Inline-Tabellen verstecken gemeinsame Wahrheit
Warum Qlik INLINE, SQL VALUES und hardcodierte Mappings nicht die führende Quelle für geteilte Steuerdaten sein dürfen.
Begriffe vor dem Lesen
- Eine Inline-Tabelle wird direkt in einem Skript oder Modell notiert, etwa mit Qlik
INLINE, SQLVALUESoder Power Query „Daten eingeben“. - Eine Inline-Tabelle ist als lokales Implementierungsdetail vertretbar. Sie wird problematisch, sobald mehrere Nutzer dieselbe fachliche Zuordnung benötigen.
- Extrahieren bedeutet, die Werte in eine kontrolliert gepflegte Tabelle zu überführen und das Skript nur noch daraus lesen zu lassen.
Ausgangslage
Steuerdaten verstecken sich in vielen Formen offen sichtbar:
- Qlik-
LOAD INLINE-Blöcke für Statusmaps, Regionsgruppen und „Fix“-Werte; - SQL-
VALUES/UNION ALL-Literaltabellen in Views und Prozeduren; - dbt-Seeds, die als temporäre Fixtures starteten und ohne Stewardship zu produktiven Crosswalks wurden;
- Python- oder Notebook-Dictionaries und -Listen als Join-Keys in geplanten Jobs;
- Power-Query-„Enter data“-Tabellen, die in ein semantisches Modell eingefügt wurden.
Jedes Muster ist schnell für eine einzelne App. Geteilte Steuerdaten driften dann:

Beispiel mit erfundenen Daten. Für die Anwendung im Unternehmen brauchst du passende Daten aus den eigenen Systemen und Prozessen.
Qlik app INLINE status 90 = Cancelled
Warehouse VALUES status 90 = Cancelled, 95 = Void
dbt seed status 90 = Cancelled (old label)
Power Query Enter data: status 90 = Canceled (US spelling, different code set)
Entwickler kopieren den Block in die nächste App. Stewards können nicht an einer Stelle ändern. Kataloge sehen die Tabelle nie. Lineage-Tools melden „keine vorgelagerte Quelle“. Auditoren finden fachliche Bedeutung in Code-Kommentaren statt in einem verantworteten Datensatz.
Teil 1 hat Steuerdaten als Asset-Klasse gerahmt. Teil 2 isoliert das Inline-Muster, weil es der häufigste Weg ist, wie gemeinsame Wahrheit unsichtbar wird — und dabei trotzdem „in der Plattform“ aussieht.
Inline ist nicht immer falsch. Falsch ist es als führende Quelle für Steuerdaten, die geteilt, sensitiv, historisch relevant oder von mehr als einem Lieferweg genutzt werden. Das deckt sich mit Fachliche Logik außerhalb der BI-Apps halten: gemeinsame Bedeutung außerhalb des Nutzer-Artefakts; werkzeugspezifisches Verhalten darf lokal bleiben.
Entscheidung
Inline = Implementierungsdetail. Nie die führende Quelle für geteilte Steuerdaten.
Erlaubte Nutzungen von Inline-/Literaltabellen:
- Wegwerf-Prototypen und Spikes mit benanntem Abschaltdatum;
- echt app-lokale Präsentationslabels, die kein anderer Nutzer wiederverwenden muss;
- synthetische Demo-Daten, klar als Non-Production markiert;
- temporäre Bridges während einer Migration mit explizitem Exportdatei-Ticket;
- Unit-Test-Fixtures, die nicht als produktive Steuertabellen deployt werden.
Extrahieren Sie, wenn eine der folgenden Bedingungen zutrifft:
- zwei oder mehr Apps, Modelle oder Jobs brauchen dasselbe Mapping oder denselben Reference-Satz;
- Finance, Risk oder regulatorisches Reporting hängt von den Codes ab;
- Berechtigung oder mit personenbezogenen Daten verknüpfte Keys sind involviert (Access & Security Governance);
- Änderungshistorie zählt (wer hat was geändert, valid_from / valid_to);
- der Katalog oder eine Richtlinie benennt das Konzept bereits;
- Reload- oder Publish-Fehler wurden bereits durch eine Inline-Änderung verursacht;
- ein Steward außerhalb des Entwicklerteams muss die Werte pflegen.
Extraktionsziel ist eine kontrolliert gepflegte Steuertabelle (oder eine freigegebene API/UI über diese Tabelle). