Aktualisiert am:
Datenqualität im ATS: messen, bereinigen, dauerhaft sichern
Dein Rekrutierungsprozess
Recruitify Team
Die Datenqualität im ATS entscheidet darüber, ob Ihr Bewerbermanagementsystem passende Kandidaten findet, verlässliche Auswertungen liefert und rechtssicher arbeitet. Gute Daten im ATS sind vollständig, korrekt, einheitlich benannt, aktuell und frei von Dubletten. Erreicht wird das nicht durch eine einmalige Bereinigung. Sie brauchen drei Dinge: saubere Erfassung beim Import, messbare Kennzahlen und klare Verantwortlichkeiten im Team. Dieser Leitfaden zeigt Schritt für Schritt, wie Personalvermittlungen, Headhunter und HR-Abteilungen das umsetzen.
Kurz gesagt
Datenqualität im ATS umfasst Vollständigkeit, Konsistenz, Genauigkeit, Vergleichbarkeit und Aktualität von Kandidaten-, Stellen- und Prozessdaten.
Messbar wird sie über einfache Quoten: Stellen ohne Abteilung, Einstellungen ohne Quelle, Kandidaten ohne Endstatus, doppelte Profile und veraltete Werte.
Die meisten Fehler entstehen bei der Erfassung: beim Parsen von Lebensläufen, bei manueller Eingabe unter Zeitdruck und an Schnittstellen zwischen Systemen.
Schlechte Daten schwächen Suche, Matching und Reporting, weil auch die beste Suchmaske nur findet, was sauber strukturiert gespeichert ist.
Dauerhaft gesichert wird Datenqualität durch Pflichtfelder, Validierungsregeln, Dublettenprüfung, einen verantwortlichen Data Steward und regelmäßige Qualitätsberichte.
Inhaltsverzeichnis
Was Datenqualität im ATS bedeutet
Ein Applicant Tracking System speichert drei Arten von Daten: Kandidatendaten (Kontakt, Skills, Berufserfahrung, Verfügbarkeit), Stellendaten (Titel, Abteilung, Kunde, Anforderungen) und Prozessdaten (Status, Quelle, Zeitstempel, Kommunikation). Datenqualität beschreibt, wie gut diese Daten ihren Zweck erfüllen: Kandidaten finden, Entscheidungen begründen und Ergebnisse auswerten.
Für ATS-Daten nennt eine Übersicht zur Datenqualität im ATS vor allem Vollständigkeit und Konsistenz, als übergeordnete Qualitätsprinzipien zusätzlich Genauigkeit, Vergleichbarkeit und Kohärenz. In der Praxis lassen sich diese Dimensionen so übersetzen:
Dimension | Bedeutung im ATS | Typisches Beispiel für einen Mangel |
|---|---|---|
Vollständigkeit | Alle für Suche und Reporting nötigen Felder sind befüllt | Stelle ohne Abteilung, Einstellung ohne Quelle |
Konsistenz | Gleiche Sachverhalte werden gleich erfasst | „Senior Java Dev“, „Java Entwickler (Senior)“ und „Sr. Java Engineer“ als drei Titel |
Genauigkeit | Werte stimmen mit der Realität überein | Startdatum im Feld für die Telefonnummer |
Vergleichbarkeit | Daten lassen sich über Zeiträume, Teams und Kunden vergleichen | Statuslogik unterscheidet sich je Recruiter |
Kohärenz | Datensätze widersprechen sich nicht | Kandidat „eingestellt“, zugehörige Stelle noch „offen“ |
Aktualität | Angaben sind auf dem neuesten Stand | Verfügbarkeit oder Kontaktdaten von vor zwei Jahren |
Eindeutigkeit | Jede Person existiert nur einmal | Drei Profile derselben Kandidatin aus drei Quellen |
Aktualität und Eindeutigkeit verdienen in Personalvermittlungen besondere Aufmerksamkeit, da der Kandidatenpool dort über Jahre wächst und dieselben Personen über Jobbörsen, Empfehlungen, Direktansprache und Kundenportale mehrfach ins System gelangen.
Woran Sie Datenqualität messen
Datenqualität wird erst steuerbar, wenn sie in Zahlen vorliegt. Die gute Nachricht: Sie benötigen dafür kein eigenes Data-Team. Die bereits genannte Analyse zur ATS-Datenqualität schlägt Kennzahlen vor, die sich in den meisten Systemen mit einem Export oder Bericht ermitteln lassen:
Anteil der Stellen ohne Abteilung oder Kunde: Anzahl betroffener Stellen geteilt durch alle Stellen im Zeitraum.
Anteil der Einstellungen ohne Quelle: Ohne diese Angabe ist keine Aussage über den Erfolg von Kanälen möglich.
Anteil der Kandidaten ohne Endstatus: Bewerbungen, die nach Abschluss einer Stelle weder als eingestellt noch als abgesagt markiert sind.
Zahl doppelter Profile: absolut und als Anteil am Gesamtbestand.
Ungültige oder veraltete Werte: etwa nicht zustellbare E-Mail-Adressen, Telefonnummern im falschen Format oder Profile ohne Aktualisierung seit einem definierten Zeitraum.
Empfehlenswert ist, diese Kennzahlen monatlich zu erheben und als Zeitreihe zu betrachten. Ein einzelner Wert sagt wenig aus, ein Trend zeigt dagegen, ob neue Regeln wirken oder ob sich an einer Schnittstelle ein neues Problem einschleicht. Legen Sie Zielwerte intern fest, und zwar getrennt nach Feldern, die für Suche und Matching kritisch sind (Skills, Kontaktdaten, Verfügbarkeit), und solchen, die vor allem dem Reporting dienen (Quelle, Abteilung, Absagegrund).
Wie Sie aus sauberen Daten belastbare Recruiting-Kennzahlen ableiten, beschreibt unser Beitrag zur datengetriebenen Rekrutierung mit Analytics.
Typische Fehler und ihre Ursachen
Fehlerhafte Daten entstehen selten durch Nachlässigkeit allein. Meist wirken mehrere Ursachen zusammen: Zeitdruck im Tagesgeschäft, fehlende Kontrollen im System und Lücken an den Schnittstellen. Die häufigsten Fehlerbilder lassen sich drei Quellen zuordnen.
Fehler beim Einlesen von Lebensläufen
Der Lebenslauf ist die wichtigste Datenquelle im ATS und zugleich die fehleranfälligste, weil Kandidaten ihn frei gestalten. Ein Ratgeber zu ATS-Fehlern im Lebenslauf nennt als typische Problemfälle Kontaktdaten in Kopf- oder Fußzeilen, zweispaltige Layouts und Tabellen, ungewöhnliche Abschnittsüberschriften sowie schwer lesbare Dateien wie Scans, Bilder oder Formate wie .pages und .odt.
Wie subtil solche Fehler sein können, zeigt der Transparenzbericht der JACVault-ATS-Messreihe: Dort brach eine LinkedIn-Adresse in einer schmalen Spalte um, wodurch nicht nur das Adressfeld verloren ging, sondern eine Engine auch den Vornamen der Kandidatin falsch las. Ein einziger Zeilenumbruch im Dokument führte also zu zwei fehlerhaften Feldern.
Fehler bei der manuellen Erfassung
Wo Recruiter Daten selbst eintragen, entstehen vor allem Inkonsistenzen: frei formulierte Jobtitel, unterschiedliche Schreibweisen von Technologien („JS“, „JavaScript“, „Javascript“), fehlende Pflichtangaben und nicht gepflegte Status. Diese Fehler wirken einzeln harmlos, summieren sich aber bei Tausenden Datensätzen zu einem Bestand, der sich kaum noch zuverlässig filtern lässt.
Fehler an Schnittstellen
Daten, die zwischen Jobbörsen, Karriereseite, E-Mail-Postfach, CRM und Kundensystemen wandern, verlieren unterwegs häufig Struktur. Für Personaldienstleister ist ein Befund des Persoblogger-Beitrags zum CV-Parsing besonders relevant: Ein Parsing-Fehler kann bei ihnen zweimal entstehen, wenn das System des Kunden die weitergereichten Profile erneut einliest. Wer Kandidatenprofile an Endkunden übermittelt, sollte deshalb strukturierte, einheitlich formatierte Profile senden, die keinen Interpretationsspielraum lassen.
