{"id":18456,"date":"2026-08-20T16:38:02","date_gmt":"2026-08-20T16:38:02","guid":{"rendered":"https:\/\/stage-01.hopmann.com\/de\/blog\/ai-visibility-tracken\/"},"modified":"2026-09-14T12:21:20","modified_gmt":"2026-09-14T12:21:20","slug":"data-quality-governance","status":"publish","type":"blog","link":"https:\/\/www.hopmann.com\/de\/blog\/data-quality-governance\/","title":{"rendered":"Data Quality &#038; Governance"},"content":{"rendered":"<hr>\n<ul>\n<li><a href=\"#\">social<\/a>\n<\/li>\n<\/ul>\n<hr>\n<div>\n<p class=\"uk-text-large\"><em>Die Hopmann AI Foundation, Teil 3<\/em><\/p>\n<div class=\"uk-card uk-card-default uk-card-body\">\n<p class=\"uk-text-large\"><strong>Kurz zusammengefasst:<\/strong> Datenqualit\u00e4t ist die zweite Ebene der <a href=\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\">Hopmann AI Foundation<\/a> und die einzige, die wir ausdr\u00fccklich als unverzichtbar bezeichnen w\u00fcrden. Eine KI kann nur mit den Daten arbeiten, die sie bekommt. Sind diese Daten unvollst\u00e4ndig oder falsch, zieht das Modell m\u00f6glicherweise den falschen Schluss oder liefert \u00fcberzeugt eine plausible Erkl\u00e4rung, die einfach nicht stimmt. Dieser Beitrag beschreibt die sechs Dimensionen der Datenqualit\u00e4t und warum ihre Pflege eine dauerhafte Aufgabe ist und kein einmaliges Projekt.<\/p>\n<\/div>\n<p class=\"uk-text-large\">Im <a href=\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\">ersten Beitrag dieser Serie<\/a> haben wir die f\u00fcnf Ebenen der Hopmann AI Foundation vorgestellt: Measurement Strategy, Data Quality &amp; Governance, Semantic Layer, Context Layer und Agentic Marketing Intelligence. Der <a href=\"\/de\/blog\/measurement-framework\/\">vorige Beitrag<\/a> hat sich auf die Measurement Strategy konzentriert, also auf die Frage, was \u00fcberhaupt gemessen werden soll. Dieses Mal gehen wir eine Ebene h\u00f6her und stellen eine andere Frage: Kann man den Daten trauen, mit denen gemessen wird?<\/p>\n<p class=\"uk-text-large\">Es ist die Ebene, \u00fcber die am wenigsten gesprochen wird. Datenqualit\u00e4t hat keine Demo, und niemand bekommt Applaus daf\u00fcr, dass ein Sync-Fehler aufgefallen ist, bevor er in ein Board-Deck gewandert ist. Trotzdem ist es die Ebene, an der die meisten KI-Projekte im Marketing tats\u00e4chlich scheitern.<\/p>\n<h2>Warum Vertrauen in KI bei der Datenbasis beginnt<\/h2>\n<p class=\"uk-text-large\">Ein klassischer Report verh\u00e4lt sich bei fehlenden Daten relativ freundlich. Eine Zeile bleibt leer, eine Summe wirkt zu niedrig, irgendwer im Team stolpert dar\u00fcber und fragt nach.<\/p>\n<p class=\"uk-text-large\">KI-Systeme verhalten sich anders. Ein Sprachmodell behandelt die Daten, die es bekommt, grunds\u00e4tzlich als vertrauensw\u00fcrdig. Solange das System um das Modell herum die Eingaben nicht pr\u00fcft, erkl\u00e4rt es, was es sieht, statt zu hinterfragen, ob die Datenbasis l\u00fcckenhaft oder falsch ist. Im besten Fall weist es darauf hin, dass die Daten unvollst\u00e4ndig sein k\u00f6nnten oder dass es sich seiner Antwort nicht sicher ist. Im schlechtesten Fall f\u00fcllt es die L\u00fccke mit einer plausiblen Erkl\u00e4rung und pr\u00e4sentiert sie als Tatsache.<\/p>\n<p class=\"uk-text-large\">Fehlen drei Tage Kampagnendaten, sieht das Modell m\u00f6glicherweise keinen Tracking-Fehler, sondern einen Performance-Einbruch, und liefert dazu eine \u00fcberzeugende Begr\u00fcndung. Ist ein Lead im CRM zweimal angelegt, schlie\u00dft es vielleicht auf eine wachsende Zielgruppe, statt das Duplikat zu erkennen. Beide Antworten k\u00f6nnen genauso souver\u00e4n klingen wie eine richtige.<\/p>\n<p class=\"uk-text-large\">Fehler werden mit KI also nicht zwangsl\u00e4ufig sichtbarer. Sie werden oft leiser.<\/p>\n<p class=\"uk-text-large\">Bei Agentic AI wiegt das noch schwerer. Ein Agent beantwortet nicht eine Frage und h\u00f6rt dann auf. Er liest Daten, rechnet, formuliert Empfehlungen und kann nachgelagerte Aktionen ausl\u00f6sen. Ist die Datenbasis falsch, baut jeder weitere Schritt auf derselben falschen Annahme auf.<\/p>\n<p class=\"uk-text-large\">Die Zahlen dazu sind eindeutiger, als man es bei einem so unspektakul\u00e4ren Thema erwarten w\u00fcrde. Laut dem <a href=\"https:\/\/www.precisely.com\/resource-center\/analystreports\/lebow-report-2024\/\" rel=\"noopener noreferrer nofollow\" target=\"_blank\">Data Integrity Report 2025 von Precisely<\/a> vertrauen 67 Prozent der Unternehmen ihren eigenen Daten nicht genug, um darauf KI-gest\u00fctzte Entscheidungen zu treffen. Im <a href=\"https:\/\/www.deloitte.com\/ce\/en\/services\/consulting\/research\/state-of-generative-ai-in-enterprise.html\" rel=\"noopener noreferrer nofollow\" target=\"_blank\">AI Survey 2024 von Deloitte<\/a> geben 38 Prozent der F\u00fchrungskr\u00e4fte an, bereits eine Fehlentscheidung auf Basis falscher KI-Ergebnisse getroffen zu haben. <a href=\"https:\/\/www.gartner.com\/en\/documents\/7243930\" rel=\"noopener noreferrer nofollow\" target=\"_blank\">Gartner<\/a> nennt mangelnde Datenqualit\u00e4t als h\u00e4ufigsten Grund daf\u00fcr, dass KI-Anwendungen scheitern.<\/p>\n<p class=\"uk-text-large\">Diese Zahlen handeln von Vertrauen, nicht von Technik. Und der gr\u00f6\u00dfte Schaden unsauberer Daten liegt nicht in der einzelnen falschen Kennzahl. Er liegt in dem Punkt, an dem das Team dem Dashboard nicht mehr glaubt und wieder aus dem Bauch heraus entscheidet.<\/p>\n<h2>Was \u201egute Daten&#8220; konkret bedeutet: die sechs Dimensionen von Data Quality &#038; Governance<\/h2>\n<p class=\"uk-text-large\">\u201eWir brauchen bessere Datenqualit\u00e4t&#8220; ist als Satz genauso wahr wie unbrauchbar. Solange nicht klar ist, welche Art von Qualit\u00e4tsproblem gemeint ist, l\u00e4sst sich auch nicht pr\u00fcfen, ob es behoben wurde. Deshalb arbeiten wir mit sechs Dimensionen. Jede beantwortet eine andere Frage, und jede kann unabh\u00e4ngig von den anderen fehlschlagen.<\/p>\n<p class=\"uk-text-large\"><strong>Vollst\u00e4ndigkeit: Fehlen Datens\u00e4tze oder Werte?<\/strong><\/p>\n<p class=\"uk-text-large\">Eine Schnittstelle synchronisiert \u00fcber das Wochenende nicht, ein Konto verliert seine Autorisierung. Nichts davon erzeugt eine Fehlermeldung, es erzeugt niedrigere Zahlen. Die Kampagne l\u00e4uft weiter, aber ohne R\u00fcckmeldung \u00fcber ihre Wirkung, und das Budget optimiert gegen nichts.<\/p>\n<p class=\"uk-text-large\"><strong>Korrektheit: Beschreiben die Daten die Realit\u00e4t?<\/strong><\/p>\n<p class=\"uk-text-large\">Hier fehlen keine Werte, die vorhandenen sind falsch. Ein Conversion-Tag, das nach einem Relaunch doppelt feuert, liefert vollst\u00e4ndige, aktuelle, formal einwandfreie Daten. Der ROAS sieht damit doppelt so gut aus, wie er ist, und die Empfehlung lautet, mehr Budget in einen schw\u00e4cheren Kanal zu geben.<\/p>\n<p class=\"uk-text-large\"><strong>Eindeutigkeit: Verzerren Duplikate die Auswertung?<\/strong><\/p>\n<p class=\"uk-text-large\">Doppelte Datens\u00e4tze bl\u00e4hen nicht nur Zahlen auf, sie erzeugen Zielgruppen, die es nicht gibt. Liegt derselbe Kunde in drei Systemen unter drei Schreibweisen, optimiert ein Modell anschlie\u00dfend gegen Segmente aus Phantom-Personen. Je nachdem, wo die Duplikate entstehen, z\u00e4hlen sie au\u00dferdem Conversions doppelt oder verzerren Performance-Kennzahlen so, dass sich die Ursache kaum zur\u00fcckverfolgen l\u00e4sst.<\/p>\n<p class=\"uk-text-large\"><strong>Aktualit\u00e4t: Ist der Datenstand aktuell genug f\u00fcr die Entscheidung?<\/strong><\/p>\n<p class=\"uk-text-large\">Diese Dimension ist relativ, nicht absolut. F\u00fcr ein Monatsreporting sind Daten von gestern v\u00f6llig ausreichend, f\u00fcr eine Budgetentscheidung am Mittag nicht. Entscheidend ist deshalb, ob die Aktualit\u00e4t zur Taktung der Entscheidungen passt, die auf ihr basieren.<\/p>\n<p class=\"uk-text-large\"><strong>Konsistenz: Stimmen die Werte \u00fcber Systeme hinweg?