Vorfälle verbessern Datenprodukte

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

• Qualitätsvorfall — Verletzung einer vereinbarten Erwartung mit Auswirkung auf Nutzung oder Vertrauen.
• Ursache — Grund, warum der Vorfall entstehen konnte.
• Korrektur — Maßnahme, die aktuelle Daten oder Prozesse repariert.
• Vorbeugung — Änderung, die Wiederholung unwahrscheinlicher macht.
• Lernschleife — Rückführung aus dem Vorfall in Definition, Regel oder Vertrag.

Das Problem im Alltag

Ein Job wird neu gestartet, das Ticket geschlossen, und beim nächsten Abschluss passiert derselbe Fehler wieder. Der Vorfall wurde behandelt, aber das Datenprodukt wurde nicht verbessert.

Das saubere Muster

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 Dashboard zeigt doppelte Umsätze. Der schnelle Fix korrigiert die Tabelle. Die echte Verbesserung ergänzt eine Regel für Join-Verhalten, dokumentiert die fachliche Ebene und informiert betroffene Nutzer.

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. Einen realen Qualitätsvorfall auswählen.
2. Auswirkung auf Entscheidung oder Nutzer beschreiben.
3. Verletzte Erwartung formulieren.
4. Ursache und Korrektur trennen.
5. Eine Regel, Beschreibung oder Vereinbarung verbessern.
6. Prüfen, ob der Vorfall wiedererkennbar 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.