut ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → selten.

Warum das Reporting leise kaputtgeht

Finance, BD und HR konsumieren dieselben Master Data, aber in unterschiedlicher Form:

• Finance rollt realisierten Umsatz je Mandant auf. Doppelte Mandanten-IDs unterschätzen das Konzentrationsrisiko und verzerren die Mandantenprofitabilitätsanalyse.
• BD baut Cross-Sell- und Beziehungslandkarten aus CRM-Daten. Werden „Acme“ und „ACME Corporation“ nicht zusammengeführt, unterschätzt die Kanzlei ihren Wallet Share und übersieht Interessenkonfliktsignale bei Pitches.
• HR verknüpft Timekeeper-Datensätze mit Mandaten für Utilization- und Diversity-Reporting. Ein veralteter Praxisgruppen-Code klassifiziert das Mandatsportfolio eines Anwalts falsch.

Keiner dieser Defekte löst einen Alarm aus. Sie tauchen Monate später als „die Zahlen passen nicht zusammen“ auf, und die Ursache liegt fast immer in den vorgelagerten Master Data, nicht im Reporting Layer.

Zentrale Data-Quality-Dimensionen

In der Data-Quality-Praxis wird üblicherweise ein Standardset an Dimensionen verwendet, und Master Data von Kanzleien lässt sich sauber darauf abbilden.

Completeness

Prozentsatz der gefüllten Pflichtfelder. Beispiel: Anteil der Mandantendatensätze mit gültigem Branchencode und Rechnungsadresse.

Completeness (%) = (Datensätze mit allen Pflichtfeldern gefüllt / Datensätze insgesamt) × 100

Rechenbeispiel: Eine Kanzlei hat 12.000 aktive Mandantendatensätze. 9.600 haben sowohl eine Branchenklassifizierung als auch eine Verknüpfung zur Muttergesellschaft.

Completeness = (9.600 / 12.000) × 100 = 80 %

Eine Completeness von 80 % bei der Branchenklassifizierung bedeutet: Jeder fünfte Mandant kann im branchenbezogenen BD-Reporting oder beim Konflikt-Screening nach Branche nicht zuverlässig mitgezählt werden.

Accuracy

Spiegelt das Feld die Realität wider? Ein als „aktiv“ markierter Mandant, der die Kanzlei seit drei Jahren nicht mehr mandatiert hat, ist ein Accuracy-Fehler, kein Completeness-Fehler.

Consistency

Gleicher Sachverhalt, gleicher Wert, überall. Wenn das CRM als Muttergesellschaft eines Mandanten „Beta Holdings“ ausweist und das Abrechnungssystem „Beta Industries Inc.“, ist das ein Consistency-Fehler, der Mutter-/Tochter-Rollups zerstört, die sowohl im Umsatzreporting als auch in Konfliktprüfungen genutzt werden.

Duplication Rate

Das klassische Kanzleiproblem. Gemessen als:

Duplication Rate (%) = (Identifizierte Dubletten / Datensätze insgesamt) × 100

Branchen-Benchmarks für CRM-Dubletten in Professional Services werden üblicherweise mit geschätzt 10 bis 20 % angegeben (die genauen Werte variieren stark nach Kanzleigröße und Systemalter; eine einzelne belastbare kanzleiübergreifende Studie existiert nicht, jede Zahl ist also nur als Richtwert zu verstehen). Der Punkt ist nicht der exakte Wert, sondern dass Dubletten in jedem Jahr ohne governten Intake weiter kumulieren.

Timeliness

Wie alt ist der Datensatz? Ein Vendor-Datensatz für Outside Counsel, der seit einer Ratenänderung vor sechs Monaten nicht aktualisiert wurde, führt zu Abweichungen in der AP (Accounts Payable).

Uniqueness / referenzielle Integrität

Jedes Mandat sollte auf genau eine gültige Mandanten-ID und einen gültigen Praxisgruppen-Code verweisen. Gebrochene referenzielle Integrität ist der Grund, warum ein Mandat aus dem Reporting einer Praxisgruppe „verschwindet“, weil sein Praxisgruppen-Code ohne Migration stillgelegt wurde.

Governance-Metriken, die Kanzleien tatsächlich verfolgen

Über die reinen Qualitätsdimensionen hinaus verfolgen Kanzleien mit ausgereifter Governance auch Prozessmetriken:

• Golden-Record-Coverage: Anteil der Mandanten mit einem einzigen autoritativen „Golden Record“ (der dedublizierten, verifizierten Masterversion) gegenüber weiterhin fragmentierten Einträgen.
• Time-to-Correct: Median der Tage zwischen dem Flaggen eines fehlerhaften Datensatzes durch einen Data StewardData StewardEin Verantwortlicher auf Fachseite, der für Qualität, Konsistenz und sachgerechte Nutzung der Daten in seiner Domäne zuständig ist.Vollständige Definition ansehen → und dessen Korrektur.
• Steward-to-Record-Ratio: Wie viele Data Stewards (formal für Master-Data-Qualität verantwortliche Mitarbeiter) es pro tausend aktiver Datensätze gibt. Kleine und mittelgroße Kanzleien haben oft null dedizierte Stewards, was selbst eine Governance-Metrik ist, die man der Kanzleileitung berichten sollte.
• Taxonomy-Adoption-Rate: Anteil der Mandate, die mit der aktuellen Praxisgruppen-Taxonomie getaggt sind, gegenüber einer Legacy- oder Ad-hoc-Taxonomie. Kanzleien, die ein Rebranding durchlaufen oder Praxisgruppen reorganisiert haben, führen oft jahrelang zwei Taxonomien parallel.