<\/strong><\/p>\n<p class=\"uk-text-large\">Marketing z\u00e4hlt Leads in der Ad-Plattform, Sales im CRM, Finance rechnet mit einer dritten Zahl, und jede ist in ihrem System korrekt. F\u00fcr ein KI-System entsteht daraus Mehrdeutigkeit. Ohne klare fachliche Regeln kann es nicht verl\u00e4sslich wissen, welche Definition gelten soll, und wer die Antwort liest, wei\u00df nicht, welche verwendet wurde.<\/p>\n<p class=\"uk-text-large\"><strong>G\u00fcltigkeit: Halten die Daten die vereinbarten Regeln ein?<\/strong><\/p>\n<p class=\"uk-text-large\">Formate, Wertebereiche, Namenskonventionen, Pflichtfelder. Das klingt nach Verwaltung, entscheidet in der Praxis aber dar\u00fcber, ob die Daten \u00fcberhaupt auswertbar sind. Halten Kampagnennamen die Konvention nicht ein, l\u00e4sst sich nicht verl\u00e4sslich nach Land, Funnel-Stufe oder Zielgruppe gruppieren. Die Daten selbst k\u00f6nnen korrekt sein, aber die Struktur, die f\u00fcr die Analyse n\u00f6tig ist, fehlt.<\/p>\n<p class=\"uk-text-large\">Die sechs Dimensionen sind kein Pr\u00fcfkatalog, den man einmal abarbeitet. Sie sind eine gemeinsame Sprache daf\u00fcr, wo ein Qualit\u00e4tsproblem sitzt. Das ist der Unterschied zwischen \u201eunsere Daten sind schlecht&#8220; und \u201ewir haben ein Eindeutigkeitsproblem in der Kundendom\u00e4ne, das unsere Zielgruppen um rund f\u00fcnfzehn Prozent aufbl\u00e4ht&#8220;. Nur die zweite Aussage l\u00e4sst sich priorisieren, messen und beheben.<\/p>\n<h2>Warum Datenqualit\u00e4t kein Projekt mit Enddatum ist<\/h2>\n<p class=\"uk-text-large\">Der verbreitetste Denkfehler bei diesem Thema ist die Annahme, Datenqualit\u00e4t sei ein Zustand, den man einmal herstellt. Ein Audit, eine Aufr\u00e4umphase, ein H\u00e4kchen.<\/p>\n<p class=\"uk-text-large\">Tats\u00e4chlich ist es ein laufender Prozess, weil sich Daten st\u00e4ndig \u00e4ndern. Plattformen aktualisieren ihre APIs, Tracking-Implementierungen entwickeln sich weiter, neue Kan\u00e4le bringen eigene Namenskonventionen mit, und Gesch\u00e4ftsprozesse ver\u00e4ndern sich \u00fcber die Zeit. Menschen wechseln das Team und nehmen das Wissen mit, warum ein Feld existiert oder wie eine bestimmte Transformation funktioniert. Keine dieser Ver\u00e4nderungen wirkt f\u00fcr sich dramatisch, in Summe untergraben sie aber langsam das Vertrauen in die Daten. Ein Audit sagt, wie es heute aussieht. Erst automatisierte Pr\u00fcfungen und Schwellwerte sagen, ob es morgen noch so ist.<\/p>\n<h2>Der Gewinn<\/h2>\n<p class=\"uk-text-large\">Der Gewinn dieser Ebene ist Vertrauen, auch wenn das weniger wertvoll klingt, als es tats\u00e4chlich ist. Wenn die Daten verl\u00e4sslich sind, werden Diskussionen \u00fcber Zahlen k\u00fcrzer, weil alle von derselben Grundlage ausgehen. Analysten verbringen weniger Zeit damit, Abweichungen zwischen Systemen zu erkl\u00e4ren, und mehr Zeit mit den Fragen, f\u00fcr die sie eingestellt wurden. Probleme werden erkannt, bevor sie eine Budgetentscheidung beeinflussen, und nicht danach.<\/p>\n<p class=\"uk-text-large\">Dieser Nutzen entsteht unabh\u00e4ngig davon, ob am Ende \u00fcberhaupt ein KI-Agent gebaut wird. Saubere Daten verbessern Reporting, Attribution, Forecasting und Entscheidungen im ganzen Unternehmen. KI erh\u00f6ht lediglich den Einsatz: Sobald ein Sprachmodell Entwicklungen erkl\u00e4rt, Ma\u00dfnahmen empfiehlt oder Entscheidungen f\u00fcr Nutzer trifft, wird aus schlechter Datenqualit\u00e4t eine fehlerhafte Argumentation und nicht nur eine falsche Zahl. Deshalb ist diese Ebene keine Vorarbeit, die man hinter sich bringt, bevor der interessante Teil beginnt. Sie liefert von Anfang an Nutzen und tr\u00e4gt gleichzeitig jede Ebene dar\u00fcber.<\/p>\n<h2>Wie es weitergeht<\/h2>\n<p class=\"uk-text-large\">Mit dieser Ebene sind die Daten selbst verl\u00e4sslich. Eine Frage bleibt aber offen: Was bedeuten die Zahlen eigentlich? Saubere Daten hei\u00dfen nicht automatisch, dass alle im Unternehmen sie gleich interpretieren. \u201eConversion&#8220; kann in vier Tools vier leicht unterschiedliche Berechnungen bezeichnen, und jede einzelne kann technisch korrekt sein. Genau darum geht es im n\u00e4chsten Beitrag dieser Serie: um den Semantic Layer. Er legt Metriken und Berechnungslogiken an einer Stelle fest, damit Menschen, Dashboards und KI-Systeme mit denselben Definitionen arbeiten.<\/p>\n<p class=\"uk-text-large\">Wer Agentic AI im Marketing zum Erfolg f\u00fchren will, f\u00e4ngt nicht beim Agenten an. Er f\u00e4ngt bei den Daten an, auf die der Agent angewiesen ist.<\/p>\n<p class=\"uk-text-large uk-margin-large-top\"><em>Wollen Sie herausfinden, wie es um die Datenqualit\u00e4t in Ihrem Unternehmen steht? <a href=\"\/de\/kontakt\/\">Vereinbaren Sie eine kostenfreie 30-min\u00fctige Erstberatung<\/a> mit unserem Team.<\/em><\/p>\n<div class=\"uk-grid-small uk-flex-middle uk-margin-large-top\" uk-grid>\n<div class=\"uk-width-auto\">\n    <img decoding=\"async\" src=\"\/wp-content\/uploads\/Tobias-Lanzl.png\" alt=\"Tobias Lanzl, Hopmann Marketing Analytics\" width=\"64\" height=\"64\" loading=\"lazy\" class=\"uk-border-circle\" style=\"object-fit:cover;\">\n  <\/div>\n<div class=\"uk-width-expand\">\n<p class=\"uk-text-large uk-margin-remove\"><strong><a href=\"\/de\/unternehmen\/wer-wir-sind\/\">Tobias Lanzl<\/a><\/strong> ist Manager Data Analytics bei Hopmann Marketing Analytics und spezialisiert auf KI-gest\u00fctzte Analyse-Architekturen an der Schnittstelle von semantischen Modellen, Context-Layern und Large Language Models. Als ehemaliger wissenschaftlicher Mitarbeiter und Dozent bringt er die F\u00e4higkeit mit, komplexe Zusammenh\u00e4nge so aufzubereiten, dass sie in der Praxis funktionieren und verstanden werden.<\/p>\n<\/p><\/div>\n<\/div>\n<hr>\n<p class=\"uk-text-large\">Folgen Sie <a href=\"https:\/\/www.linkedin.com\/company\/hopmann-marketing-analytics\/\" rel=\"noopener noreferrer\" target=\"_blank\">Hopmann Marketing Analytics auf LinkedIn<\/a> f\u00fcr weitere Einblicke in Marketing Analytics und KI.<\/p>\n<\/div>\n<p><p>\n        <a href=\"\/de\/marketing-analytics\/datenqualitaet\/\">Mehr zum Thema Datenqualit\u00e4t ><\/a>\n    <\/p>\n<\/p>\n<hr>\n<div>\n<p style=\"text-align: center;\">Was wir h\u00e4ufig gefragt werden.<\/p>\n<\/div>\n<h2>FAQ: Datenqualit\u00e4t im Marketing<\/h2>\n<ul>\n<li>\n<h3>Was geh\u00f6rt zu einem Data Quality Framework?<\/h3>\n<div>\n<p>Ein Data Quality Framework besteht aus zwei Teilen: einer Bestandsaufnahme, die zeigt, wo Qualit\u00e4t in der Datenkette bricht, und einer laufenden \u00dcberwachung, die Abweichungen automatisch erkennt. Der zweite Teil ist der wichtigere, weil er aus einer einmaligen Analyse eine dauerhafte Absicherung macht.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Was sind die sechs Dimensionen der Datenqualit\u00e4t?<\/h3>\n<div>\n<p>Vollst\u00e4ndigkeit, Korrektheit, Eindeutigkeit, Aktualit\u00e4t, Konsistenz und G\u00fcltigkeit. Jede Dimension beschreibt eine andere Art von Qualit\u00e4tsproblem, und sie k\u00f6nnen unabh\u00e4ngig voneinander auftreten. Ein Datensatz kann vollst\u00e4ndig und aktuell sein und trotzdem Duplikate enthalten, die jede Aggregation verzerren. Die Trennung der Dimensionen macht es m\u00f6glich, ein Qualit\u00e4tsproblem pr\u00e4zise zu beschreiben, statt pauschal von schlechten Daten zu sprechen.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Warum ist Datenqualit\u00e4t f\u00fcr KI wichtiger als f\u00fcr klassisches Reporting?<\/h3>\n<div>\n<p>Weil KI Daten interpretiert und nicht nur anzeigt. Ein Report mit fehlenden Daten zeigt meist eine L\u00fccke, die jemandem auff\u00e4llt. Ein Sprachmodell bekommt dieselben Daten und versucht, sie zu erkl\u00e4ren. Im besten Fall erkennt es, dass die Information unvollst\u00e4ndig sein k\u00f6nnte. Im schlechtesten Fall formuliert es auf Basis fehlerhafter oder fehlender Daten eine \u00fcberzeugende Erkl\u00e4rung und pr\u00e4sentiert sie mit Bestimmtheit. Agentic AI verst\u00e4rkt das zus\u00e4tzlich, weil derselbe Fehler \u00fcber viele Entscheidungen und Abl\u00e4ufe hinweg wiederholt werden kann.