Was schlechte Daten im Recruiting kosten
Die Folgen mangelhafter Datenqualität zeigen sich an vier Stellen im Recruiting-Prozess.
Suche und Matching. Ein Erklärbeitrag zur Funktionsweise von ATS bringt es auf den Punkt: Sind Skills falsch geparst oder uneinheitlich benannt, liefert selbst die beste Suchmaske schwache Treffer. Reife Recruiting-Organisationen investieren deshalb in Taxonomien, Synonymlisten und Bereinigung. Für IT-Personalvermittlungen bedeutet das konkret: Eine Kandidatin mit „K8s“ im Profil taucht in einer Suche nach „Kubernetes“ nicht auf, obwohl sie ideal passt.
Kommunikation. Besonders tückisch sind Fehler, die unauffällig bleiben. Der Persoblogger-Beitrag beschreibt eine falsch zusammengesetzte Adresse, die jede Plausibilitätsprüfung besteht: Die Einladung wird verschickt, eine Antwort bleibt aus. Ein leeres Feld fällt auf, ein plausibel aussehender falscher Wert dagegen nicht.
Datenbankwert. Ein Kandidatenpool ist für eine Agentur ein Vermögenswert, aber nur, wenn er durchsuchbar ist. Doppelte, veraltete und unvollständige Profile führen dazu, dass Recruiter erneut extern suchen, obwohl passende Personen längst im eigenen System gespeichert sind.
Reporting und Entscheidungen. Fehlen Quelle, Endstatus oder Abteilung, werden Kennzahlen wie Time-to-Hire, Kosten pro Kanal oder Konversionsraten verzerrt. Budgetentscheidungen beruhen dann auf unvollständigen Zahlen. Wie eng Datenpflege und Geschwindigkeit zusammenhängen, zeigt unser Beitrag zum Tracking der Kandidatenverfügbarkeit.
Unvollständige, doppelte und veraltete Daten bereinigen
Eine Bereinigung lohnt sich nur, wenn sie strukturiert erfolgt und anschließend Regeln greifen, die denselben Zustand nicht erneut entstehen lassen. Bewährt hat sich folgendes Vorgehen in sechs Schritten:
Bestandsaufnahme durchführen. Exportieren Sie die Kennzahlen aus dem vorherigen Abschnitt und identifizieren Sie die Felder mit den größten Lücken. Priorisieren Sie nach Wirkung: Kontaktdaten und Skills vor Reporting-Feldern.
Einheitliche Definitionen festlegen. Bevor Sie Daten ändern, definieren Sie Zielwerte: eine Liste zulässiger Jobtitel-Kategorien, eine Skill-Taxonomie mit Synonymen, eine verbindliche Statuslogik und feste Formate für Telefonnummern und Datumsangaben.
Dubletten zusammenführen. Suchen Sie nach übereinstimmenden E-Mail-Adressen, Telefonnummern und Kombinationen aus Name und Profil-URL. Führen Sie Treffer zusammen, statt sie zu löschen, damit Kommunikationsverlauf, Notizen und Einwilligungen erhalten bleiben.
Werte normalisieren. Ordnen Sie freie Texte den definierten Kategorien zu. Bei großen Beständen genügt es oft, die häufigsten Abweichungen zu korrigieren, da sie den Großteil der Fehlertreffer verursachen.
Veraltete Daten prüfen. Markieren Sie Profile, die seit einem definierten Zeitraum nicht aktualisiert wurden. Kandidaten mit gültiger Einwilligung können Sie gezielt zur Aktualisierung ihrer Angaben ansprechen; Profile, deren Speicherfrist abgelaufen ist, werden gelöscht oder anonymisiert.
Erfassung absichern. Richten Sie Pflichtfelder, Auswahllisten statt Freitext, Formatprüfungen und eine automatische Dublettenerkennung beim Import ein. Erst dieser Schritt macht die Bereinigung nachhaltig.
Steht ein Systemwechsel an, ist die Migration der ideale Zeitpunkt für eine solche Bereinigung. Unser Leitfaden zur ATS-Migration ohne Datenverlust beschreibt, wie Sie dabei vorgehen.
Datenqualität dauerhaft sichern: Rollen und Regeln
Ohne klare Zuständigkeit verschlechtert sich Datenqualität schleichend. Ein Playbook zur Data Governance im Hiring-Stack empfiehlt dafür ein kleines Governance-Gremium aus einem Data Steward, etwa der Leitung von Recruiting Operations, den Systemadministratoren und den rechtlichen Ansprechpartnern, ergänzt durch ein verbindliches Glossar für Kennzahlen, automatisierte Validierungsregeln und regelmäßige Qualitäts-Dashboards.
Für eine mittelgroße Personalvermittlung lässt sich das schlank umsetzen:
Baustein | Inhalt | Verantwortlich | Rhythmus |
|---|---|---|---|
Datenstandard | Feldkatalog, Pflichtfelder, Taxonomien, Statuslogik | Data Steward | jährliche Überprüfung |
Validierung | Formatprüfung, Pflichtfelder, Dublettenerkennung beim Import | Systemadministration | laufend, automatisiert |
Qualitätsbericht | Kennzahlen zu Lücken, Dubletten, veralteten Profilen | Data Steward | monatlich |
Datenschutzprüfung | Speicherfristen, Einwilligungen, Löschläufe | Datenschutz-Ansprechperson | quartalsweise |
Schulung | Erfassungsregeln für neue Teammitglieder | Teamleitung | beim Onboarding |
Wichtig ist, dass Regeln im System verankert sind und nicht nur in einem Handbuch stehen. Ein Recruiter, der unter Zeitdruck arbeitet, wählt eher aus einer Liste, als dass er eine Schreibweise nachschlägt. Jede Regel, die das System selbst durchsetzt, entlastet das Team und verbessert die Daten zugleich.
DSGVO: Richtigkeit, Aktualität und Speicherfristen
Datenqualität ist im Recruiting auch eine rechtliche Frage. Die DSGVO verlangt, dass personenbezogene Daten sachlich richtig sind und nicht länger als nötig gespeichert werden. Für Bewerberdaten bedeutet das: Falsche Angaben sind zu berichtigen, und Daten aus abgeschlossenen Verfahren dürfen nicht unbegrenzt im ATS verbleiben.
Wie Unternehmen in Deutschland das in der Praxis regeln, zeigt das Beispiel des IT-Dienstleisters SVA: Er löscht Bewerbungsdaten standardmäßig sechs Monate nach Verfahrensabschluss und speichert Daten im Bewerberpool nach Einwilligung 24 Monate. Die Aufnahme in einen Talentpool stützt sich dabei auf eine Einwilligung nach Art. 6 Abs. 1 lit. a DSGVO, wie auch eine Übersicht zum Datenschutz für kleine Unternehmen am selben Beispiel darstellt.
Für die Datenqualität folgt daraus ein praktischer Grundsatz: Jedes Profil sollte nachvollziehbar dokumentieren, auf welcher Rechtsgrundlage es gespeichert ist und wann die Frist endet. Welche Frist für Ihre Organisation angemessen ist, klären Sie mit Ihrer Datenschutzbeauftragten oder einer auf Arbeitsrecht spezialisierten Kanzlei. Hintergründe dazu finden Sie in unseren Beiträgen zur Aufbewahrungsfrist bei Bewerbungen und zur Datensicherheit im Recruiting.
Unsere Sicht: Datenqualität entsteht beim Erfassen
Aus der Arbeit mit IT-Personalvermittlungen und Headhuntern wissen wir: Die meisten Datenprobleme werden nicht im Reporting verursacht, sondern in den ersten Sekunden, in denen ein Lebenslauf ins System gelangt. Wer dort strukturiert erfasst, muss später deutlich weniger bereinigen.
