Beherrschen Sie die Techniken der Datumsvalidierung: Leitfaden 2026

Sehen Sie sich den Umsatzbericht des Monats an. Die Umsätze scheinen gestiegen zu sein, die Marge scheint sich verbessert zu haben, und doch bleibt dieses unangenehme Gefühl, dass etwas nicht stimmt. Das ist keine Paranoia. Das ist operative Erfahrung. Wer in einem italienischen KMU arbeitet, weiß, dass die Daten zwischen dem Betriebssystem, Excel-Exporten und manuellen Änderungen mehrmals ihre Form ändern, bevor sie in einem Dashboard landen.

Der Punkt ist ganz einfach: Eine einwandfreie Analyse auf der Grundlage falscher Daten hilft dir nicht weiter. Sie führt dich in die Irre. Sie liefert dir eine präzise, elegante und beruhigende Antwort, die jedoch auf wackeligen Beinen steht. Und das ist viel gefährlicher als ein unvollständiger Bericht, denn sie verleitet dazu, Entscheidungen mit Sicherheit zu treffen, obwohl diese Sicherheit gar nicht gegeben ist.

Genau dafür sind Datenvalidierungstechniken da: Sie bringen Fehler ans Licht. Sie machen die Daten nicht „perfekt“. Sie machen Probleme sichtbar, die heute unbemerkt bleiben. Ob Sie nun in der Verwaltung, im Controlling, im Vertrieb oder im operativen Geschäft tätig sind – genau diese Arbeit unterscheidet eine verwertbare Zahl von einer reinen Ziffernfolge. Und in KMU ist dies wertvoller als viele „fortschrittliche“ Analytics-Initiativen, denn die Vorteile zeigen sich sofort, oft schon beim ersten Datenimport.

Einleitung: Dieses unangenehme Gefühl, dass der Bericht falsch ist

In KMU entstehen die Zahlen selten dort, wo sie gelesen werden. Sie wandern von einem Verwaltungssystem in eine exportierte Datei, dann in Excel und schließlich in eine „überarbeitete“ Version, die von jemandem erstellt wurde, der eigentlich nur zwei Spalten korrigieren sollte, am Ende aber die Hälfte der Tabelle neu geschrieben hat. Wenn der Abschlussbericht nicht überzeugt, liegt das Problem oft nicht an der Grafik. Es liegt an allem, was zuvor passiert ist.

Die Datenvalidierung ist das unattraktivste und zugleich wichtigste Thema des gesamten Analysezyklus. Kein Unternehmer möchte sich mit Formatprüfungen oder fehlenden Pflichtfeldern auseinandersetzen. Doch fast jede falsche Entscheidung, die auf der Grundlage scheinbar einwandfreier Dashboards getroffen wird, hat dort ihren Ursprung: bei einem geänderten Dezimaltrennzeichen, einem falsch interpretierten Datum, einem Duplikat im Stammdatenbestand oder einer Summe, die nicht stimmt, die aber niemand überprüft hat.

Wer gut mit Daten umgeht, entwickelt eine bestimmte Gewohnheit: Bevor er sich fragt, was die Zahlen aussagen, fragt er sich, ob diese Zahlen vertrauenswürdig sind. Die besten Techniken zur Datenvalidierung sind nicht unbedingt die ausgefeiltesten. Es sind diejenigen, die die häufigsten Fehler frühzeitig erkennen, ohne die tägliche Arbeit zu verlangsamen.

Wenn du den Daten nicht genug vertraust, um eine wichtige Entscheidung zu treffen, liegt das Problem nicht bei der Entscheidung. Es liegt bei der Validierung.

Der teuerste Fehler: Wenn die Analyse präzise ist, die Daten aber fehlerhaft sind

Der typische Fehler ist kein offensichtlich fehlerhafter Bericht. Es handelt sich um einen ordentlichen, scheinbar schlüssigen Bericht, der auf Daten basiert, die bereits an Zuverlässigkeit verloren haben. Wenn das passiert, liegt der Schaden nicht nur in der falschen Zahl. Er liegt darin, dass niemand sie in Frage stellt.