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie erkennt man, ob die eigene Datenqualit\u00e4t ein Problem ist?<\/h3>\n<div>\n<p>Es gibt mehrere verl\u00e4ssliche Anzeichen. Verschiedene Tools zeigen unterschiedliche Zahlen f\u00fcr dieselbe Kennzahl. Meetings beginnen damit, entscheiden zu m\u00fcssen, welche Zahl richtig ist. Analysten korrigieren Reports manuell nach, bevor sie sie weitergeben. Und es gibt Kennzahlen, die niemand freiwillig als Entscheidungsgrundlage nimmt, ohne sie vorher gegenzupr\u00fcfen. Wenn davon mehr als eines zutrifft, liegt das Problem vermutlich in den Daten und nicht in den Tools.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie lange dauert es, Datenqualit\u00e4t in den Griff zu bekommen?<\/h3>\n<div>\n<p>Eine belastbare Bestandsaufnahme \u00fcber die relevanten Datenquellen l\u00e4sst sich typischerweise in drei bis vier Wochen erstellen. Wie lange die Behebung dauert, h\u00e4ngt vom Ausgangspunkt ab, aber die Arbeit l\u00e4sst sich priorisieren. Man beginnt bei den Datenquellen und Qualit\u00e4tsproblemen, die unmittelbar auf wichtige Gesch\u00e4ftsentscheidungen wirken, und arbeitet den Rest nach und nach ab. Perfekte Daten sind keine Voraussetzung, um mit KI weiterzugehen.<\/p>\n<\/div>\n<\/li>\n<li>\n<h3>Wie unterst\u00fctzt Hopmann Unternehmen beim Aufbau eines Data Quality Frameworks?<\/h3>\n<div>\n<p>Wir sehen uns die bestehende Datenkette von der Anbindung der Quellsysteme bis zum Reporting an, bewerten sie entlang der sechs Dimensionen und priorisieren die Risiken nach ihrer Auswirkung auf das Gesch\u00e4ft. Daraus entsteht ein praxistaugliches Regelwerk mit klaren Zust\u00e4ndigkeiten und eine automatisierte \u00dcberwachung, die lange nach dem eigentlichen Projekt noch Nutzen bringt.<\/p>\n<\/div>\n<\/li>\n<\/ul>\n<hr>\n<p><p>\n        Vorheriger Artikel    <\/p>\n<\/p>\n<p><p>\n        N\u00e4chster Artikel    <\/p>\n<\/p>\n<hr>\n<div>Neueste Artikel<\/div>\n<div>\n<\/div>\n<div>Kategorien<\/div>\n<div>\n<\/div>\n<p><!--more--><br \/>\n<!-- {\"type\":\"layout\",\"children\":[{\"type\":\"section\",\"props\":{\"animation\":\"slide-bottom-medium\",\"animation_delay\":\"50\",\"height\":\"page\",\"image_position\":\"center-center\",\"padding_bottom\":\"large\",\"padding_top\":\"none\",\"style\":\"default\",\"title_breakpoint\":\"xl\",\"title_position\":\"top-left\",\"title_rotation\":\"left\",\"vertical_align\":\"\",\"width\":\"large\"},\"children\":[{\"type\":\"row\",\"props\":{\"column_gap\":\"large\",\"layout\":\"2-3,1-3\",\"padding_remove_horizontal\":false,\"row_gap\":\"large\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_large\":\"2-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"content_en_us\":\"The indispensable foundation for AI in marketing\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"remove\",\"title_element\":\"div\",\"title_style\":\"text-meta\"},\"source_extended\":{\"props\":{\"content\":{\"composed\":{\"value\":\"{{ sources.46d0 }}\",\"sources\":{\"46d0\":{\"name\":\"field.subline\",\"query\":{\"name\":\"#parent\"}}},\"conditions\":{}}}}}},{\"type\":\"headline\",\"props\":{\"content_en_us\":\"Data Quality &amp; Governance\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"small\",\"margin_top\":\"small\",\"title_element\":\"h1\",\"title_style\":\"h1\"},\"source_extended\":{\"props\":{\"content\":{\"name\":\"title\",\"query\":{\"name\":\"#parent\"}}}}},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"remove\",\"margin_top\":\"medium\"}},{\"type\":\"fragment\",\"props\":{\"margin_bottom\":\"remove\",\"margin_top\":\"remove\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 8px;\\n    margin-bottom: 8px;\\n}\",\"layout\":\"1-2,1-2\",\"margin_bottom\":\"large\",\"margin_top\":\"large\",\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"panel\",\"props\":{\"content_column_breakpoint\":\"m\",\"image_align\":\"left\",\"image_border\":\"circle\",\"image_grid_breakpoint\":\"\",\"image_grid_column_gap\":\"small\",\"image_grid_row_gap\":\"medium\",\"image_grid_width\":\"auto\",\"image_height\":40,\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"image_width\":40,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin_bottom\":\"\",\"margin_top\":\"\",\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"title_align\":\"top\",\"title_element\":\"h3\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_style\":\"text-small\"},\"source_extended\":{\"props\":{\"image\":{\"name\":\"field.foto.url\",\"query\":{\"name\":\"#parent\"}},\"title\":{\"composed\":{\"value\":\"\",\"sources\":{},\"conditions\":{}}},\"content\":{\"composed\":{\"value\":\"{{ sources.5d02 }}, {{ sources.67e8 }}\",\"sources\":{\"5d02\":{\"name\":\"field.autor\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\"}},\"67e8\":{\"name\":\"field.datum\",\"query\":{\"name\":\"#parent\"},\"filters\":{\"search\":\"\",\"date\":\"d.m.Y\"}}},\"conditions\":{}}},\"content_en_us\":{\"composed\":{\"value\":\"{{ sources.cce3 }} on {{ sources.4656 }}\",\"sources\":{\"4656\":{\"name\":\"date\",\"query\":{\"name\":\"blogs.singleBlog\"},\"filters\":{\"date\":\"\"}},\"cce3\":{\"filters\":{\"search\":\"\"},\"name\":\"field.autor\",\"query\":{\"name\":\"blogs.singleBlog\"}}},\"conditions\":{}}}}},\"name\":\"Verfasser\"}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"vertical_align\":\"middle\",\"width_default\":\"1-2\"},\"children\":[{\"type\":\"yooessentials_social_sharing\",\"props\":{\"class\":\"social-sharing-blog\",\"grid\":\"horizontal\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"image_svg_inline\":true,\"link_style\":\"link\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"text_align\":\"right\"},\"children\":[{\"type\":\"yooessentials_social_sharing_item\",\"props\":{\"link_target\":\"_blank\",\"link_target_height\":\"\",\"link_target_width\":\"\",\"network\":\"linkedin\"}}],\"name\":\"Teilen\"}]}]}]},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"medium\",\"margin_top\":\"remove\"}},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \/\/ Content Start \/\/ ---\"},{\"type\":\"html\",\"props\":{\"content\":\"\n\n<p class=\\\"uk-text-large\\\"><em>Die Hopmann AI Foundation, Teil 3<\/em><\/p>\n\n\\n\\n\n\n<div class=\\\"uk-card uk-card-default uk-card-body\\\">\\n  \n\n<p class=\\\"uk-text-large\\\"><strong>Kurz zusammengefasst:<\/strong> Datenqualit\u00e4t ist die zweite Ebene der <a href=\\\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\\\">Hopmann AI Foundation<\/a> und die einzige, die wir ausdr\u00fccklich als unverzichtbar bezeichnen w\u00fcrden. Eine KI kann nur mit den Daten arbeiten, die sie bekommt. Sind diese Daten unvollst\u00e4ndig oder falsch, zieht das Modell m\u00f6glicherweise den falschen Schluss oder liefert \u00fcberzeugt eine plausible Erkl\u00e4rung, die einfach nicht stimmt. Dieser Beitrag beschreibt die sechs Dimensionen der Datenqualit\u00e4t und warum ihre Pflege eine dauerhafte Aufgabe ist und kein einmaliges Projekt.<\/p>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Im <a href=\\\"\/de\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-serie\/\\\">ersten Beitrag dieser Serie<\/a> haben wir die f\u00fcnf Ebenen der Hopmann AI Foundation vorgestellt: Measurement Strategy, Data Quality &amp; Governance, Semantic Layer, Context Layer und Agentic Marketing Intelligence. Der <a href=\\\"\/de\/blog\/measurement-framework\/\\\">vorige Beitrag<\/a> hat sich auf die Measurement Strategy konzentriert, also auf die Frage, was \u00fcberhaupt gemessen werden soll. Dieses Mal gehen wir eine Ebene h\u00f6her und stellen eine andere Frage: Kann man den Daten trauen, mit denen gemessen wird?<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Es ist die Ebene, \u00fcber die am wenigsten gesprochen wird. Datenqualit\u00e4t hat keine Demo, und niemand bekommt Applaus daf\u00fcr, dass ein Sync-Fehler aufgefallen ist, bevor er in ein Board-Deck gewandert ist. Trotzdem ist es die Ebene, an der die meisten KI-Projekte im Marketing tats\u00e4chlich scheitern.