Deshalb haben wir Recruitify so aufgebaut, dass Datenqualität nicht von der Disziplin einzelner Recruiter abhängt. Unser AI CV Parser mit OCR-Technologie liest PDFs, DOCX-Dateien, Scans und Fotos ein, erstellt in rund drei Sekunden ein strukturiertes Kandidatenprofil und erkennt Duplikate automatisch. Unser Contextual Matching versteht Zusammenhänge im Tech-Stack, statt nur nach exakten Keywords zu suchen.
Ebenso wichtig ist für uns, dass Recruiting und Vertrieb in einem System arbeiten. Wenn Sales-Pipeline, Recruiting-Pipeline und Contracting in getrennten Tabellen leben, entstehen zwangsläufig Widersprüche. Ein gemeinsamer Datenbestand mit vollständigem Audit-Trail und DSGVO-Anonymisierung macht aus dem Kandidatenpool das, was er sein sollte: eine Ressource, die sich wieder und wieder nutzen lässt.
Recruitify Team
Saubere ATS-Daten mit Recruitify
Recruitify vereint ATS, Sales CRM und ein Modul für IT-Contracting und Body Leasing in einer Plattform. Für die Datenqualität sind vor allem diese Funktionen relevant: der CV Parser mit automatischer Profilerfassung inklusive Dublettenerkennung, die intelligente Indexierung der Datenbank zur Reaktivierung früherer Kandidaten, X-Ray- und Boolean-Suche über die eigene Datenbank und das offene Web, Blind CV AI für einheitliche, anonymisierte Profile beim Endkunden sowie Berichts- und Analytikmodule.
Die Pläne werden pro Nutzer abgerechnet: HR Team für 61 € pro Monat, Agency für 67 € pro Monat, Enterprise auf Anfrage. Details finden Sie in der Preisübersicht von Recruitify, einen Überblick über alle Module auf der Seite zum ATS-System mit CRM und AI.
Häufige Fragen zur Datenqualität im ATS
Wie oft sollte man die Daten im ATS bereinigen?
Eine umfassende Bereinigung ist meist einmalig nötig, etwa vor oder während einer Systemmigration. Danach genügen monatliche Qualitätsberichte und automatisierte Regeln bei der Erfassung. Ergänzend empfiehlt sich eine quartalsweise Prüfung von Speicherfristen und Einwilligungen.
Wer ist für die Datenqualität im ATS verantwortlich?
Idealerweise eine benannte Person mit der Rolle des Data Steward, häufig die Leitung von Recruiting Operations. Sie definiert Standards und überwacht Kennzahlen, während jedes Teammitglied für die korrekte Erfassung im eigenen Bereich zuständig bleibt. Systemadministration und Datenschutz ergänzen das Gremium.
Wie erkennt man doppelte Kandidatenprofile?
Am zuverlässigsten über eindeutige Merkmale wie E-Mail-Adresse, Telefonnummer oder Profil-URL, ergänzt durch Namensabgleiche. Ein ATS mit automatischer Dublettenerkennung beim Import verhindert, dass neue Dubletten entstehen. Bestehende Treffer sollten zusammengeführt statt gelöscht werden, damit Historie und Einwilligungen erhalten bleiben.
Warum findet die ATS-Suche passende Kandidaten nicht?
In den meisten Fällen liegt es an der Datenstruktur: Skills sind uneinheitlich benannt, falsch geparst oder fehlen im Profil. Eine Skill-Taxonomie mit Synonymen, sauberes Parsing und eine kontextuelle Suche, die verwandte Technologien erkennt, verbessern die Trefferqualität deutlich.
Welche Felder sind für die Datenqualität am wichtigsten?
Für Suche und Matching sind Kontaktdaten, Skills, Berufserfahrung und Verfügbarkeit entscheidend. Für Auswertungen zählen Quelle, Status, Abteilung oder Kunde sowie Absagegründe. Für die DSGVO-Konformität sind Rechtsgrundlage, Einwilligungsdatum und Speicherfrist unverzichtbar.
Quellen
Empfehlungen
Deine Rekrutierungs-Datenbank. Wie du das Herzstück deiner Recruiting-Agentur richtig pflegst.
Kein Kandidat geht beim Wechsel des ATS-Systems verloren: 6 Schritte für Recruiter
Updates und News
Bleib immer up to date mit den neuesten Innovationen, Features und Tipps rund um Recruitify!
Indem Du Deine E-Mail-Adresse im Anmeldeformular für den Newsletter einträgst, willigst Du in deren Verarbeitung zum Zwecke des Versands von Marketinginformationen über die Produkte und Dienstleistungen des Administrators ein. Der Administrator Deiner zu diesem Zweck verarbeiteten personenbezogenen Daten ist Recruitify Sp. z o.o. mit Sitz in Warschau (KRS 0000709889). Weitere Informationen über die Grundsätze der Verarbeitung personenbezogener Daten und die Rechte der betroffenen Personen findest Du im Dokument Datenschutzerklärung.
Aktualisiert am:
Datenqualität im ATS: messen, bereinigen, dauerhaft sichern
Dein Rekrutierungsprozess
Recruitify Team
Die Datenqualität im ATS entscheidet darüber, ob Ihr Bewerbermanagementsystem passende Kandidaten findet, verlässliche Auswertungen liefert und rechtssicher arbeitet. Gute Daten im ATS sind vollständig, korrekt, einheitlich benannt, aktuell und frei von Dubletten. Erreicht wird das nicht durch eine einmalige Bereinigung. Sie brauchen drei Dinge: saubere Erfassung beim Import, messbare Kennzahlen und klare Verantwortlichkeiten im Team. Dieser Leitfaden zeigt Schritt für Schritt, wie Personalvermittlungen, Headhunter und HR-Abteilungen das umsetzen.
Kurz gesagt
Datenqualität im ATS umfasst Vollständigkeit, Konsistenz, Genauigkeit, Vergleichbarkeit und Aktualität von Kandidaten-, Stellen- und Prozessdaten.
Messbar wird sie über einfache Quoten: Stellen ohne Abteilung, Einstellungen ohne Quelle, Kandidaten ohne Endstatus, doppelte Profile und veraltete Werte.
Die meisten Fehler entstehen bei der Erfassung: beim Parsen von Lebensläufen, bei manueller Eingabe unter Zeitdruck und an Schnittstellen zwischen Systemen.
Schlechte Daten schwächen Suche, Matching und Reporting, weil auch die beste Suchmaske nur findet, was sauber strukturiert gespeichert ist.
Dauerhaft gesichert wird Datenqualität durch Pflichtfelder, Validierungsregeln, Dublettenprüfung, einen verantwortlichen Data Steward und regelmäßige Qualitätsberichte.
Inhaltsverzeichnis
Was Datenqualität im ATS bedeutet
Ein Applicant Tracking System speichert drei Arten von Daten: Kandidatendaten (Kontakt, Skills, Berufserfahrung, Verfügbarkeit), Stellendaten (Titel, Abteilung, Kunde, Anforderungen) und Prozessdaten (Status, Quelle, Zeitstempel, Kommunikation). Datenqualität beschreibt, wie gut diese Daten ihren Zweck erfüllen: Kandidaten finden, Entscheidungen begründen und Ergebnisse auswerten.
Für ATS-Daten nennt eine Übersicht zur Datenqualität im ATS vor allem Vollständigkeit und Konsistenz, als übergeordnete Qualitätsprinzipien zusätzlich Genauigkeit, Vergleichbarkeit und Kohärenz. In der Praxis lassen sich diese Dimensionen so übersetzen:
Dimension | Bedeutung im ATS | Typisches Beispiel für einen Mangel |
|---|---|---|
Vollständigkeit | Alle für Suche und Reporting nötigen Felder sind befüllt | Stelle ohne Abteilung, Einstellung ohne Quelle |
Konsistenz | Gleiche Sachverhalte werden gleich erfasst | „Senior Java Dev“, „Java Entwickler (Senior)“ und „Sr. Java Engineer“ als drei Titel |
Genauigkeit | Werte stimmen mit der Realität überein | Startdatum im Feld für die Telefonnummer |
Vergleichbarkeit | Daten lassen sich über Zeiträume, Teams und Kunden vergleichen | Statuslogik unterscheidet sich je Recruiter |
Kohärenz | Datensätze widersprechen sich nicht | Kandidat „eingestellt“, zugehörige Stelle noch „offen“ |
Aktualität | Angaben sind auf dem neuesten Stand | Verfügbarkeit oder Kontaktdaten von vor zwei Jahren |
Eindeutigkeit | Jede Person existiert nur einmal | Drei Profile derselben Kandidatin aus drei Quellen |
Aktualität und Eindeutigkeit verdienen in Personalvermittlungen besondere Aufmerksamkeit, da der Kandidatenpool dort über Jahre wächst und dieselben Personen über Jobbörsen, Empfehlungen, Direktansprache und Kundenportale mehrfach ins System gelangen.
