Zum Inhalt springen
Search the hub
Von Erwartungen zu Regeln

Von Erwartungen zu Regeln

Wie fachliche Erwartungen in prüfbare Regeln mit Umfang, Schwelle, Reaktion und Verantwortung übersetzt werden.

Category
Data Governance
Reading time
3 min
Published
Tags
data-governance metadata data-quality data-products
Download PDF

Einstieg

Diese Folge gehört zur Serie Datenqualität mit Nachweis. Sie erklärt Datenqualität nicht als abstrakten Score, sondern als begründete Aussage: Für welchen Zweck sind Daten gut genug, welche Grenzen gelten und welcher Nachweis liegt vor?

Begriffe vor dem Lesen

  • Erwartung — Fachliche Aussage darüber, was für eine Nutzung stimmen muss.
  • Regel — Prüfbare Form einer Erwartung mit Umfang, Messung und Ergebnis.
  • Schwelle — Grenze, ab der eine Warnung oder Sperre ausgelöst wird.
  • Schweregrad — Bewertung, wie stark eine verletzte Regel die Nutzung gefährdet.
  • Reaktion — Was passiert, wenn eine Regel fehlschlägt: warnen, stoppen, kennzeichnen oder eskalieren.

Das Problem im Alltag

Ein Team sammelt viele Tests, aber niemand weiß, welche Entscheidung geschützt wird. Dann wird ein optionales Feld genauso laut gemeldet wie ein fehlender Buchungsbetrag. Das erzeugt Alarmmüdigkeit statt Vertrauen.

Das saubere Muster

Schaubild: Aus fachlicher Erwartung wird eine prüfbare Qualitätsregel mit Scope, Messung, Schwelle, Reaktion und Version

Was das praktisch bedeutet

Qualität entsteht nicht durch möglichst viele Prüfungen. Qualität entsteht, wenn eine fachliche Erwartung so beschrieben ist, dass sie geprüft, verstanden und im Fehlerfall behandelt werden kann.

Ein gutes Qualitätsmodell macht drei Dinge sichtbar:

  • welche Nutzung geschützt wird;
  • welche Datenfälle zur Aussage gehören;
  • was passiert, wenn die Erwartung verletzt wird.

Damit werden Tests, Katalogeinträge, Incidents und Datenverträge Teil derselben Geschichte. Nutzer sehen nicht nur ein grünes oder rotes Signal, sondern verstehen, was dieses Signal für ihre Entscheidung bedeutet.

Mini-Fall

Die Erwartung lautet nicht „Feld darf nicht leer sein“. Sie lautet: „Für versandfähige Rechnungen muss eine zustellfähige Adresse vorhanden sein.“ Daraus folgt erst, welches Feld geprüft wird und welche Fälle ausgeschlossen sind.

Anti-Patterns

  • Tests schreiben, bevor Zweck und Umfang geklärt sind.
  • Einen globalen Qualitätswert als Freigabe für jede Nutzung verstehen.
  • Warnungen sammeln, aber keine Reaktion vereinbaren.
  • Technische Logs als Nachweis behandeln, obwohl Nutzer sie nicht finden.
  • Fachliche Entscheidungen an ein Tool delegieren.

Erster Umsetzungsschnitt

  1. Fünf wichtige Erwartungen sammeln.
  2. Jede Erwartung in einem Alltagssatz formulieren.
  3. Für jede Regel Umfang und Messung definieren.
  4. Warnung oder Sperre begründen.
  5. Regelverantwortung und Korrekturweg benennen.
  6. Regeln mit einem Beispielergebnis prüfen.

Woran man merkt, dass es besser wird

Teams diskutieren weniger über abstrakte Prozentwerte und mehr über konkrete Entscheidungen. Fachbereiche wissen, welche Daten sie wofür verwenden dürfen. Data Engineering weiß, welche Erwartungen wirklich kritisch sind. Incidents führen zu besseren Regeln statt nur zu neu gestarteten Jobs.

Data Quality With Proof

Part 2 of 9

View series

Knowledge check

Tour