<\/p>\n\n\\n\\n\n\n<h2>Warum Vertrauen in KI bei der Datenbasis beginnt<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Ein klassischer Report verh\u00e4lt sich bei fehlenden Daten relativ freundlich. Eine Zeile bleibt leer, eine Summe wirkt zu niedrig, irgendwer im Team stolpert dar\u00fcber und fragt nach.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">KI-Systeme verhalten sich anders. Ein Sprachmodell behandelt die Daten, die es bekommt, grunds\u00e4tzlich als vertrauensw\u00fcrdig. Solange das System um das Modell herum die Eingaben nicht pr\u00fcft, erkl\u00e4rt es, was es sieht, statt zu hinterfragen, ob die Datenbasis l\u00fcckenhaft oder falsch ist. Im besten Fall weist es darauf hin, dass die Daten unvollst\u00e4ndig sein k\u00f6nnten oder dass es sich seiner Antwort nicht sicher ist. Im schlechtesten Fall f\u00fcllt es die L\u00fccke mit einer plausiblen Erkl\u00e4rung und pr\u00e4sentiert sie als Tatsache.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Fehlen drei Tage Kampagnendaten, sieht das Modell m\u00f6glicherweise keinen Tracking-Fehler, sondern einen Performance-Einbruch, und liefert dazu eine \u00fcberzeugende Begr\u00fcndung. Ist ein Lead im CRM zweimal angelegt, schlie\u00dft es vielleicht auf eine wachsende Zielgruppe, statt das Duplikat zu erkennen. Beide Antworten k\u00f6nnen genauso souver\u00e4n klingen wie eine richtige.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Fehler werden mit KI also nicht zwangsl\u00e4ufig sichtbarer. Sie werden oft leiser.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Bei Agentic AI wiegt das noch schwerer. Ein Agent beantwortet nicht eine Frage und h\u00f6rt dann auf. Er liest Daten, rechnet, formuliert Empfehlungen und kann nachgelagerte Aktionen ausl\u00f6sen. Ist die Datenbasis falsch, baut jeder weitere Schritt auf derselben falschen Annahme auf.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die Zahlen dazu sind eindeutiger, als man es bei einem so unspektakul\u00e4ren Thema erwarten w\u00fcrde. Laut dem <a href=\\\"https:\/\/www.precisely.com\/resource-center\/analystreports\/lebow-report-2024\/\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">Data Integrity Report 2025 von Precisely<\/a> vertrauen 67 Prozent der Unternehmen ihren eigenen Daten nicht genug, um darauf KI-gest\u00fctzte Entscheidungen zu treffen. Im <a href=\\\"https:\/\/www.deloitte.com\/ce\/en\/services\/consulting\/research\/state-of-generative-ai-in-enterprise.html\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">AI Survey 2024 von Deloitte<\/a> geben 38 Prozent der F\u00fchrungskr\u00e4fte an, bereits eine Fehlentscheidung auf Basis falscher KI-Ergebnisse getroffen zu haben. <a href=\\\"https:\/\/www.gartner.com\/en\/documents\/7243930\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">Gartner<\/a> nennt mangelnde Datenqualit\u00e4t als h\u00e4ufigsten Grund daf\u00fcr, dass KI-Anwendungen scheitern.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Diese Zahlen handeln von Vertrauen, nicht von Technik. Und der gr\u00f6\u00dfte Schaden unsauberer Daten liegt nicht in der einzelnen falschen Kennzahl. Er liegt in dem Punkt, an dem das Team dem Dashboard nicht mehr glaubt und wieder aus dem Bauch heraus entscheidet.<\/p>\n\n\\n\\n\n\n<h2>Was \u201egute Daten\\\" konkret bedeutet: die sechs Dimensionen von Data Quality & Governance<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">\u201eWir brauchen bessere Datenqualit\u00e4t\\\" ist als Satz genauso wahr wie unbrauchbar. Solange nicht klar ist, welche Art von Qualit\u00e4tsproblem gemeint ist, l\u00e4sst sich auch nicht pr\u00fcfen, ob es behoben wurde. Deshalb arbeiten wir mit sechs Dimensionen. Jede beantwortet eine andere Frage, und jede kann unabh\u00e4ngig von den anderen fehlschlagen.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Vollst\u00e4ndigkeit: Fehlen Datens\u00e4tze oder Werte?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Eine Schnittstelle synchronisiert \u00fcber das Wochenende nicht, ein Konto verliert seine Autorisierung. Nichts davon erzeugt eine Fehlermeldung, es erzeugt niedrigere Zahlen. Die Kampagne l\u00e4uft weiter, aber ohne R\u00fcckmeldung \u00fcber ihre Wirkung, und das Budget optimiert gegen nichts.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Korrektheit: Beschreiben die Daten die Realit\u00e4t?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Hier fehlen keine Werte, die vorhandenen sind falsch. Ein Conversion-Tag, das nach einem Relaunch doppelt feuert, liefert vollst\u00e4ndige, aktuelle, formal einwandfreie Daten. Der ROAS sieht damit doppelt so gut aus, wie er ist, und die Empfehlung lautet, mehr Budget in einen schw\u00e4cheren Kanal zu geben.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Eindeutigkeit: Verzerren Duplikate die Auswertung?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Doppelte Datens\u00e4tze bl\u00e4hen nicht nur Zahlen auf, sie erzeugen Zielgruppen, die es nicht gibt. Liegt derselbe Kunde in drei Systemen unter drei Schreibweisen, optimiert ein Modell anschlie\u00dfend gegen Segmente aus Phantom-Personen. Je nachdem, wo die Duplikate entstehen, z\u00e4hlen sie au\u00dferdem Conversions doppelt oder verzerren Performance-Kennzahlen so, dass sich die Ursache kaum zur\u00fcckverfolgen l\u00e4sst.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Aktualit\u00e4t: Ist der Datenstand aktuell genug f\u00fcr die Entscheidung?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Diese Dimension ist relativ, nicht absolut. F\u00fcr ein Monatsreporting sind Daten von gestern v\u00f6llig ausreichend, f\u00fcr eine Budgetentscheidung am Mittag nicht. Entscheidend ist deshalb, ob die Aktualit\u00e4t zur Taktung der Entscheidungen passt, die auf ihr basieren.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Konsistenz: Stimmen die Werte \u00fcber Systeme hinweg?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Marketing z\u00e4hlt Leads in der Ad-Plattform, Sales im CRM, Finance rechnet mit einer dritten Zahl, und jede ist in ihrem System korrekt. F\u00fcr ein KI-System entsteht daraus Mehrdeutigkeit. Ohne klare fachliche Regeln kann es nicht verl\u00e4sslich wissen, welche Definition gelten soll, und wer die Antwort liest, wei\u00df nicht, welche verwendet wurde.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>G\u00fcltigkeit: Halten die Daten die vereinbarten Regeln ein?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Formate, Wertebereiche, Namenskonventionen, Pflichtfelder. Das klingt nach Verwaltung, entscheidet in der Praxis aber dar\u00fcber, ob die Daten \u00fcberhaupt auswertbar sind. Halten Kampagnennamen die Konvention nicht ein, l\u00e4sst sich nicht verl\u00e4sslich nach Land, Funnel-Stufe oder Zielgruppe gruppieren. Die Daten selbst k\u00f6nnen korrekt sein, aber die Struktur, die f\u00fcr die Analyse n\u00f6tig ist, fehlt.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Die sechs Dimensionen sind kein Pr\u00fcfkatalog, den man einmal abarbeitet. Sie sind eine gemeinsame Sprache daf\u00fcr, wo ein Qualit\u00e4tsproblem sitzt. Das ist der Unterschied zwischen \u201eunsere Daten sind schlecht\\\" und \u201ewir haben ein Eindeutigkeitsproblem in der Kundendom\u00e4ne, das unsere Zielgruppen um rund f\u00fcnfzehn Prozent aufbl\u00e4ht\\\". Nur die zweite Aussage l\u00e4sst sich priorisieren, messen und beheben.<\/p>\n\n\\n\\n\n\n<h2>Warum Datenqualit\u00e4t kein Projekt mit Enddatum ist<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der verbreitetste Denkfehler bei diesem Thema ist die Annahme, Datenqualit\u00e4t sei ein Zustand, den man einmal herstellt. Ein Audit, eine Aufr\u00e4umphase, ein H\u00e4kchen.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Tats\u00e4chlich ist es ein laufender Prozess, weil sich Daten st\u00e4ndig \u00e4ndern. Plattformen aktualisieren ihre APIs, Tracking-Implementierungen entwickeln sich weiter, neue Kan\u00e4le bringen eigene Namenskonventionen mit, und Gesch\u00e4ftsprozesse ver\u00e4ndern sich \u00fcber die Zeit. Menschen wechseln das Team und nehmen das Wissen mit, warum ein Feld existiert oder wie eine bestimmte Transformation funktioniert. Keine dieser Ver\u00e4nderungen wirkt f\u00fcr sich dramatisch, in Summe untergraben sie aber langsam das Vertrauen in die Daten. Ein Audit sagt, wie es heute aussieht. Erst automatisierte Pr\u00fcfungen und Schwellwerte sagen, ob es morgen noch so ist.