Die Disziplin hat sich stark weiterentwickelt. Die Datenvalidierung ist von einer überwiegend manuellen Kontrolle zu automatisierten und statistischen Prüfungen übergegangen. Die Best Practices unterscheiden mindestens fünf grundlegende Prüfungen, nämlich data type check, code check, range check, format check und consistency check, wie in der Übersicht von Teradata zur Data Validation zusammengefasst. In Italien wiegt diese Reife noch stärker in regulierten Kontexten, wo bereits ein einziges falsches Feld Berichte, Prognosemodelle oder gesetzliche Pflichten verfälschen kann.

Syntaktische, semantische und relationale Validierung

Der erste Fehler besteht darin, sich mit dem Äußerlichen zu begnügen. Viele Unternehmen führen nur die einfachste Überprüfung durch, nämlich die syntaktische.

• Syntaktische Validierung. Prüft, ob die Daten die erwartete Form haben. Ein Preis muss numerisch sein. Ein Datum muss ein Datum sein. Eine Postleitzahl muss dem vorgesehenen Format entsprechen.
• Semantische Validierung. Fragt, ob der Wert im Kontext sinnvoll ist. Eine riesige Rechnung kann formal korrekt sein, aber für diesen Kunden oder diese Produktlinie nicht plausibel.
• Relationale Validierung. Prüft, ob die Felder zusammen Sinn ergeben. Wenn die Lieferung vor der Bestellung liegt, ist der Datensatz nicht zuverlässig, auch wenn jedes einzelne Feld für sich „gültig“ ist.

Eine korrekt angegebene Steuernummer kann die erste Hürde nehmen, an der zweiten jedoch scheitern. Der Rechnungsbetrag kann zwar numerisch und im richtigen Format vorliegen, aber wenn er nicht mit der Summe der Einzelposten übereinstimmt, hast du ein viel ernsthafteres Problem als nur das Format.

Praxisregel: Eine Prüfung, die nur eine Spalte liest, findet banale Fehler. Eine Prüfung, die mehrere Felder zueinander in Beziehung setzt, findet die Fehler, die Entscheidungen verändern.

Warum die Kontrolle am Eingang durchgeführt werden muss

Eine sinnvolle Validierung findet nicht erst am Ende der Arbeit statt. Sie erfolgt schon vorher. Wenn Sie auf den Abschlussbericht warten, wurde der Fehler bereits umgewandelt, aggregiert, in andere Dateien kopiert und in Besprechungen diskutiert. Zu diesem Zeitpunkt kostet seine Korrektur Aufmerksamkeit, Zeit und Glaubwürdigkeit.

Das gilt umso mehr, wenn du beginnst, ausgefeiltere Methoden einzusetzen, wie die Anomalieerkennung oder den Umgang mit statistischen Ausreißern. Das sind nützliche Werkzeuge, aber sie ersetzen nicht die grundlegenden Kontrollen. Wenn eine als Text importierte Spalte Preise enthält, brauchst du kein komplexes Modell. Du brauchst einen elementaren Filter, der den Fehler schon beim Eingang blockiert.

Eine gute Analyse beginnt nicht mit den schönsten Dashboards. Sie beginnt mit Daten, die eine Reihe sinnvoller Tests durchlaufen haben, sobald sie in den Datenfluss gelangen.

Die wichtigsten Validierungstechniken für jedes KMU

Im Tagesgeschäft von KMU entsteht der größte Teil des Mehrwerts durch einfache Kontrollen. Nicht durch ausgefeilte akademische Techniken. Nicht durch komplexe Prozesse, die niemand aufrechterhalten wird. Sondern durch klare, wiederholbare Regeln, die genau dort ansetzen, wo die Daten tatsächlich ins Unternehmen gelangen.

Im italienischen Kontext steht dieser Ansatz im Einklang mit dem Vorgehen des ISTAT, das die Datenqualität über Dimensionen wie Genauigkeit, Kohärenz und Vollständigkeit definiert und die VIMO-Prüfung (Valid, Invalid, Missing, Outlier) nutzt, um gültige, fehlende und anomale Werte zu messen. Der Ansatz sieht Validierung beim Eingang, während der Transformation und vor der endgültigen Nutzung der Daten vor, wie im ISTAT-Material zu Datenqualität und -validierung erläutert wird.

Die Prüfungen, die echte Fehler aufdecken

Der typische Ablauf ist immer derselbe. Die Daten entstehen im Verwaltungssystem. Sie werden exportiert. Sie landen in Excel. Jemand korrigiert eine Überschrift, zieht eine Formel, kopiert eine Spalte, ändert das Datumsformat, „um es in Ordnung zu bringen“. Von da an beginnen die versteckten Fehler.