Ein einfaches internes Dashboard könnte monatlich verfolgen:

Diese Ziele sind illustrativ, nicht branchenweit vorgegeben. Jede Kanzlei sollte ihre eigenen Zahlen als Baseline erheben, bevor sie Schwellenwerte festlegt.

Eine einfache Dedup-Prüfung, konzeptionell

Kanzleien nutzen Fuzzy-Matching-Logik (Vergleich von Strings auf nahezu identische Schreibweise), um wahrscheinliche Dubletten vor dem Merge zu flaggen. Eine vereinfachte Variante:

from difflib import SequenceMatcher

def similarity(a, b):
    return SequenceMatcher(None, a.lower(), b.lower()).ratio()

name1 = "Acme Corp"
name2 = "ACME Corporation"

score = similarity(name1, name2)
# Score ~0,75 bis 0,8, wird wahrscheinlich zur manuellen Prüfung geflaggt

Das ist nur illustrativ. Produktives Dedup nutzt robusteres Matching (z. B. Levenshtein-Distanz kombiniert mit Steuernummer- oder D-U-N-S-Nummern-Matching von Dun & Bradstreet) plus menschliche Prüfung, da das Zusammenführen der falschen zwei Mandanten Interessenkonfliktrisiken erzeugt.

Verbindung zu Regulierung und Risiko

Master-Data-Qualität ist nicht nur eine Effizienzfrage. Nach den Interessenkonfliktpflichten, die in den USA von den State Bar Associations und in England und Wales von der Solicitors Regulation Authority (SRA) durchgesetzt werden, müssen Kanzleien vor der Annahme eines neuen Mandats alle aktuellen und früheren Mandanten korrekt identifizieren. Ein fragmentierter Mandanten-Masterdatensatz ist damit ein unmittelbares Compliance-Risiko, nicht bloß ein Reporting-Ärgernis.

Ebenso gilt unter den Grundsätzen der Datenrichtigkeit der DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → (Datenschutz-Grundverordnung, EU/UK): Kanzleien, die über CRM und Practice Management hinweg inkonsistente personenbezogene Daten zu Kontakten halten, tragen eine dokumentierte Compliance-Lücke, wenn eine betroffene Person Korrektur oder Löschung verlangt und die Kanzlei nicht alle Instanzen des Datensatzes finden kann.

Für ein breiteres Framework zu Data-Quality-Dimensionen über Branchen hinweg ist der Überblick zum DAMA-DMBOK-Framework ein viel zitierter, frei zugänglicher Startpunkt.

🎬 [VIDEO: „What is Master Data ManagementMaster Data ManagementMaster Data Management (MDM) ist die Disziplin, eine einzige, konsistente und verlässliche Version der zentralen Geschäftsobjekte eines Unternehmens zu erstellen und zu pflegen: Kunden, Produkte, Lieferanten.Vollständige Definition ansehen →?“ — youtube.com — ein kurzer, herstellerneutraler Explainer zu MDM-Konzepten, direkt anwendbar auf Mandanten- und Vendor-Master-Data in Professional-Services-Firmen]

Key Takeaways

• Master Data einer Kanzlei (Mandanten, Mandate, Lieferanten, Praxisgruppen) werden von Finance, BD und HR unterschiedlich konsumiert, sodass ein einzelner vorgelagerter Fehler zu drei scheinbar unverbundenen nachgelagerten Problemen führt.
• Verfolgen Sie Qualität über Standarddimensionen: Completeness, Accuracy, Consistency, Duplication Rate, Timeliness und referenzielle Integrität, jeweils mit einem einfach berechenbaren Prozentwert.
• Dubletten und unvollständige Klassifizierung sind nicht nur Reporting-Ärgernisse, sie erzeugen reale Interessenkonflikt- und DSGVO-Richtigkeitsrisiken.
• Governance-Metriken (Golden-Record-Coverage, Time-to-Correct, Steward-to-Record-Ratio, Taxonomy Adoption) zeigen, ob das Problem aktiv gesteuert wird oder sich einfach anhäuft.
• Jede zitierte Benchmark-Zahl für „typische“ Dubletten- oder Completeness-Raten sollte als Richtwert behandelt werden, Kanzleien sollten ihre eigenen Systeme als Baseline erheben, bevor sie Verbesserungsziele setzen.