Woran Sie Datenqualität messen
Datenqualität wird erst steuerbar, wenn sie in Zahlen vorliegt. Die gute Nachricht: Sie benötigen dafür kein eigenes Data-Team. Die bereits genannte Analyse zur ATS-Datenqualität schlägt Kennzahlen vor, die sich in den meisten Systemen mit einem Export oder Bericht ermitteln lassen:
Anteil der Stellen ohne Abteilung oder Kunde: Anzahl betroffener Stellen geteilt durch alle Stellen im Zeitraum.
Anteil der Einstellungen ohne Quelle: Ohne diese Angabe ist keine Aussage über den Erfolg von Kanälen möglich.
Anteil der Kandidaten ohne Endstatus: Bewerbungen, die nach Abschluss einer Stelle weder als eingestellt noch als abgesagt markiert sind.
Zahl doppelter Profile: absolut und als Anteil am Gesamtbestand.
Ungültige oder veraltete Werte: etwa nicht zustellbare E-Mail-Adressen, Telefonnummern im falschen Format oder Profile ohne Aktualisierung seit einem definierten Zeitraum.
Empfehlenswert ist, diese Kennzahlen monatlich zu erheben und als Zeitreihe zu betrachten. Ein einzelner Wert sagt wenig aus, ein Trend zeigt dagegen, ob neue Regeln wirken oder ob sich an einer Schnittstelle ein neues Problem einschleicht. Legen Sie Zielwerte intern fest, und zwar getrennt nach Feldern, die für Suche und Matching kritisch sind (Skills, Kontaktdaten, Verfügbarkeit), und solchen, die vor allem dem Reporting dienen (Quelle, Abteilung, Absagegrund).
Wie Sie aus sauberen Daten belastbare Recruiting-Kennzahlen ableiten, beschreibt unser Beitrag zur datengetriebenen Rekrutierung mit Analytics.
Typische Fehler und ihre Ursachen
Fehlerhafte Daten entstehen selten durch Nachlässigkeit allein. Meist wirken mehrere Ursachen zusammen: Zeitdruck im Tagesgeschäft, fehlende Kontrollen im System und Lücken an den Schnittstellen. Die häufigsten Fehlerbilder lassen sich drei Quellen zuordnen.
Fehler beim Einlesen von Lebensläufen
Der Lebenslauf ist die wichtigste Datenquelle im ATS und zugleich die fehleranfälligste, weil Kandidaten ihn frei gestalten. Ein Ratgeber zu ATS-Fehlern im Lebenslauf nennt als typische Problemfälle Kontaktdaten in Kopf- oder Fußzeilen, zweispaltige Layouts und Tabellen, ungewöhnliche Abschnittsüberschriften sowie schwer lesbare Dateien wie Scans, Bilder oder Formate wie .pages und .odt.
Wie subtil solche Fehler sein können, zeigt der Transparenzbericht der JACVault-ATS-Messreihe: Dort brach eine LinkedIn-Adresse in einer schmalen Spalte um, wodurch nicht nur das Adressfeld verloren ging, sondern eine Engine auch den Vornamen der Kandidatin falsch las. Ein einziger Zeilenumbruch im Dokument führte also zu zwei fehlerhaften Feldern.
Fehler bei der manuellen Erfassung
Wo Recruiter Daten selbst eintragen, entstehen vor allem Inkonsistenzen: frei formulierte Jobtitel, unterschiedliche Schreibweisen von Technologien („JS“, „JavaScript“, „Javascript“), fehlende Pflichtangaben und nicht gepflegte Status. Diese Fehler wirken einzeln harmlos, summieren sich aber bei Tausenden Datensätzen zu einem Bestand, der sich kaum noch zuverlässig filtern lässt.
Fehler an Schnittstellen
Daten, die zwischen Jobbörsen, Karriereseite, E-Mail-Postfach, CRM und Kundensystemen wandern, verlieren unterwegs häufig Struktur. Für Personaldienstleister ist ein Befund des Persoblogger-Beitrags zum CV-Parsing besonders relevant: Ein Parsing-Fehler kann bei ihnen zweimal entstehen, wenn das System des Kunden die weitergereichten Profile erneut einliest. Wer Kandidatenprofile an Endkunden übermittelt, sollte deshalb strukturierte, einheitlich formatierte Profile senden, die keinen Interpretationsspielraum lassen.
Was schlechte Daten im Recruiting kosten
Die Folgen mangelhafter Datenqualität zeigen sich an vier Stellen im Recruiting-Prozess.
Suche und Matching. Ein Erklärbeitrag zur Funktionsweise von ATS bringt es auf den Punkt: Sind Skills falsch geparst oder uneinheitlich benannt, liefert selbst die beste Suchmaske schwache Treffer. Reife Recruiting-Organisationen investieren deshalb in Taxonomien, Synonymlisten und Bereinigung. Für IT-Personalvermittlungen bedeutet das konkret: Eine Kandidatin mit „K8s“ im Profil taucht in einer Suche nach „Kubernetes“ nicht auf, obwohl sie ideal passt.
Kommunikation. Besonders tückisch sind Fehler, die unauffällig bleiben. Der Persoblogger-Beitrag beschreibt eine falsch zusammengesetzte Adresse, die jede Plausibilitätsprüfung besteht: Die Einladung wird verschickt, eine Antwort bleibt aus. Ein leeres Feld fällt auf, ein plausibel aussehender falscher Wert dagegen nicht.
Datenbankwert. Ein Kandidatenpool ist für eine Agentur ein Vermögenswert, aber nur, wenn er durchsuchbar ist. Doppelte, veraltete und unvollständige Profile führen dazu, dass Recruiter erneut extern suchen, obwohl passende Personen längst im eigenen System gespeichert sind.
Reporting und Entscheidungen. Fehlen Quelle, Endstatus oder Abteilung, werden Kennzahlen wie Time-to-Hire, Kosten pro Kanal oder Konversionsraten verzerrt. Budgetentscheidungen beruhen dann auf unvollständigen Zahlen. Wie eng Datenpflege und Geschwindigkeit zusammenhängen, zeigt unser Beitrag zum Tracking der Kandidatenverfügbarkeit.
Unvollständige, doppelte und veraltete Daten bereinigen
Eine Bereinigung lohnt sich nur, wenn sie strukturiert erfolgt und anschließend Regeln greifen, die denselben Zustand nicht erneut entstehen lassen. Bewährt hat sich folgendes Vorgehen in sechs Schritten:
Bestandsaufnahme durchführen. Exportieren Sie die Kennzahlen aus dem vorherigen Abschnitt und identifizieren Sie die Felder mit den größten Lücken. Priorisieren Sie nach Wirkung: Kontaktdaten und Skills vor Reporting-Feldern.
Einheitliche Definitionen festlegen. Bevor Sie Daten ändern, definieren Sie Zielwerte: eine Liste zulässiger Jobtitel-Kategorien, eine Skill-Taxonomie mit Synonymen, eine verbindliche Statuslogik und feste Formate für Telefonnummern und Datumsangaben.
Dubletten zusammenführen. Suchen Sie nach übereinstimmenden E-Mail-Adressen, Telefonnummern und Kombinationen aus Name und Profil-URL. Führen Sie Treffer zusammen, statt sie zu löschen, damit Kommunikationsverlauf, Notizen und Einwilligungen erhalten bleiben.