Hier sind die Kontrollen, die man am besten sofort vor Ort durchführen sollte:

• Typ und Format. Wenn die Spalte „Einzelpreis“ Text, Symbole oder Werte wie „N/A“ enthält, beginnt die Umsatzanalyse bereits mit einem Fehler. Dasselbe gilt für Daten in mehrdeutigem Format, fehlerhafte E-Mail-Adressen oder Artikelcodes, die als Zahlen interpretiert werden.
• Intervall oder Bereich. Ein Wert außerhalb der Skala ist nicht immer falsch, muss aber isoliert werden. In einem produzierenden oder handelnden KMU kann eine weit über dem Normalwert liegende Rechnung ein außergewöhnlicher Verkauf oder ein Importfehler sein.
• Eindeutigkeit. Existiert der Kunde nur einmal oder dreimal mit ähnlichen Namen? Vertriebs- und Konzentrationsanalysen verzerren sich schnell, wenn die Stammdaten dupliziert sind.
• Vollständigkeit. Fehlen Umsatzsteuer-ID, Belegdatum, Produktcode oder Kostenstelle, kann der Datensatz formal vorhanden, aber operativ unbrauchbar sein.
• Kreuzweise Kohärenz. Das ist die am meisten vernachlässigte Prüfung und diejenige, die am häufigsten vor irreführenden Analysen bewahrt. Der Rechnungsbetrag muss mit den Positionen übereinstimmen. Die Marge muss mit Preisen und Kosten vereinbar sein. Die Lieferung kann nicht vor der Bestellung liegen.
• Zeitliche Kontrollen. Die Daten erzählen eine Prozesslogik. Ist die zeitliche Abfolge gestört, ist oft auch der Datensatz fehlerhaft.

Ein kleines Handbuch für Excel und Verwaltungssoftware

Wenn Sie mit manuellen Exporten arbeiten, können Sie mit einer sehr konkreten Tabelle beginnen:

Für alle, die in Branchen arbeiten, in denen Dokumenten- und Prozessqualität bereits ein starkes operatives Gewicht haben, lohnt sich auch der Blick auf strukturiertere Qualifizierungs- und Kontrollpraktiken. Eine nützliche Lektüre ist der Leitfaden zur Qualifizierung in regulierten Branchen, denn er zeigt gut, dass die Disziplin der Validierung nicht nur „Bereinigung“ ist, sondern Prozesskontrolle.

Duplikate verdienen eine eigene Anmerkung. Sie sind ein chronisches Problem in den Stammdaten vieler KMU und verzerren fast alles: aktive Kunden, Kaufhäufigkeit, kommerzielles Exposure, Beziehungshistorie. Wenn du von einem konkreten Fall ausgehen willst, findest du einen praktischen Ansatz unter Electe: vollständiger Leitfaden zu Excel-Duplikaten.

Ausgefeilte Kontrollen sind erst nützlich, wenn die Grundlagen stimmen. Sonst baust du ein Radar in ein Auto ohne Bremsen ein.

Der Weg der Daten durch die Hindernisse in italienischen KMU

Montagmorgen, Vertriebsbesprechung. Der Inhaber schaut sich den Umsatzbericht an, der Verwaltungsleiter eine andere Datei, der Controller eine dritte. Die Zahlen sollten übereinstimmen. Das tun sie aber nicht.

Das ist ein ganz normaler Anblick in italienischen KMU. Ein veraltetes Verwaltungssystem exportiert CSV-Dateien mit festgelegten Feldern. Das CRM verwendet andere Bezeichnungen. Der E-Commerce hat seine eigene Logik. Dann kommt Excel ins Spiel, und dort passt dann jemand die Kopfzeilen an, kopiert Spalten, korrigiert Datumsangaben und versucht, vor der Besprechung alles unter einen Hut zu bringen.

Das Problem ist nicht die Technologie an sich. Das Problem ist die Summe kleiner manueller Schritte bei Daten, die aus Systemen stammen, die zu unterschiedlichen Zeiten entstanden sind, oft ohne eine gemeinsame Regel. Wer mit connecting diverse data sources arbeitet, sieht das sofort: Jede Quelle bringt ihre eigenen Konventionen, wiederkehrenden Fehler und Felder mit, die "wie es gerade passt" ausgefüllt wurden.

