Zum Inhalt springen
Search the hub
Qualitätsdimensionen brauchen Kontext

Qualitätsdimensionen brauchen Kontext

Warum Vollständigkeit, Aktualität, Eindeutigkeit und Genauigkeit nur mit Zweck und Umfang sinnvoll bewertet 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

  • Vollständigkeit — Ob die erwarteten Fälle oder Werte vorhanden sind.
  • Aktualität — Ob Daten zum benötigten Zeitpunkt ausreichend frisch sind.
  • Eindeutigkeit — Ob ein fachliches Objekt nicht doppelt gezählt wird.
  • Genauigkeit — Ob Werte die fachliche Realität richtig abbilden.
  • Konsistenz — Ob zusammengehörige Daten zueinander passen.

Das Problem im Alltag

„Vollständig“ klingt gut, bleibt aber ohne Kontext leer. Vollständig für welche Fälle? Für welchen Zeitraum? Für welche Entscheidung? Ein globaler Qualitätswert kann genau die Lücke verstecken, die den wichtigsten Nutzer betrifft.

Das saubere Muster

Schaubild: Qualitätsdimensionen brauchen Nutzung, Scope, Messung, Schwelle, sichtbare Lücke und Entscheidungsbezug

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

Ein Kundendatensatz ist zu 99 Prozent vollständig. Die fehlenden Einträge betreffen aber alle Großkunden einer Region. Für eine Kampagnenanalyse mag das tolerierbar sein, für Umsatzsteuerung nicht.

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. Ein Datenobjekt und zwei unterschiedliche Nutzungen auswählen.
  2. Pro Nutzung drei Qualitätsdimensionen priorisieren.
  3. Umfang und Zeitbezug je Dimension festlegen.
  4. Eine Schwelle begründen.
  5. Ein Beispiel nennen, wann der Wert irreführend wäre.

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 4 of 9

View series

Knowledge check

Tour