Werte normalisieren. Ordnen Sie freie Texte den definierten Kategorien zu. Bei großen Beständen genügt es oft, die häufigsten Abweichungen zu korrigieren, da sie den Großteil der Fehlertreffer verursachen.
Veraltete Daten prüfen. Markieren Sie Profile, die seit einem definierten Zeitraum nicht aktualisiert wurden. Kandidaten mit gültiger Einwilligung können Sie gezielt zur Aktualisierung ihrer Angaben ansprechen; Profile, deren Speicherfrist abgelaufen ist, werden gelöscht oder anonymisiert.
Erfassung absichern. Richten Sie Pflichtfelder, Auswahllisten statt Freitext, Formatprüfungen und eine automatische Dublettenerkennung beim Import ein. Erst dieser Schritt macht die Bereinigung nachhaltig.
Steht ein Systemwechsel an, ist die Migration der ideale Zeitpunkt für eine solche Bereinigung. Unser Leitfaden zur ATS-Migration ohne Datenverlust beschreibt, wie Sie dabei vorgehen.
Datenqualität dauerhaft sichern: Rollen und Regeln
Ohne klare Zuständigkeit verschlechtert sich Datenqualität schleichend. Ein Playbook zur Data Governance im Hiring-Stack empfiehlt dafür ein kleines Governance-Gremium aus einem Data Steward, etwa der Leitung von Recruiting Operations, den Systemadministratoren und den rechtlichen Ansprechpartnern, ergänzt durch ein verbindliches Glossar für Kennzahlen, automatisierte Validierungsregeln und regelmäßige Qualitäts-Dashboards.
Für eine mittelgroße Personalvermittlung lässt sich das schlank umsetzen:
Baustein | Inhalt | Verantwortlich | Rhythmus |
|---|---|---|---|
Datenstandard | Feldkatalog, Pflichtfelder, Taxonomien, Statuslogik | Data Steward | jährliche Überprüfung |
Validierung | Formatprüfung, Pflichtfelder, Dublettenerkennung beim Import | Systemadministration | laufend, automatisiert |
Qualitätsbericht | Kennzahlen zu Lücken, Dubletten, veralteten Profilen | Data Steward | monatlich |
Datenschutzprüfung | Speicherfristen, Einwilligungen, Löschläufe | Datenschutz-Ansprechperson | quartalsweise |
Schulung | Erfassungsregeln für neue Teammitglieder | Teamleitung | beim Onboarding |
Wichtig ist, dass Regeln im System verankert sind und nicht nur in einem Handbuch stehen. Ein Recruiter, der unter Zeitdruck arbeitet, wählt eher aus einer Liste, als dass er eine Schreibweise nachschlägt. Jede Regel, die das System selbst durchsetzt, entlastet das Team und verbessert die Daten zugleich.
DSGVO: Richtigkeit, Aktualität und Speicherfristen
Datenqualität ist im Recruiting auch eine rechtliche Frage. Die DSGVO verlangt, dass personenbezogene Daten sachlich richtig sind und nicht länger als nötig gespeichert werden. Für Bewerberdaten bedeutet das: Falsche Angaben sind zu berichtigen, und Daten aus abgeschlossenen Verfahren dürfen nicht unbegrenzt im ATS verbleiben.
Wie Unternehmen in Deutschland das in der Praxis regeln, zeigt das Beispiel des IT-Dienstleisters SVA: Er löscht Bewerbungsdaten standardmäßig sechs Monate nach Verfahrensabschluss und speichert Daten im Bewerberpool nach Einwilligung 24 Monate. Die Aufnahme in einen Talentpool stützt sich dabei auf eine Einwilligung nach Art. 6 Abs. 1 lit. a DSGVO, wie auch eine Übersicht zum Datenschutz für kleine Unternehmen am selben Beispiel darstellt.
Für die Datenqualität folgt daraus ein praktischer Grundsatz: Jedes Profil sollte nachvollziehbar dokumentieren, auf welcher Rechtsgrundlage es gespeichert ist und wann die Frist endet. Welche Frist für Ihre Organisation angemessen ist, klären Sie mit Ihrer Datenschutzbeauftragten oder einer auf Arbeitsrecht spezialisierten Kanzlei. Hintergründe dazu finden Sie in unseren Beiträgen zur Aufbewahrungsfrist bei Bewerbungen und zur Datensicherheit im Recruiting.
Unsere Sicht: Datenqualität entsteht beim Erfassen
Aus der Arbeit mit IT-Personalvermittlungen und Headhuntern wissen wir: Die meisten Datenprobleme werden nicht im Reporting verursacht, sondern in den ersten Sekunden, in denen ein Lebenslauf ins System gelangt. Wer dort strukturiert erfasst, muss später deutlich weniger bereinigen.
Deshalb haben wir Recruitify so aufgebaut, dass Datenqualität nicht von der Disziplin einzelner Recruiter abhängt. Unser AI CV Parser mit OCR-Technologie liest PDFs, DOCX-Dateien, Scans und Fotos ein, erstellt in rund drei Sekunden ein strukturiertes Kandidatenprofil und erkennt Duplikate automatisch. Unser Contextual Matching versteht Zusammenhänge im Tech-Stack, statt nur nach exakten Keywords zu suchen.
Ebenso wichtig ist für uns, dass Recruiting und Vertrieb in einem System arbeiten. Wenn Sales-Pipeline, Recruiting-Pipeline und Contracting in getrennten Tabellen leben, entstehen zwangsläufig Widersprüche. Ein gemeinsamer Datenbestand mit vollständigem Audit-Trail und DSGVO-Anonymisierung macht aus dem Kandidatenpool das, was er sein sollte: eine Ressource, die sich wieder und wieder nutzen lässt.
Recruitify Team
Saubere ATS-Daten mit Recruitify
Recruitify vereint ATS, Sales CRM und ein Modul für IT-Contracting und Body Leasing in einer Plattform. Für die Datenqualität sind vor allem diese Funktionen relevant: der CV Parser mit automatischer Profilerfassung inklusive Dublettenerkennung, die intelligente Indexierung der Datenbank zur Reaktivierung früherer Kandidaten, X-Ray- und Boolean-Suche über die eigene Datenbank und das offene Web, Blind CV AI für einheitliche, anonymisierte Profile beim Endkunden sowie Berichts- und Analytikmodule.
Die Pläne werden pro Nutzer abgerechnet: HR Team für 61 € pro Monat, Agency für 67 € pro Monat, Enterprise auf Anfrage. Details finden Sie in der Preisübersicht von Recruitify, einen Überblick über alle Module auf der Seite zum ATS-System mit CRM und AI.
Häufige Fragen zur Datenqualität im ATS
Wie oft sollte man die Daten im ATS bereinigen?
Eine umfassende Bereinigung ist meist einmalig nötig, etwa vor oder während einer Systemmigration. Danach genügen monatliche Qualitätsberichte und automatisierte Regeln bei der Erfassung. Ergänzend empfiehlt sich eine quartalsweise Prüfung von Speicherfristen und Einwilligungen.
Wer ist für die Datenqualität im ATS verantwortlich?
Idealerweise eine benannte Person mit der Rolle des Data Steward, häufig die Leitung von Recruiting Operations. Sie definiert Standards und überwacht Kennzahlen, während jedes Teammitglied für die korrekte Erfassung im eigenen Bereich zuständig bleibt. Systemadministration und Datenschutz ergänzen das Gremium.
Wie erkennt man doppelte Kandidatenprofile?
Am zuverlässigsten über eindeutige Merkmale wie E-Mail-Adresse, Telefonnummer oder Profil-URL, ergänzt durch Namensabgleiche. Ein ATS mit automatischer Dublettenerkennung beim Import verhindert, dass neue Dubletten entstehen. Bestehende Treffer sollten zusammengeführt statt gelöscht werden, damit Historie und Einwilligungen erhalten bleiben.
Warum findet die ATS-Suche passende Kandidaten nicht?