Wo entstehen stille Fehler?

Selbst die kostspieligsten Fehler halten den Prozess nicht auf. Sie werden in die Datei geschrieben und bleiben dort.

Das passiert jeden Tag in ganz konkreten Situationen:

• Uneinheitliches Dezimaltrennzeichen. Ein Export verwendet das Komma, ein anderer den Punkt. Ein Großhandelspreis kann falsch gelesen werden und Margen, Durchschnittswerte und Abweichungen verfälschen.
• Mehrdeutige Datumsangaben. Aufträge, Lieferscheine und Rechnungen kommen in unterschiedlichen Formaten. Wenn April und Mai vertauscht werden, wird der Monatsvergleich unzuverlässig.
• Verlorene führende Nullen. Postleitzahlen, Artikelcodes, Seriennummern und Kundenreferenzen werden als Zahlen behandelt. Danach kann niemand mehr die Tabellen korrekt verknüpfen.
• Fast unsichtbare Duplikate. "Rossi Srl", "ROSSI SRL" und "Rossi S.R.L." wirken wie drei verschiedene Kunden. Für den Vertrieb ist es vielleicht derselbe Account.
• Verrutschte Spalten. Ein hastiges Kopieren und Einfügen genügt, um Provinz, Vertreter oder Produktkategorie in die Nachbarspalte zu verschieben. Die Datei öffnet sich problemlos. Der Schaden bleibt verborgen.

Hier begehen viele Unternehmen denselben Fehler. Sie suchen nach ausgeklügelten Lösungen, bevor sie die einfachen, aber gewinnbringenden Kontrollmaßnahmen sichergestellt haben: korrekte Datentypen, konsistente Schlüssel, geschützte Codes und Datumsangaben, die von allen Systemen einheitlich gelesen werden können.

Das eigentliche Hindernis ist nicht technischer Natur. Es ist operativer Natur.

In KMU sind die Daten selten von vornherein einheitlich und stabil. Sie wandern zwischen Verwaltung, Vertrieb, Logistik, externen Beratern und lokalen Dateien mit Namen wie „report_finale_def_vero.xlsx“ hin und her. Jeder korrigiert das, was er für seine Arbeit benötigt. Kaum jemand dokumentiert die Änderungen.

Aus diesem Grund kommen akademische Prüfungen oder allzu ehrgeizige Projekte zur Anomalieerkennung oft zu früh. Zunächst ist Disziplin bei den Grundlagen gefragt. Eine automatische Prüfung, die ungültige CAPs, abgeschnittene Kundencodes, doppelte Zeilen oder Daten außerhalb des Zeitraums meldet, vermeidet mehr Fehler als viele „fortgeschrittene“ Initiativen, die zu früh auf den Weg gebracht werden.

Ich sage das ganz offen, denn das ist der Punkt, den ich am häufigsten beobachte: Ein KMU verliert das Vertrauen in die Daten nicht, weil es an künstlicher Intelligenz mangelt. Es verliert es, weil sich der Umsatz von einer Excel-Datei zur nächsten ändert und niemand sagen kann, welche Version die richtige ist.

Die Datei, die "schon immer funktioniert hat", ist oft die Datei, die niemand mehr kontrolliert.

Wenn Daten durch mehrere Hände und Systeme wandern, muss die Validierung nicht elegant sein. Sie muss wiederholbar, mühsam und möglichst nah am Dateneingang erfolgen. Genau dort liegt der größte Teil des Nutzens, noch bevor man überhaupt von Vorhersagemodellen oder ansprechenderen Dashboards spricht.

Wie ELECTE das Vertrauen in Ihre Daten automatisiert

So beginnt der Montagmorgen oft. Der Verwaltungsleiter öffnet zwei Exportdateien desselben Monats – eine aus dem Verwaltungssystem und eine aus der Vertriebsdatei –, und die Summen stimmen nicht überein. Niemand hat Zeit, die Überprüfungen manuell zu wiederholen. An diesem Punkt ist das Problem nicht der Bericht. Das Problem ist, dass das Vertrauen in die Zahlen bereits erschüttert ist.