<\/p>\n\n\\n\\n\n\n<h2>Der Gewinn<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Der Gewinn dieser Ebene ist Vertrauen, auch wenn das weniger wertvoll klingt, als es tats\u00e4chlich ist. Wenn die Daten verl\u00e4sslich sind, werden Diskussionen \u00fcber Zahlen k\u00fcrzer, weil alle von derselben Grundlage ausgehen. Analysten verbringen weniger Zeit damit, Abweichungen zwischen Systemen zu erkl\u00e4ren, und mehr Zeit mit den Fragen, f\u00fcr die sie eingestellt wurden. Probleme werden erkannt, bevor sie eine Budgetentscheidung beeinflussen, und nicht danach.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Dieser Nutzen entsteht unabh\u00e4ngig davon, ob am Ende \u00fcberhaupt ein KI-Agent gebaut wird. Saubere Daten verbessern Reporting, Attribution, Forecasting und Entscheidungen im ganzen Unternehmen. KI erh\u00f6ht lediglich den Einsatz: Sobald ein Sprachmodell Entwicklungen erkl\u00e4rt, Ma\u00dfnahmen empfiehlt oder Entscheidungen f\u00fcr Nutzer trifft, wird aus schlechter Datenqualit\u00e4t eine fehlerhafte Argumentation und nicht nur eine falsche Zahl. Deshalb ist diese Ebene keine Vorarbeit, die man hinter sich bringt, bevor der interessante Teil beginnt. Sie liefert von Anfang an Nutzen und tr\u00e4gt gleichzeitig jede Ebene dar\u00fcber.<\/p>\n\n\\n\\n\n\n<h2>Wie es weitergeht<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Mit dieser Ebene sind die Daten selbst verl\u00e4sslich. Eine Frage bleibt aber offen: Was bedeuten die Zahlen eigentlich? Saubere Daten hei\u00dfen nicht automatisch, dass alle im Unternehmen sie gleich interpretieren. \u201eConversion\\\" kann in vier Tools vier leicht unterschiedliche Berechnungen bezeichnen, und jede einzelne kann technisch korrekt sein. Genau darum geht es im n\u00e4chsten Beitrag dieser Serie: um den Semantic Layer. Er legt Metriken und Berechnungslogiken an einer Stelle fest, damit Menschen, Dashboards und KI-Systeme mit denselben Definitionen arbeiten.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Wer Agentic AI im Marketing zum Erfolg f\u00fchren will, f\u00e4ngt nicht beim Agenten an. Er f\u00e4ngt bei den Daten an, auf die der Agent angewiesen ist.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large uk-margin-large-top\\\"><em>Wollen Sie herausfinden, wie es um die Datenqualit\u00e4t in Ihrem Unternehmen steht? <a href=\\\"\/de\/kontakt\/\\\">Vereinbaren Sie eine kostenfreie 30-min\u00fctige Erstberatung<\/a> mit unserem Team.<\/em><\/p>\n\n\\n\n\n<div class=\\\"uk-grid-small uk-flex-middle uk-margin-large-top\\\" uk-grid>\\n  \n\n<div class=\\\"uk-width-auto\\\">\\n    <img src=\\\"\/wp-content\/uploads\/Tobias-Lanzl.png\\\" alt=\\\"Tobias Lanzl, Hopmann Marketing Analytics\\\" width=\\\"64\\\" height=\\\"64\\\" loading=\\\"lazy\\\" class=\\\"uk-border-circle\\\" style=\\\"object-fit:cover;\\\">\\n  <\/div>\n\n\\n  \n\n<div class=\\\"uk-width-expand\\\">\\n    \n\n<p class=\\\"uk-text-large uk-margin-remove\\\"><strong><a href=\\\"\/de\/unternehmen\/wer-wir-sind\/\\\">Tobias Lanzl<\/a><\/strong> ist Manager Data Analytics bei Hopmann Marketing Analytics und spezialisiert auf KI-gest\u00fctzte Analyse-Architekturen an der Schnittstelle von semantischen Modellen, Context-Layern und Large Language Models. Als ehemaliger wissenschaftlicher Mitarbeiter und Dozent bringt er die F\u00e4higkeit mit, komplexe Zusammenh\u00e4nge so aufzubereiten, dass sie in der Praxis funktionieren und verstanden werden.<\/p>\n\n\\n  <\/div>\n\n\\n<\/div>\n\n\\n\\n\n\n<hr>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Folgen Sie <a href=\\\"https:\/\/www.linkedin.com\/company\/hopmann-marketing-analytics\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">Hopmann Marketing Analytics auf LinkedIn<\/a> f\u00fcr weitere Einblicke in Marketing Analytics und KI.<\/p>\n\n\\n\",\"content_en_us\":\"\n\n<p class=\\\"uk-text-large\\\"><em>The Hopmann AI Foundation, Part 3<\/em><\/p>\n\n\\n\\n\n\n<div class=\\\"uk-card uk-card-default uk-card-body\\\">\\n  \n\n<p class=\\\"uk-text-large\\\"><strong>In short:<\/strong> Data quality is the second layer of the <a href=\\\"\/en\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-series\/\\\">Hopmann AI Foundation<\/a>, and the only one we would explicitly call indispensable. AI can only reason with the data it is given. When that data is incomplete or incorrect, the model may reach the wrong conclusion, or confidently present a plausible explanation that just isn't true. This post covers the six dimensions of data quality and why maintaining them is an ongoing discipline, not a one-off project.<\/p>\n\n\\n<\/div>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">In the <a href=\\\"\/en\/blog\/hopmann-ai-foundation-agentic-marketing-intelligence-series\/\\\">first post of this series<\/a>, we introduced the five layers of the Hopmann AI Foundation: Measurement Strategy, Data Quality &amp; Governance, Semantic Layer, Context Layer and Agentic Marketing Intelligence. The <a href=\\\"\/en\/blog\/measurement-framework-ai\/\\\">previous post<\/a> focused on Measurement Strategy, asking what should be measured in the first place. This time we move up one layer and ask a different question: can you trust the data you are measuring with?<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">It is the layer that gets talked about least. Data quality has no demo, and nobody gets applause for catching a sync error before it made its way into a board deck. It is still the layer where most AI projects in marketing actually fail.<\/p>\n\n\\n\\n\n\n<h2>Why Trust in AI Starts with the Data Set<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">A conventional report behaves fairly kindly when data is missing. A row stays empty, a total looks too low, somebody on the team trips over it and asks.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">AI systems behave differently. A language model generally treats the data it receives as trustworthy. Unless the surrounding system validates the input, it will explain what it sees rather than question whether the underlying data is incomplete or wrong. In the best case it flags that the data may be incomplete, or that it cannot be confident in its conclusion. In the worst case it fills the gap with a plausible explanation and presents it as fact.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">If three days of campaign data are missing, the model may not see a tracking error, it may see a drop in performance and offer a convincing reason for it. If a lead sits in the CRM twice, it may conclude that the audience has grown rather than recognising a duplicate. Both answers can sound just as confident as a correct one.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">With AI, errors do not necessarily become more visible. They often become quieter.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">This matters even more with agentic AI. An agent does not answer one question and stop. It retrieves data, performs calculations, generates recommendations and can trigger downstream actions. If the underlying data is wrong, every step that follows builds on the same faulty assumptions.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The numbers are clearer than you would expect for such an unglamorous topic. In the <a href=\\\"https:\/\/www.precisely.com\/resource-center\/analystreports\/lebow-report-2024\/\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">Precisely Data Integrity Report 2025<\/a>, 67 percent of companies say they do not trust their own data enough to base AI-driven decisions on it. In <a href=\\\"https:\/\/www.deloitte.com\/ce\/en\/services\/consulting\/research\/state-of-generative-ai-in-enterprise.html\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">Deloitte's AI Survey 2024<\/a>, 38 percent of executives report having already made a wrong decision based on incorrect AI output. <a href=\\\"https:\/\/www.gartner.com\/en\/documents\/7243930\\\" rel=\\\"noopener noreferrer nofollow\\\" target=\\\"_blank\\\">Gartner<\/a> names poor data quality as the most common reason AI applications fail.