In den meisten Fällen liegt es an der Datenstruktur: Skills sind uneinheitlich benannt, falsch geparst oder fehlen im Profil. Eine Skill-Taxonomie mit Synonymen, sauberes Parsing und eine kontextuelle Suche, die verwandte Technologien erkennt, verbessern die Trefferqualität deutlich.
Welche Felder sind für die Datenqualität am wichtigsten?
Für Suche und Matching sind Kontaktdaten, Skills, Berufserfahrung und Verfügbarkeit entscheidend. Für Auswertungen zählen Quelle, Status, Abteilung oder Kunde sowie Absagegründe. Für die DSGVO-Konformität sind Rechtsgrundlage, Einwilligungsdatum und Speicherfrist unverzichtbar.
Quellen
Empfehlungen
Deine Rekrutierungs-Datenbank. Wie du das Herzstück deiner Recruiting-Agentur richtig pflegst.
Kein Kandidat geht beim Wechsel des ATS-Systems verloren: 6 Schritte für Recruiter
Updates und News
Bleib immer up to date mit den neuesten Innovationen, Features und Tipps rund um Recruitify!
Indem Du Deine E-Mail-Adresse im Anmeldeformular für den Newsletter einträgst, willigst Du in deren Verarbeitung zum Zwecke des Versands von Marketinginformationen über die Produkte und Dienstleistungen des Administrators ein. Der Administrator Deiner zu diesem Zweck verarbeiteten personenbezogenen Daten ist Recruitify Sp. z o.o. mit Sitz in Warschau (KRS 0000709889). Weitere Informationen über die Grundsätze der Verarbeitung personenbezogener Daten und die Rechte der betroffenen Personen findest Du im Dokument Datenschutzerklärung.
Aktualisiert am:
Datenqualität im ATS: messen, bereinigen, dauerhaft sichern
Dein Rekrutierungsprozess
Recruitify Team
Die Datenqualität im ATS entscheidet darüber, ob Ihr Bewerbermanagementsystem passende Kandidaten findet, verlässliche Auswertungen liefert und rechtssicher arbeitet. Gute Daten im ATS sind vollständig, korrekt, einheitlich benannt, aktuell und frei von Dubletten. Erreicht wird das nicht durch eine einmalige Bereinigung. Sie brauchen drei Dinge: saubere Erfassung beim Import, messbare Kennzahlen und klare Verantwortlichkeiten im Team. Dieser Leitfaden zeigt Schritt für Schritt, wie Personalvermittlungen, Headhunter und HR-Abteilungen das umsetzen.
Kurz gesagt
Datenqualität im ATS umfasst Vollständigkeit, Konsistenz, Genauigkeit, Vergleichbarkeit und Aktualität von Kandidaten-, Stellen- und Prozessdaten.
Messbar wird sie über einfache Quoten: Stellen ohne Abteilung, Einstellungen ohne Quelle, Kandidaten ohne Endstatus, doppelte Profile und veraltete Werte.
Die meisten Fehler entstehen bei der Erfassung: beim Parsen von Lebensläufen, bei manueller Eingabe unter Zeitdruck und an Schnittstellen zwischen Systemen.
Schlechte Daten schwächen Suche, Matching und Reporting, weil auch die beste Suchmaske nur findet, was sauber strukturiert gespeichert ist.
Dauerhaft gesichert wird Datenqualität durch Pflichtfelder, Validierungsregeln, Dublettenprüfung, einen verantwortlichen Data Steward und regelmäßige Qualitätsberichte.
Inhaltsverzeichnis
Was Datenqualität im ATS bedeutet
Ein Applicant Tracking System speichert drei Arten von Daten: Kandidatendaten (Kontakt, Skills, Berufserfahrung, Verfügbarkeit), Stellendaten (Titel, Abteilung, Kunde, Anforderungen) und Prozessdaten (Status, Quelle, Zeitstempel, Kommunikation). Datenqualität beschreibt, wie gut diese Daten ihren Zweck erfüllen: Kandidaten finden, Entscheidungen begründen und Ergebnisse auswerten.
Für ATS-Daten nennt eine Übersicht zur Datenqualität im ATS vor allem Vollständigkeit und Konsistenz, als übergeordnete Qualitätsprinzipien zusätzlich Genauigkeit, Vergleichbarkeit und Kohärenz. In der Praxis lassen sich diese Dimensionen so übersetzen:
Dimension | Bedeutung im ATS | Typisches Beispiel für einen Mangel |
|---|---|---|
Vollständigkeit | Alle für Suche und Reporting nötigen Felder sind befüllt | Stelle ohne Abteilung, Einstellung ohne Quelle |
Konsistenz | Gleiche Sachverhalte werden gleich erfasst | „Senior Java Dev“, „Java Entwickler (Senior)“ und „Sr. Java Engineer“ als drei Titel |
Genauigkeit | Werte stimmen mit der Realität überein | Startdatum im Feld für die Telefonnummer |
Vergleichbarkeit | Daten lassen sich über Zeiträume, Teams und Kunden vergleichen | Statuslogik unterscheidet sich je Recruiter |
Kohärenz | Datensätze widersprechen sich nicht | Kandidat „eingestellt“, zugehörige Stelle noch „offen“ |
Aktualität | Angaben sind auf dem neuesten Stand | Verfügbarkeit oder Kontaktdaten von vor zwei Jahren |
Eindeutigkeit | Jede Person existiert nur einmal | Drei Profile derselben Kandidatin aus drei Quellen |
Aktualität und Eindeutigkeit verdienen in Personalvermittlungen besondere Aufmerksamkeit, da der Kandidatenpool dort über Jahre wächst und dieselben Personen über Jobbörsen, Empfehlungen, Direktansprache und Kundenportale mehrfach ins System gelangen.
Woran Sie Datenqualität messen
Datenqualität wird erst steuerbar, wenn sie in Zahlen vorliegt. Die gute Nachricht: Sie benötigen dafür kein eigenes Data-Team. Die bereits genannte Analyse zur ATS-Datenqualität schlägt Kennzahlen vor, die sich in den meisten Systemen mit einem Export oder Bericht ermitteln lassen:
Anteil der Stellen ohne Abteilung oder Kunde: Anzahl betroffener Stellen geteilt durch alle Stellen im Zeitraum.
Anteil der Einstellungen ohne Quelle: Ohne diese Angabe ist keine Aussage über den Erfolg von Kanälen möglich.
Anteil der Kandidaten ohne Endstatus: Bewerbungen, die nach Abschluss einer Stelle weder als eingestellt noch als abgesagt markiert sind.
Zahl doppelter Profile: absolut und als Anteil am Gesamtbestand.
Ungültige oder veraltete Werte: etwa nicht zustellbare E-Mail-Adressen, Telefonnummern im falschen Format oder Profile ohne Aktualisierung seit einem definierten Zeitraum.
Empfehlenswert ist, diese Kennzahlen monatlich zu erheben und als Zeitreihe zu betrachten. Ein einzelner Wert sagt wenig aus, ein Trend zeigt dagegen, ob neue Regeln wirken oder ob sich an einer Schnittstelle ein neues Problem einschleicht. Legen Sie Zielwerte intern fest, und zwar getrennt nach Feldern, die für Suche und Matching kritisch sind (Skills, Kontaktdaten, Verfügbarkeit), und solchen, die vor allem dem Reporting dienen (Quelle, Abteilung, Absagegrund).
Wie Sie aus sauberen Daten belastbare Recruiting-Kennzahlen ableiten, beschreibt unser Beitrag zur datengetriebenen Rekrutierung mit Analytics.
Typische Fehler und ihre Ursachen
Fehlerhafte Daten entstehen selten durch Nachlässigkeit allein. Meist wirken mehrere Ursachen zusammen: Zeitdruck im Tagesgeschäft, fehlende Kontrollen im System und Lücken an den Schnittstellen. Die häufigsten Fehlerbilder lassen sich drei Quellen zuordnen.
