Fast jedes Automatisierungsprojekt beginnt mit demselben Satz: „Das machen wir noch von Hand, das wollen wir automatisieren.“ Bevor Sie loslegen, lohnt eine unbequeme Frage: Wie gut sind eigentlich die Daten, die in diesen Prozess fließen? Eine Automatisierung macht einen Prozess vor allem schneller – und das gilt für saubere wie für schlechte Daten gleichermaßen. Dieser Artikel zeigt, warum Datenqualität die Voraussetzung jeder Automatisierung ist, woran Sie schlechte Daten erkennen und wie Sie Eingaben in n8n prüfen, bevor sie Schaden anrichten.
„Garbage in, garbage out“: Automatisierung verstärkt Fehler
Der alte Grundsatz „garbage in, garbage out“ trifft Automatisierung besonders hart. Wenn ein Mensch eine offensichtlich falsche Adresse oder ein leeres Pflichtfeld sieht, stutzt er und fragt nach. Ein Workflow tut das nicht: Er verarbeitet, was hereinkommt, exakt nach Vorschrift – bei jedem einzelnen Datensatz, rund um die Uhr. Aus einem stillen Tippfehler wird so kein Einzelfall, sondern ein Muster, das sich über hunderte Vorgänge zieht, bevor es jemandem auffällt.
Das ist der entscheidende Unterschied zur Handarbeit. Manuelle Prozesse haben eine eingebaute, wenn auch langsame Qualitätskontrolle: den Menschen, der mitdenkt. Automatisierung entfernt genau diese Kontrolle. Wer sie ersetzt, muss die Prüfung explizit in den Workflow einbauen – sonst skaliert er seine Datenprobleme einfach mit.
Automatisierung beschleunigt einen Prozess, sie verbessert ihn nicht. Wer doppelte Adressen, leere Pflichtfelder und uneinheitliche Formate in einen Workflow gibt, bekommt die Fehler schneller und in größerer Zahl zurück. Datenqualität ist deshalb keine Aufräumarbeit für später, sondern die Bedingung dafür, dass eine Automatisierung überhaupt verlässlich rechnet.
Was gute Daten konkret bedeutet
„Gute Daten“ klingt abstrakt, lässt sich aber in wenige Eigenschaften zerlegen. Für die Automatisierung sind vor allem fünf relevant – und zu jeder gehört ein typischer Fehler, der einen Workflow zum Entgleisen bringt:
| Eigenschaft | Typischer Fehler, der den Workflow kippt |
|---|---|
| Vollständigkeit | Pflichtangaben fehlen – die Automatisierung läuft mit Lücken weiter |
| Korrektheit | vertippte E-Mail, falsche Kundennummer, Zahlendreher im Betrag |
| Einheitlichkeit | „GmbH“, „G.m.b.H.“, „gmbh“ – derselbe Wert in zehn Schreibweisen |
| Eindeutigkeit | derselbe Kunde mehrfach angelegt, der Abgleich greift ins Leere |
| Aktualität | veraltete Adresse oder Preisliste, die niemand gepflegt hat |
Keine dieser Eigenschaften ist Selbstzweck. Sie entscheiden darüber, ob ein automatischer Abgleich, eine Berechnung oder ein Versand das Richtige tut. Eine vertippte E-Mail macht den ganzen Lead-Datensatz wertlos, ohne dass eine Fehlermeldung erscheint – die Bestätigung geht einfach ins Nichts.
Wo Datenqualität in Workflows kippt
In Gesprächen mit Betrieben tauchen immer dieselben Schwachstellen auf. Es lohnt, sie zu kennen, bevor man sie automatisiert:
- Mehrere Quellen ohne gemeinsame Struktur. Anfragen kommen über Formular, E-Mail, Telefon und einen Excel-Export herein – jede mit anderen Feldnamen und Formaten. Spätestens beim Zusammenführen passt nichts mehr zusammen.
- Freitextfelder. Wo Menschen frei tippen, entsteht Vielfalt: „01.07.“, „1. Juli“, „2026-07-01“ meinen dasselbe Datum, sind für eine Maschine aber drei verschiedene Dinge.
- Fehlende Pflichtfelder am Eingang. Wird eine Angabe erst später gebraucht, fällt ihr Fehlen erst dort auf – mitten im Workflow, wo die Korrektur am teuersten ist.
- Uneinheitliche Formate. Telefonnummern mit und ohne Ländervorwahl, Beträge mit Komma oder Punkt, Datumsangaben in jeder denkbaren Reihenfolge.
- Veraltete Stammdaten. Adressen, Ansprechpartner und Preise, die seit Jahren niemand gepflegt hat, weil keine Quelle als die maßgebliche gilt.
Welche Prozesse sich überhaupt zuerst lohnen – und warum die Datenlage dabei ein zentrales Kriterium ist – habe ich im Artikel Welche Prozesse zuerst automatisieren beschrieben.
Prüfen statt hoffen: Validierung an der Eingangsgrenze
Die wirksamste Stelle für Datenprüfung ist die Eingangsgrenze: gleich nach dem Auslöser, bevor irgendetwas geschrieben, berechnet oder verschickt wird. Je früher ein schlechter Datensatz auffällt, desto billiger ist die Korrektur. In n8n setzen Sie das mit einer Handvoll Bausteinen um.