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">These numbers are about trust, not about technology. And the biggest damage from unreliable data is not the single wrong figure. It is the point where the team stops believing the dashboard and goes back to deciding on instinct.<\/p>\n\n\\n\\n\n\n<h2>What \\\"good data\\\" actually means: the six dimensions<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">\\\"We need better data quality\\\" is a sentence as true as it is useless. As long as it is unclear which type of quality issue is meant, there is no way to check whether it has been fixed. That is why we work with six dimensions. Each one answers a different question, and each can break independently of the others.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Completeness: are records or values missing?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">A connector fails to sync over the weekend, an account loses its authorisation. Neither produces an error message, both produce lower numbers. The campaign keeps running, but without feedback on its effect, and the budget optimises against nothing.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Accuracy: does the data describe reality?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Here nothing is missing, what is there is wrong. A conversion tag that fires twice after a relaunch delivers complete, current, formally flawless data. ROAS then looks twice as good as it is, and the recommendation is to move more budget into the weaker channel.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Uniqueness: are duplicates distorting the analysis?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Duplicate records do more than just inflate numbers, they create audiences that do not exist. If the same customer sits in three systems under three spellings, a model ends up optimising against segments of phantom people. Depending on where the duplicates occur, they can also double-count conversions or skew performance metrics in ways that are hard to trace back to the source.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Timeliness: is the data current enough for the decision?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">This dimension is relative, not absolute. For monthly reporting, yesterday's data is perfectly adequate. For a budget decision taken at midday, it is not. What matters is whether the freshness matches the cadence of the decisions built on it.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Consistency: do the values match across systems?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Marketing counts leads in the ad platform, Sales in the CRM, Finance works with a third number, and each is correct in its own system. For an AI system this creates ambiguity. Unless it has been given clear business rules, it has no reliable way to know which definition should apply, and whoever reads the answer has no way of knowing which one it used.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\"><strong>Validity: does the data follow the agreed rules?<\/strong><\/p>\n\n\\n\n\n<p class=\\\"uk-text-large\\\">Formats, value ranges, naming conventions, mandatory fields. It sounds like administration, but in practice it determines whether the data can be analysed at all. If campaign names do not follow the convention, you cannot reliably group by market, funnel stage or audience. The underlying data may be correct, but the structure needed for analysis is missing.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The six dimensions are not a checklist to complete once. They provide a shared language for describing where a quality problem sits. That is the difference between saying \\\"our data is bad\\\" and \\\"we have a uniqueness problem in the customer domain that inflates our audience sizes by roughly fifteen percent\\\". Only the second statement can be prioritised, measured and fixed.<\/p>\n\n\\n\\n\n\n<h2>Why data quality is not a project with an end date<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The most common misconception on this topic is that data quality is a state you establish once. An audit, a clean-up phase, a tick in a box.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">In reality it is a continuous process, because data constantly changes. Platforms update their APIs, tracking implementations evolve, new channels introduce their own naming conventions, and business processes change over time. People leave teams, taking with them the knowledge of why certain fields exist or how particular transformations work. None of these changes looks dramatic on its own, but together they slowly erode trust in the data. An audit tells you how things look today. Only automated checks and thresholds tell you whether that is still true tomorrow.<\/p>\n\n\\n\\n\n\n<h2>The payoff<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">The payoff of this layer is trust, although that makes it sound softer than it really is. When the data is reliable, discussions about numbers become shorter, because everyone works from the same foundation. Analysts spend less time explaining discrepancies between systems and more time on the questions they were hired for. Problems are identified before they influence a budget decision, not after.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">These benefits exist whether or not you ever build an AI agent. Clean data improves reporting, attribution, forecasting and decision-making across the organisation. AI simply raises the stakes: once a language model starts explaining trends, recommending actions or making decisions on behalf of users, poor data quality becomes flawed reasoning rather than just incorrect numbers. That is why this layer is not simply groundwork to get through before reaching the interesting part. It delivers value from the beginning while also providing the foundation for every layer that follows.<\/p>\n\n\\n\\n\n\n<h2>What comes next<\/h2>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">With this layer in place, the data itself is dependable. One question still remains: what do the numbers actually mean? Clean data does not automatically mean everyone in the organisation interprets it in the same way. A \\\"conversion\\\" might refer to four slightly different calculations across four different tools, and every one of them can be technically correct. That is the focus of the next post in this series: the Semantic Layer. It defines metrics and calculation logic in one place so that people, dashboards and AI systems all work from the same definitions.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Anyone who wants agentic AI in marketing to succeed does not start with the agent. They start with the data the agent depends on.<\/p>\n\n\\n\\n\n\n<p class=\\\"uk-text-large uk-margin-large-top\\\"><em>Want to find out where your organisation stands on data quality? <a href=\\\"\/en\/contact\/\\\">Schedule a free 30-minute initial consultation<\/a> with our team.<\/em><\/p>\n\n\\n\n\n<div class=\\\"uk-grid-small uk-flex-middle uk-margin-large-top\\\" uk-grid>\\n  \n\n<div class=\\\"uk-width-auto\\\">\\n    <img src=\\\"\/wp-content\/uploads\/Tobias-Lanzl.png\\\" alt=\\\"Tobias Lanzl, Hopmann Marketing Analytics\\\" width=\\\"64\\\" height=\\\"64\\\" loading=\\\"lazy\\\" class=\\\"uk-border-circle\\\" style=\\\"object-fit:cover;\\\">\\n  <\/div>\n\n\\n  \n\n<div class=\\\"uk-width-expand\\\">\\n    \n\n<p class=\\\"uk-text-large uk-margin-remove\\\"><strong><a href=\\\"\/en\/company\/who-we-are\/\\\">Tobias Lanzl<\/a><\/strong> is Manager Data Analytics at Hopmann Marketing Analytics, specialising in AI-powered analytics architectures at the intersection of semantic models, context layers and large language models. As a former research associate and university lecturer he brings the ability to make complex AI and data architectures accessible in a way that works in practice.