Fehler beim Einlesen von Lebensläufen
Der Lebenslauf ist die wichtigste Datenquelle im ATS und zugleich die fehleranfälligste, weil Kandidaten ihn frei gestalten. Ein Ratgeber zu ATS-Fehlern im Lebenslauf nennt als typische Problemfälle Kontaktdaten in Kopf- oder Fußzeilen, zweispaltige Layouts und Tabellen, ungewöhnliche Abschnittsüberschriften sowie schwer lesbare Dateien wie Scans, Bilder oder Formate wie .pages und .odt.
Wie subtil solche Fehler sein können, zeigt der Transparenzbericht der JACVault-ATS-Messreihe: Dort brach eine LinkedIn-Adresse in einer schmalen Spalte um, wodurch nicht nur das Adressfeld verloren ging, sondern eine Engine auch den Vornamen der Kandidatin falsch las. Ein einziger Zeilenumbruch im Dokument führte also zu zwei fehlerhaften Feldern.
Fehler bei der manuellen Erfassung
Wo Recruiter Daten selbst eintragen, entstehen vor allem Inkonsistenzen: frei formulierte Jobtitel, unterschiedliche Schreibweisen von Technologien („JS“, „JavaScript“, „Javascript“), fehlende Pflichtangaben und nicht gepflegte Status. Diese Fehler wirken einzeln harmlos, summieren sich aber bei Tausenden Datensätzen zu einem Bestand, der sich kaum noch zuverlässig filtern lässt.
Fehler an Schnittstellen
Daten, die zwischen Jobbörsen, Karriereseite, E-Mail-Postfach, CRM und Kundensystemen wandern, verlieren unterwegs häufig Struktur. Für Personaldienstleister ist ein Befund des Persoblogger-Beitrags zum CV-Parsing besonders relevant: Ein Parsing-Fehler kann bei ihnen zweimal entstehen, wenn das System des Kunden die weitergereichten Profile erneut einliest. Wer Kandidatenprofile an Endkunden übermittelt, sollte deshalb strukturierte, einheitlich formatierte Profile senden, die keinen Interpretationsspielraum lassen.
Was schlechte Daten im Recruiting kosten
Die Folgen mangelhafter Datenqualität zeigen sich an vier Stellen im Recruiting-Prozess.
Suche und Matching. Ein Erklärbeitrag zur Funktionsweise von ATS bringt es auf den Punkt: Sind Skills falsch geparst oder uneinheitlich benannt, liefert selbst die beste Suchmaske schwache Treffer. Reife Recruiting-Organisationen investieren deshalb in Taxonomien, Synonymlisten und Bereinigung. Für IT-Personalvermittlungen bedeutet das konkret: Eine Kandidatin mit „K8s“ im Profil taucht in einer Suche nach „Kubernetes“ nicht auf, obwohl sie ideal passt.
Kommunikation. Besonders tückisch sind Fehler, die unauffällig bleiben. Der Persoblogger-Beitrag beschreibt eine falsch zusammengesetzte Adresse, die jede Plausibilitätsprüfung besteht: Die Einladung wird verschickt, eine Antwort bleibt aus. Ein leeres Feld fällt auf, ein plausibel aussehender falscher Wert dagegen nicht.
Datenbankwert. Ein Kandidatenpool ist für eine Agentur ein Vermögenswert, aber nur, wenn er durchsuchbar ist. Doppelte, veraltete und unvollständige Profile führen dazu, dass Recruiter erneut extern suchen, obwohl passende Personen längst im eigenen System gespeichert sind.
Reporting und Entscheidungen. Fehlen Quelle, Endstatus oder Abteilung, werden Kennzahlen wie Time-to-Hire, Kosten pro Kanal oder Konversionsraten verzerrt. Budgetentscheidungen beruhen dann auf unvollständigen Zahlen. Wie eng Datenpflege und Geschwindigkeit zusammenhängen, zeigt unser Beitrag zum Tracking der Kandidatenverfügbarkeit.
Unvollständige, doppelte und veraltete Daten bereinigen
Eine Bereinigung lohnt sich nur, wenn sie strukturiert erfolgt und anschließend Regeln greifen, die denselben Zustand nicht erneut entstehen lassen. Bewährt hat sich folgendes Vorgehen in sechs Schritten:
Bestandsaufnahme durchführen. Exportieren Sie die Kennzahlen aus dem vorherigen Abschnitt und identifizieren Sie die Felder mit den größten Lücken. Priorisieren Sie nach Wirkung: Kontaktdaten und Skills vor Reporting-Feldern.
Einheitliche Definitionen festlegen. Bevor Sie Daten ändern, definieren Sie Zielwerte: eine Liste zulässiger Jobtitel-Kategorien, eine Skill-Taxonomie mit Synonymen, eine verbindliche Statuslogik und feste Formate für Telefonnummern und Datumsangaben.
Dubletten zusammenführen. Suchen Sie nach übereinstimmenden E-Mail-Adressen, Telefonnummern und Kombinationen aus Name und Profil-URL. Führen Sie Treffer zusammen, statt sie zu löschen, damit Kommunikationsverlauf, Notizen und Einwilligungen erhalten bleiben.
Werte normalisieren. Ordnen Sie freie Texte den definierten Kategorien zu. Bei großen Beständen genügt es oft, die häufigsten Abweichungen zu korrigieren, da sie den Großteil der Fehlertreffer verursachen.
Veraltete Daten prüfen. Markieren Sie Profile, die seit einem definierten Zeitraum nicht aktualisiert wurden. Kandidaten mit gültiger Einwilligung können Sie gezielt zur Aktualisierung ihrer Angaben ansprechen; Profile, deren Speicherfrist abgelaufen ist, werden gelöscht oder anonymisiert.
Erfassung absichern. Richten Sie Pflichtfelder, Auswahllisten statt Freitext, Formatprüfungen und eine automatische Dublettenerkennung beim Import ein. Erst dieser Schritt macht die Bereinigung nachhaltig.
Steht ein Systemwechsel an, ist die Migration der ideale Zeitpunkt für eine solche Bereinigung. Unser Leitfaden zur ATS-Migration ohne Datenverlust beschreibt, wie Sie dabei vorgehen.
Datenqualität dauerhaft sichern: Rollen und Regeln
Ohne klare Zuständigkeit verschlechtert sich Datenqualität schleichend. Ein Playbook zur Data Governance im Hiring-Stack empfiehlt dafür ein kleines Governance-Gremium aus einem Data Steward, etwa der Leitung von Recruiting Operations, den Systemadministratoren und den rechtlichen Ansprechpartnern, ergänzt durch ein verbindliches Glossar für Kennzahlen, automatisierte Validierungsregeln und regelmäßige Qualitäts-Dashboards.
Für eine mittelgroße Personalvermittlung lässt sich das schlank umsetzen:
Baustein | Inhalt | Verantwortlich | Rhythmus |
|---|---|---|---|
Datenstandard | Feldkatalog, Pflichtfelder, Taxonomien, Statuslogik | Data Steward | jährliche Überprüfung |
Validierung | Formatprüfung, Pflichtfelder, Dublettenerkennung beim Import | Systemadministration | laufend, automatisiert |
Qualitätsbericht | Kennzahlen zu Lücken, Dubletten, veralteten Profilen | Data Steward | monatlich |
Datenschutzprüfung | Speicherfristen, Einwilligungen, Löschläufe | Datenschutz-Ansprechperson | quartalsweise |
Schulung | Erfassungsregeln für neue Teammitglieder | Teamleitung | beim Onboarding |
Wichtig ist, dass Regeln im System verankert sind und nicht nur in einem Handbuch stehen. Ein Recruiter, der unter Zeitdruck arbeitet, wählt eher aus einer Liste, als dass er eine Schreibweise nachschlägt. Jede Regel, die das System selbst durchsetzt, entlastet das Team und verbessert die Daten zugleich.
DSGVO: Richtigkeit, Aktualität und Speicherfristen
Datenqualität ist im Recruiting auch eine rechtliche Frage. Die DSGVO verlangt, dass personenbezogene Daten sachlich richtig sind und nicht länger als nötig gespeichert werden. Für Bewerberdaten bedeutet das: Falsche Angaben sind zu berichtigen, und Daten aus abgeschlossenen Verfahren dürfen nicht unbegrenzt im ATS verbleiben.