ELECTE greift ein, bevor die unbereinigten Daten in die Analyse gelangen. Für ein italienisches KMU ist das der entscheidende Punkt. Man braucht keine komplizierte Software, die ausgefeilte Prüfungen verspricht, wenn sie dann banale Importfehler, falsch interpretierte Spalten oder Codes, deren Format sich von einem System zum anderen ändert, durchlässt.

Automatische Validierung beim Import

Praktisch gesehen überprüft die Plattform die Daten bereits bei ihrem Eingang. Nicht erst nach dem Bericht. Nicht erst nach der Besprechung, in der jemand fragt, warum sich der Rand von einer Dateiversion zur nächsten geändert hat.

Die automatischen Prüfungen decken die Probleme ab, die in KMU mehr Schaden anrichten als erwartet: inkonsistente Datentypen, fehlende Felder, Datumsangaben außerhalb des zulässigen Zeitraums, Duplikate, Werte außerhalb des zulässigen Bereichs sowie Schlüssel, die nicht mit den richtigen Tabellen verknüpft sind. Es handelt sich um wenig glamouröse Prüfungen, doch gerade sie verhindern die meisten operativen Fehler in Umgebungen, in denen Excel-Exporte, veraltete ERP-Systeme und per E-Mail versendete Dateien an der Tagesordnung sind.

Dann gibt es die kontextuelle Ebene. Beim Onboarding werden Regeln festgelegt, die zum tatsächlichen Geschäftsprozess passen, nicht zu einem theoretischen Modell. Eine Firma im Handel hat andere Anforderungen als ein Betrieb, der touristische Anwesenheiten verwaltet, oder ein Hersteller mit gestaffelten Preislisten und Rabatten. Dasselbe gilt für spezifische dokumentbezogene Fälle, wie das Auslesen strukturierter Daten aus Dokumenten und Check-ins, ein Thema, das auch für alle relevant ist, die mit MRZ für Beherbergungsbetriebe arbeiten.

Der praktische Vorteil liegt auf der Hand: Das Team muss sich nicht jedes Mal überlegen, welche Kontrollen durchgeführt werden sollen. Diese sind bereits einheitlich und wiederholbar festgelegt.

Ein typisches Beispiel: Ein Update des Betriebsmanagementsystems ändert das Format einiger Preisfelder nur in einem Teil des Exportdatensatzes. Auf den ersten Blick scheint die Datei korrekt zu sein. Bei genauerer Analyse stellen sich jedoch heraus, dass diese Werte den Umsatz, die Margen und die Vergleiche mit den Vormonaten verfälschen. ELECTE meldet die Anomalie sofort, isoliert die betroffenen Zeilen und ermöglicht es, diese zu korrigieren, bevor sie in Dashboards und Führungsberichten landen.

Sichtbare Ausnahmen, keine versteckten Fehler

Einer der nützlichsten Aspekte für diejenigen, die Entscheidungen treffen müssen und sich nicht mit Data Science beschäftigen, ist das Ausnahmemanagement. Problematische Datensätze verschwinden nicht. Sie bleiben sichtbar, werden separat aufgeführt und mit einer Begründung versehen.

Wer sich mit den Daten auskennt, versteht sofort:

• welche Zeilen blockiert wurden
• welche Prüfung sie nicht bestanden haben
• ob das Problem behebbar ist
• ob der Datensatz erneut eingegeben oder tatsächlich ausgeschlossen werden soll

Diese Transparenz verhindert eine der schlimmsten Gewohnheiten, die ich in KMU beobachte: den Datensatz spurlos zu bereinigen und erst Wochen später festzustellen, dass die Zahlen nicht mehr stimmen.

Die Funktion zum Verbinden verschiedener Datenquellen ist genau aus diesem Grund wertvoll. CRM, ERP, E-Commerce und manuelle Dateien zu verbinden reicht nicht aus. Wenn die Daten ohne klare Kontrollen zusammenfließen, bleibt das Chaos bestehen, nur in einer geordneteren Ansicht.

ELECTE verspricht keine perfekten Daten. Es reduziert die häufigsten Fehler, macht sie sichtbar und verhindert, dass sie als korrekte Daten in die Berichte gelangen. Für ein KMU macht genau das oft den Unterschied zwischen der Diskussion über Zahlen und der Diskussion mit Zahlen aus.