<\/p>\n\n\\n  <\/div>\n\n\\n<\/div>\n\n\\n\\n\n\n<hr>\n\n\\n\\n\n\n<p class=\\\"uk-text-large\\\">Follow <a href=\\\"https:\/\/www.linkedin.com\/company\/hopmann-marketing-analytics\/\\\" rel=\\\"noopener noreferrer\\\" target=\\\"_blank\\\">Hopmann Marketing Analytics on LinkedIn<\/a> for more insights on marketing analytics and AI.<\/p>\n\n\\n\"}},{\"type\":\"button\",\"props\":{\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"default\",\"margin_top\":\"default\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"primary\",\"content\":\"Mehr zum Thema Datenqualit\u00e4t >\",\"content_en_us\":\"More on Data Quality >\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon_align\":\"left\",\"link\":\"\/de\/marketing-analytics\/datenqualitaet\/\",\"link_en_us\":\"\/en\/marketing-analytics\/data-quality-and-governance\/\",\"link_title\":\"Mehr zum Thema Datenqualit\u00e4t >\",\"link_title_en_us\":\"More on Data Quality >\"}}]},{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}},{\"type\":\"headline\",\"props\":{\"content\":\"\n\n<p style=\\\"text-align: center;\\\">Was wir h\u00e4ufig gefragt werden.<\/p>\n\n\",\"content_en_us\":\"\n\n<p style=\\\"text-align: center;\\\">Common questions we receive.<\/p>\n\n\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"title_color\":\"primary\",\"title_element\":\"div\",\"title_style\":\"h6\"}},{\"type\":\"headline\",\"props\":{\"content\":\"FAQ: Datenqualit\u00e4t im Marketing\",\"content_en_us\":\"FAQ: Data quality in marketing\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_top\":\"remove\",\"text_align\":\"center\",\"title_element\":\"h2\",\"title_style\":\"h2\"}},{\"type\":\"grid\",\"props\":{\"content_column_breakpoint\":\"m\",\"faq_schema\":true,\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_default\":\"1\",\"grid_medium\":\"2\",\"image_align\":\"top\",\"image_grid_breakpoint\":\"m\",\"image_grid_width\":\"1-2\",\"image_svg_color\":\"emphasis\",\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"Read more\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"meta_align\":\"below-title\",\"meta_element\":\"div\",\"meta_style\":\"text-meta\",\"parallax_easing\":\"1\",\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"title_align\":\"top\",\"title_element\":\"h3\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_style\":\"h3\"},\"children\":[{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Ein Data Quality Framework besteht aus zwei Teilen: einer Bestandsaufnahme, die zeigt, wo Qualit\u00e4t in der Datenkette bricht, und einer laufenden \u00dcberwachung, die Abweichungen automatisch erkennt. Der zweite Teil ist der wichtigere, weil er aus einer einmaligen Analyse eine dauerhafte Absicherung macht.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>A Data Quality Framework has two parts: an assessment that identifies where quality breaks down along the data chain, and ongoing monitoring that automatically detects deviations. The second part is the more important one, because it turns a one-off analysis into lasting protection.<\/p>\n\n\",\"title\":\"Was geh\u00f6rt zu einem Data Quality Framework?\",\"title_en_us\":\"What does a Data Quality Framework consist of?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Vollst\u00e4ndigkeit, Korrektheit, Eindeutigkeit, Aktualit\u00e4t, Konsistenz und G\u00fcltigkeit. Jede Dimension beschreibt eine andere Art von Qualit\u00e4tsproblem, und sie k\u00f6nnen unabh\u00e4ngig voneinander auftreten. Ein Datensatz kann vollst\u00e4ndig und aktuell sein und trotzdem Duplikate enthalten, die jede Aggregation verzerren. Die Trennung der Dimensionen macht es m\u00f6glich, ein Qualit\u00e4tsproblem pr\u00e4zise zu beschreiben, statt pauschal von schlechten Daten zu sprechen.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>Completeness, accuracy, uniqueness, timeliness, consistency and validity. Each dimension describes a different type of quality issue, and they can occur independently of one another. A dataset can be complete and current while still containing duplicates that distort every aggregation. Separating the dimensions makes it possible to describe quality problems precisely instead of referring to \\\"bad data\\\" in general.<\/p>\n\n\",\"title\":\"Was sind die sechs Dimensionen der Datenqualit\u00e4t?\",\"title_en_us\":\"What are the six dimensions of data quality?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Weil KI Daten interpretiert und nicht nur anzeigt. Ein Report mit fehlenden Daten zeigt meist eine L\u00fccke, die jemandem auff\u00e4llt. Ein Sprachmodell bekommt dieselben Daten und versucht, sie zu erkl\u00e4ren. Im besten Fall erkennt es, dass die Information unvollst\u00e4ndig sein k\u00f6nnte. Im schlechtesten Fall formuliert es auf Basis fehlerhafter oder fehlender Daten eine \u00fcberzeugende Erkl\u00e4rung und pr\u00e4sentiert sie mit Bestimmtheit. Agentic AI verst\u00e4rkt das zus\u00e4tzlich, weil derselbe Fehler \u00fcber viele Entscheidungen und Abl\u00e4ufe hinweg wiederholt werden kann.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>Because AI interprets data rather than simply displaying it. A report with missing data often exposes a gap that someone notices. A language model receives the same data and attempts to explain it. In the best case it identifies that the information may be incomplete. In the worst case it produces a convincing explanation based on faulty or missing data and presents it with confidence. Agentic AI amplifies this further, because it can repeat the same mistake across many decisions and workflows.<\/p>\n\n\",\"title\":\"Warum ist Datenqualit\u00e4t f\u00fcr KI wichtiger als f\u00fcr klassisches Reporting?\",\"title_en_us\":\"Why does data quality matter more for AI than for conventional reporting?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Es gibt mehrere verl\u00e4ssliche Anzeichen. Verschiedene Tools zeigen unterschiedliche Zahlen f\u00fcr dieselbe Kennzahl. Meetings beginnen damit, entscheiden zu m\u00fcssen, welche Zahl richtig ist. Analysten korrigieren Reports manuell nach, bevor sie sie weitergeben. Und es gibt Kennzahlen, die niemand freiwillig als Entscheidungsgrundlage nimmt, ohne sie vorher gegenzupr\u00fcfen. Wenn davon mehr als eines zutrifft, liegt das Problem vermutlich in den Daten und nicht in den Tools.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>There are several reliable signs. Different tools show different numbers for the same metric. Meetings start with having to decide which figure is correct. Analysts manually adjust reports before sharing them. And there are metrics nobody willingly uses as a basis for a decision without checking them first. If more than one of these applies, the issue is likely to be the data rather than the tools.<\/p>\n\n\",\"title\":\"Wie erkennt man, ob die eigene Datenqualit\u00e4t ein Problem ist?\",\"title_en_us\":\"How do you tell whether your own data quality is a problem?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Eine belastbare Bestandsaufnahme \u00fcber die relevanten Datenquellen l\u00e4sst sich typischerweise in drei bis vier Wochen erstellen. Wie lange die Behebung dauert, h\u00e4ngt vom Ausgangspunkt ab, aber die Arbeit l\u00e4sst sich priorisieren. Man beginnt bei den Datenquellen und Qualit\u00e4tsproblemen, die unmittelbar auf wichtige Gesch\u00e4ftsentscheidungen wirken, und arbeitet den Rest nach und nach ab. Perfekte Daten sind keine Voraussetzung, um mit KI weiterzugehen.