Wie Unternehmen in Deutschland das in der Praxis regeln, zeigt das Beispiel des IT-Dienstleisters SVA: Er löscht Bewerbungsdaten standardmäßig sechs Monate nach Verfahrensabschluss und speichert Daten im Bewerberpool nach Einwilligung 24 Monate. Die Aufnahme in einen Talentpool stützt sich dabei auf eine Einwilligung nach Art. 6 Abs. 1 lit. a DSGVO, wie auch eine Übersicht zum Datenschutz für kleine Unternehmen am selben Beispiel darstellt.
Für die Datenqualität folgt daraus ein praktischer Grundsatz: Jedes Profil sollte nachvollziehbar dokumentieren, auf welcher Rechtsgrundlage es gespeichert ist und wann die Frist endet. Welche Frist für Ihre Organisation angemessen ist, klären Sie mit Ihrer Datenschutzbeauftragten oder einer auf Arbeitsrecht spezialisierten Kanzlei. Hintergründe dazu finden Sie in unseren Beiträgen zur Aufbewahrungsfrist bei Bewerbungen und zur Datensicherheit im Recruiting.
Unsere Sicht: Datenqualität entsteht beim Erfassen
Aus der Arbeit mit IT-Personalvermittlungen und Headhuntern wissen wir: Die meisten Datenprobleme werden nicht im Reporting verursacht, sondern in den ersten Sekunden, in denen ein Lebenslauf ins System gelangt. Wer dort strukturiert erfasst, muss später deutlich weniger bereinigen.
Deshalb haben wir Recruitify so aufgebaut, dass Datenqualität nicht von der Disziplin einzelner Recruiter abhängt. Unser AI CV Parser mit OCR-Technologie liest PDFs, DOCX-Dateien, Scans und Fotos ein, erstellt in rund drei Sekunden ein strukturiertes Kandidatenprofil und erkennt Duplikate automatisch. Unser Contextual Matching versteht Zusammenhänge im Tech-Stack, statt nur nach exakten Keywords zu suchen.
Ebenso wichtig ist für uns, dass Recruiting und Vertrieb in einem System arbeiten. Wenn Sales-Pipeline, Recruiting-Pipeline und Contracting in getrennten Tabellen leben, entstehen zwangsläufig Widersprüche. Ein gemeinsamer Datenbestand mit vollständigem Audit-Trail und DSGVO-Anonymisierung macht aus dem Kandidatenpool das, was er sein sollte: eine Ressource, die sich wieder und wieder nutzen lässt.
Recruitify Team
Saubere ATS-Daten mit Recruitify
Recruitify vereint ATS, Sales CRM und ein Modul für IT-Contracting und Body Leasing in einer Plattform. Für die Datenqualität sind vor allem diese Funktionen relevant: der CV Parser mit automatischer Profilerfassung inklusive Dublettenerkennung, die intelligente Indexierung der Datenbank zur Reaktivierung früherer Kandidaten, X-Ray- und Boolean-Suche über die eigene Datenbank und das offene Web, Blind CV AI für einheitliche, anonymisierte Profile beim Endkunden sowie Berichts- und Analytikmodule.
Die Pläne werden pro Nutzer abgerechnet: HR Team für 61 € pro Monat, Agency für 67 € pro Monat, Enterprise auf Anfrage. Details finden Sie in der Preisübersicht von Recruitify, einen Überblick über alle Module auf der Seite zum ATS-System mit CRM und AI.
Häufige Fragen zur Datenqualität im ATS
Wie oft sollte man die Daten im ATS bereinigen?
Eine umfassende Bereinigung ist meist einmalig nötig, etwa vor oder während einer Systemmigration. Danach genügen monatliche Qualitätsberichte und automatisierte Regeln bei der Erfassung. Ergänzend empfiehlt sich eine quartalsweise Prüfung von Speicherfristen und Einwilligungen.
Wer ist für die Datenqualität im ATS verantwortlich?
Idealerweise eine benannte Person mit der Rolle des Data Steward, häufig die Leitung von Recruiting Operations. Sie definiert Standards und überwacht Kennzahlen, während jedes Teammitglied für die korrekte Erfassung im eigenen Bereich zuständig bleibt. Systemadministration und Datenschutz ergänzen das Gremium.
Wie erkennt man doppelte Kandidatenprofile?
Am zuverlässigsten über eindeutige Merkmale wie E-Mail-Adresse, Telefonnummer oder Profil-URL, ergänzt durch Namensabgleiche. Ein ATS mit automatischer Dublettenerkennung beim Import verhindert, dass neue Dubletten entstehen. Bestehende Treffer sollten zusammengeführt statt gelöscht werden, damit Historie und Einwilligungen erhalten bleiben.
Warum findet die ATS-Suche passende Kandidaten nicht?
In den meisten Fällen liegt es an der Datenstruktur: Skills sind uneinheitlich benannt, falsch geparst oder fehlen im Profil. Eine Skill-Taxonomie mit Synonymen, sauberes Parsing und eine kontextuelle Suche, die verwandte Technologien erkennt, verbessern die Trefferqualität deutlich.
Welche Felder sind für die Datenqualität am wichtigsten?
Für Suche und Matching sind Kontaktdaten, Skills, Berufserfahrung und Verfügbarkeit entscheidend. Für Auswertungen zählen Quelle, Status, Abteilung oder Kunde sowie Absagegründe. Für die DSGVO-Konformität sind Rechtsgrundlage, Einwilligungsdatum und Speicherfrist unverzichtbar.
Quellen
Empfehlungen
Deine Rekrutierungs-Datenbank. Wie du das Herzstück deiner Recruiting-Agentur richtig pflegst.
Kein Kandidat geht beim Wechsel des ATS-Systems verloren: 6 Schritte für Recruiter
Updates und News
Bleib immer up to date mit den neuesten Innovationen, Features und Tipps rund um Recruitify!
Indem Du Deine E-Mail-Adresse im Anmeldeformular für den Newsletter einträgst, willigst Du in deren Verarbeitung zum Zwecke des Versands von Marketinginformationen über die Produkte und Dienstleistungen des Administrators ein. Der Administrator Deiner zu diesem Zweck verarbeiteten personenbezogenen Daten ist Recruitify Sp. z o.o. mit Sitz in Warschau (KRS 0000709889). Weitere Informationen über die Grundsätze der Verarbeitung personenbezogener Daten und die Rechte der betroffenen Personen findest Du im Dokument Datenschutzerklärung.
Schau dir auch das an
ATS
Mandantenfähigkeit im Recruiting: Datentrennung, Rollen, DSGVO
Mandantenfähigkeit im Recruiting: wie Sie Kundendaten, Kandidatenprofile und Rechte sauber trennen und was die DSGVO in Deutschland verlangt.
01.11.2026
Mehr erfahren
ATS
Single Sign-On im ATS: Einrichtung, Sicherheit und Webhooks
Wie Single Sign-On im Bewerbermanagementsystem funktioniert: SAML oder OIDC, Voraussetzungen, Risiken und sichere ATS-Webhooks für Ihre Integrationen.
30.10.2026
Mehr erfahren
Dein Rekrutierungsprozess
Datensicherheit im Recruiting: Bewerberdaten wirksam schützen
Datensicherheit im Recruiting: Rechtsgrundlagen, Verschlüsselung, Zugriffsrechte, Löschfristen und Talentpools. So schützen Sie Bewerberdaten DSGVO-konform.
29.10.2026
Mehr erfahren
ATS
Mandantenfähigkeit im Recruiting: Datentrennung, Rollen, DSGVO
Mandantenfähigkeit im Recruiting: wie Sie Kundendaten, Kandidatenprofile und Rechte sauber trennen und was die DSGVO in Deutschland verlangt.
01.11.2026
Mehr erfahren
ATS
Single Sign-On im ATS: Einrichtung, Sicherheit und Webhooks
Wie Single Sign-On im Bewerbermanagementsystem funktioniert: SAML oder OIDC, Voraussetzungen, Risiken und sichere ATS-Webhooks für Ihre Integrationen.
30.10.2026
Mehr erfahren