Normalisieren, bevor Sie prüfen. Mit dem Node Edit Fields (Set) bringen Sie unterschiedliche Eingänge auf eine einheitliche Struktur: feste Feldnamen, einheitliche Typen, ein klares Datumsformat. Die Option „Keep Only Set Fields“ verwirft dabei alles, was Sie nicht ausdrücklich übernehmen – so schleppen Sie keinen Datenmüll mit. Erst auf sauberen Feldern lässt sich verlässlich prüfen und abgleichen.
Prüfen und verzweigen. Für klare Bedingungen brauchen Sie kein Sprachmodell, sondern deterministische Logik: Der IF-Node schickt jeden Datensatz anhand fester Regeln in einen Gültig- oder Ungültig-Zweig. Wann sich feste Regeln gegenüber KI auszahlen, habe ich in Regeln oder KI im Workflow ausgeführt. Vorsicht beim verwandten Filter-Node: Laut Dokumentation gilt „If the item doesn't meet the condition, the Filter node omits the item from its output“ – nicht passende Datensätze verschwinden also kommentarlos. Zum Wegräumen von echtem Rauschen ist das praktisch; bei Geschäftsdaten ist stilles Verschwinden gefährlich. Leiten Sie ungültige Sätze lieber über den IF-Node in einen eigenen Zweig zur Korrektur, statt sie zu verlieren.
Hart abbrechen, wenn es sein muss. Verletzt ein Datensatz eine Regel, die nie verletzt werden darf – etwa ein fehlender Rechnungsbetrag –, lassen Sie den Lauf bewusst scheitern. Der Stop And Error-Node dient genau dazu: „cause executions to fail under certain conditions“. Ein lautes Scheitern ist fast immer besser als ein leises Weiterlaufen mit falschen Werten.
Fehlerhafte Sätze auffangen statt verlieren. Über die Node-Einstellung „On Error“ mit der Option „Continue (using error output)“ schicken Sie gescheiterte Datensätze in einen separaten Fehler-Ausgang – der Rest läuft weiter. So bleibt der gute Teil eines Imports produktiv, während die Ausreißer in einer Liste zur Nachbearbeitung landen.
KI-Ausgaben gegen ein Schema prüfen. Lassen Sie ein Sprachmodell Felder aus Text extrahieren, ist die Ausgabe nicht automatisch sauber. Der Structured Output Parser prüft die Antwort gegen ein Schema – wahlweise per „Generate from JSON Example“ oder „Define using JSON Schema“ – und liefert nur strukturkonforme Felder zurück. Ein vorgeschalteter Auto-fixing-Parser kann fehlerhafte Ausgaben von einem zweiten Modell korrigieren lassen. Verlassen Sie sich trotzdem nicht blind darauf: Die Doku weist selbst darauf hin, dass strukturierte Ausgaben gerade in Agenten „often not reliable“ sind – eine Plausibilitätsprüfung danach bleibt sinnvoll.
Aufräumen, ohne das Projekt zu sprengen
Die naheliegende Reaktion auf schlechte Daten – erst einmal alles bereinigen – führt selten zum Ziel. Ein monatelanges Aufräumprojekt blockiert die Automatisierung, und während es läuft, kommen neue unsaubere Daten herein. Pragmatischer ist ein zweigleisiges Vorgehen: an der Eingangsgrenze ab sofort sauber prüfen, damit kein neuer Müll entsteht, und parallel die Altbestände dort bereinigen, wo sie konkret stören.
Hilfreich ist die Frage nach der maßgeblichen Quelle: Welches System führt die Wahrheit über Kunden, welches über Artikel? Wenn diese „single source of truth“ feststeht, fließen Korrekturen an eine Stelle statt in fünf Kopien. Den häufigsten Spezialfall – dieselben Daten mehrfach – behandelt der Artikel Leads sauber ins CRM übernehmen mit Normalisierung und Dublettenabgleich im Detail. Und nicht jeder Datentopf muss perfekt sein: Es reicht, wenn die Felder stimmen, die der jeweilige Workflow tatsächlich nutzt.
Fazit
Datenqualität ist kein Nebenthema der Automatisierung, sondern ihr Fundament. Wer schlechte Daten automatisiert, bekommt schlechte Ergebnisse schneller und in größerer Zahl. Die gute Nachricht: Man muss nicht erst alles aufräumen. Eine konsequente Prüfung an der Eingangsgrenze – normalisieren, validieren, im Zweifel laut scheitern – verhindert, dass aus einem Tippfehler ein systematisches Problem wird.
Wenn Sie unsicher sind, ob Ihre Daten für einen bestimmten Prozess tragfähig sind, schauen wir uns das gemeinsam an. Im kostenlosen Prozess-Check gehen wir den Wunschprozess durch und klären ehrlich, was die Datenlage hergibt – und was vorher passieren muss. Wie sich solche Prüfungen technisch sauber umsetzen lassen, zeigt auch meine n8n-Beratung.