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>A reliable assessment across the relevant data sources typically takes three to four weeks. How long remediation takes depends on the starting point, but the work can be prioritised. Begin with the data sources and quality issues that directly influence important business decisions, then address the rest over time. You do not need perfect data before moving forward with AI.<\/p>\n\n\",\"title\":\"Wie lange dauert es, Datenqualit\u00e4t in den Griff zu bekommen?\",\"title_en_us\":\"How long does it take to get data quality under control?\"}},{\"type\":\"grid_item\",\"props\":{\"content\":\"\n\n<p>Wir sehen uns die bestehende Datenkette von der Anbindung der Quellsysteme bis zum Reporting an, bewerten sie entlang der sechs Dimensionen und priorisieren die Risiken nach ihrer Auswirkung auf das Gesch\u00e4ft. Daraus entsteht ein praxistaugliches Regelwerk mit klaren Zust\u00e4ndigkeiten und eine automatisierte \u00dcberwachung, die lange nach dem eigentlichen Projekt noch Nutzen bringt.<\/p>\n\n\",\"content_en_us\":\"\n\n<p>We assess the existing data chain from the source system connections through to reporting, evaluate it along the six dimensions, and prioritise the risks according to their business impact. The result is a practical framework with clear ownership and automated monitoring that continues to provide value long after the initial project has finished.<\/p>\n\n\",\"title\":\"Wie unterst\u00fctzt Hopmann Unternehmen beim Aufbau eines Data Quality Frameworks?\",\"title_en_us\":\"How does Hopmann support companies in building a Data Quality Framework?\"}}]},{\"type\":\"html\",\"props\":{\"content\":\"\"},\"name\":\"--- \/\/ Content Ende \/\/ ---\"},{\"type\":\"fragment\",\"props\":{\"margin_bottom\":\"default\",\"margin_top\":\"default\"},\"children\":[{\"type\":\"row\",\"props\":{\"css\":\".el-row {\\n\\tmargin-top: 70px;\\n}\",\"margin_bottom\":\"remove\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\"}}]}]},{\"type\":\"row\",\"props\":{\"class\":\"blog-pager\",\"layout\":\"1-2,1-2\",\"margin_bottom\":\"small\",\"margin_top\":\"small\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"class\":\"blog-pager\",\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"remove\",\"margin_top\":\"remove\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"Vorheriger Artikel\",\"content_en_us\":\"Previous article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-left\",\"icon_align\":\"left\"},\"source\":{\"query\":{\"name\":\"blogs.singlePreviousBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\",\"width_default\":\"1-2\",\"width_medium\":\"1-2\"},\"children\":[{\"type\":\"button\",\"props\":{\"grid_column_gap\":\"small\",\"grid_row_gap\":\"small\",\"margin_bottom\":\"remove\",\"margin_top\":\"remove\",\"text_align\":\"right\"},\"children\":[{\"type\":\"button_item\",\"props\":{\"button_style\":\"\",\"content\":\"N\u00e4chster Artikel\",\"content_en_us\":\"Next article\",\"dialog_layout\":\"modal\",\"dialog_offcanvas_flip\":true,\"icon\":\"chevron-right\",\"icon_align\":\"right\"},\"source\":{\"query\":{\"name\":\"blogs.singleNextBlog\"},\"props\":{\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]},{\"type\":\"row\",\"props\":{\"margin_top\":\"remove\"},\"children\":[{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky_breakpoint\":\"m\"},\"children\":[{\"type\":\"divider\",\"props\":{\"divider_element\":\"hr\",\"margin_bottom\":\"medium\",\"margin_top\":\"remove\"}}]}]}]}]},{\"type\":\"column\",\"props\":{\"image_position\":\"center-center\",\"position_sticky\":\"column\",\"position_sticky_breakpoint\":\"m\",\"position_sticky_offset\":\"120\",\"width_large\":\"1-3\"},\"children\":[{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Neueste Artikel\",\"content_en_us\":\"Latest articles\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\"}},{\"type\":\"grid\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"articles-sm\",\"content_column_breakpoint\":\"m\",\"faq_schema\":false,\"filter_align\":\"left\",\"filter_all\":true,\"filter_grid_breakpoint\":\"m\",\"filter_grid_width\":\"auto\",\"filter_position\":\"top\",\"filter_style\":\"tab\",\"grid_default\":\"1\",\"grid_divider\":true,\"grid_medium\":\"\",\"grid_row_gap\":\"small\",\"image_align\":\"top\",\"image_grid_breakpoint\":\"\",\"image_grid_width\":\"auto\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"item_animation\":true,\"lightbox_bg_close\":true,\"link_style\":\"default\",\"link_text\":\"\",\"margin_bottom\":\"default\",\"margin_top\":\"default\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"meta_align\":\"above-title\",\"meta_element\":\"div\",\"meta_style\":\"text-small\",\"panel_image_no_padding\":true,\"panel_link\":true,\"show_content\":true,\"show_hover_image\":true,\"show_hover_video\":true,\"show_image\":true,\"show_link\":true,\"show_meta\":true,\"show_title\":true,\"show_video\":true,\"title_align\":\"top\",\"title_element\":\"div\",\"title_font_family\":\"tertiary\",\"title_grid_breakpoint\":\"m\",\"title_grid_width\":\"1-2\",\"title_hover_style\":\"reset\",\"title_margin\":\"remove\"},\"children\":[{\"type\":\"grid_item\",\"props\":{\"yooessentials_access_conditions\":[],\"yooessentials_access_mode\":\"AND\"},\"source\":{\"query\":{\"name\":\"blogs.customBlogs\",\"arguments\":{\"users\":[],\"users_operator\":\"IN\",\"offset\":0,\"limit\":5,\"order\":\"date\",\"order_direction\":\"DESC\",\"terms\":[],\"blog_kategorie_operator\":\"IN\"}},\"props\":{\"title\":{\"filters\":{\"search\":\"\"},\"name\":\"title\"},\"meta\":{\"filters\":{\"search\":\"\"},\"name\":\"field.subline\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]},{\"type\":\"headline\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"content\":\"Kategorien\",\"content_en_us\":\"Categories\",\"image_align\":\"left\",\"image_margin\":\"xsmall\",\"margin_bottom\":\"remove\",\"margin_top\":\"large\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"title_element\":\"div\",\"title_style\":\"h6\",\"yooessentials_access_conditions\":[{\"type\":\"yooessentials_access_dynamic\",\"id\":\"ci_AD8A0F\",\"props\":{\"condition\":\"!\",\"reversed\":true},\"source_extended\":{\"props\":{\"value\":{\"name\":\"blog_kategorieString\",\"query\":{\"name\":\"#parent\"}}}}}],\"yooessentials_access_mode\":\"AND\"}},{\"type\":\"list\",\"props\":{\"block_align\":\"right\",\"block_align_breakpoint\":\"l\",\"class\":\"tag-list\",\"column_breakpoint\":\"m\",\"image_align\":\"left\",\"image_svg_color\":\"emphasis\",\"image_vertical_align\":true,\"list_element\":\"ul\",\"list_horizontal_separator\":\"\",\"list_type\":\"horizontal\",\"margin_bottom\":\"small\",\"margin_top\":\"small\",\"maxwidth\":\"medium\",\"maxwidth_breakpoint\":\"l\",\"show_image\":true,\"show_link\":true},\"children\":[{\"type\":\"list_item\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\",\"field\":{\"name\":\"blog_kategories\",\"directives\":[{\"name\":\"slice\",\"arguments\":{\"offset\":0}}]}},\"props\":{\"content\":{\"filters\":{\"search\":\"\"},\"name\":\"name\"},\"link\":{\"filters\":{\"search\":\"\"},\"name\":\"link\"}}}}]}]}]}],\"name\":\"Blog V11 - 08\/26\",\"source\":{\"query\":{\"name\":\"blogs.singleBlog\"}}}],\"version\":\"5.0.38\"} --><\/p>\n","protected":false},"featured_media":18446,"template":"","blog-kategorie":[94,41],"class_list":["post-18456","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-kategorie-ai-in-marketing","blog-kategorie-best-practice"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/18456","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"version-history":[{"count":1,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/18456\/revisions"}],"predecessor-version":[{"id":18549,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog\/18456\/revisions\/18549"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media\/18446"}],"wp:attachment":[{"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/media?parent=18456"}],"wp:term":[{"taxonomy":"blog-kategorie","embeddable":true,"href":"https:\/\/www.hopmann.com\/de\/wp-json\/wp\/v2\/blog-kategorie?post=18456"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}