Kernpunkte: Operative Grundsätze für die Datenqualität

Die Validierung sollte nicht als ein vom Geschäft getrenntes technisches Projekt betrachtet werden. Sie sollte als operative Disziplin behandelt werden. Wer ein Budget erstellt, eine Preisliste genehmigt, Margen überprüft oder Einkäufe plant, nutzt bereits Daten, die entweder gut oder schlecht validiert sind. Eine dritte Option gibt es nicht.

Regeln, die man im Büro aufhängen sollte

Es gibt nur wenige nützliche Regeln, aber sie müssen konsequent angewendet werden:

1. Validiere beim Eingang, nicht im Nachhinein
   Wenn die Prüfung erst am Ende erfolgt, hat der Fehler bereits Formeln, Aggregationen und Berichte verfälscht.
2. Beschränke dich nicht auf das Format
   Ein Datum kann korrekt geschrieben und trotzdem falsch sein. Du musst die Plausibilität und Kohärenz zwischen Feldern prüfen, nicht nur die Einhaltung eines Schemas.
3. Automatisiere wiederkehrende Kontrollen
   Kein administratives oder Vertriebsteam hat die Zeit, jeden Export manuell erneut zu prüfen. Grundlegende Überprüfungen müssen systematisch erfolgen.
4. Vermeide zu starre Regeln
   Es gibt einen echten Kompromiss zwischen Genauigkeit und Produktivität. Zu enge Regeln können die Nutzung analytischer Tools durch nicht-technische Teams verringern, wie Acceldata in seiner Betrachtung des Trade-offs bei der Datenvalidierung aufzeigt. Die richtige Schwelle ist diejenige, die Fehler minimiert, ohne das Geschäft zu verlangsamen.
5. Behandle Ausnahmen als Signale, nicht als Störfaktoren
   Ein anomaler Datensatz erzählt fast immer etwas über den Prozess, der ihn erzeugt hat. Ihn zu ignorieren bedeutet, auf eine Verbesserung an der Quelle zu verzichten.

Ein nützliches Beispiel kommt aus Bereichen, in denen das Format kein Detail, sondern eine Funktionsbedingung ist. In Beherbergungsbetrieben etwa zeigt das automatische Auslesen von Dokumenten deutlich, wie wichtig es ist, dass Daten nicht nur vorhanden, sondern auch mit einem interpretierbaren Standard kohärent sind. Wer eine konkrete Referenz sucht, kann diese Vertiefung zu MRZ für Beherbergungsbetriebe lesen.

Die richtige Einstellung lautet: Vertraue den Daten erst, nachdem du sie auf Herz und Nieren geprüft hast. Wenn du dich heute auf Dateien verlässt, die niemand systematisch überprüft, betreibst du keine Analyse. Du hoffst nur.

Fazit: Von zuverlässigen Daten zu erfolgreichen Entscheidungen

Die meisten Probleme in Berichten entstehen nicht erst im letzten Diagramm. Sie entstehen schon viel früher, nämlich dann, wenn unvollständige, inkonsistente oder aus dem Zusammenhang gerissene Daten ohne ernsthafte Filterung in die Systeme gelangen. Deshalb sind Datenvalidierungstechniken wichtiger, als es auf den ersten Blick scheint. Sie sind der Punkt, an dem man aufhört, sich von den Daten leiten zu lassen, und anfängt, sie zu steuern.

Für ein KMU liegt der Gewinn nicht darin, nach Perfektion zu streben. Er liegt vielmehr darin, ein ausreichendes Maß an Vertrauen aufzubauen, um Entscheidungen mit klarem Kopf treffen zu können. Prüfungen hinsichtlich Typ, Format, Bereich, Eindeutigkeit, Vollständigkeit und Kreuzkonsistenz lösen einen Großteil der tatsächlichen Probleme. Die Automatisierung macht diese Prüfungen nachhaltig.

Wenn du keinen strukturierten Validierungsprozess hast, vertraust du nicht auf die Daten. Du vertraust auf das Glück.

Wenn du unübersichtliche Exporte, fragile Excel-Dateien und heterogene Quellen in zuverlässige Analysen verwandeln willst, entdecke, wie ELECTE, eine AI-powered data analytics platform for SMEs, Kontrollen, Anomalien und Insights automatisiert, ohne die Komplexität für dein Team zu erhöhen.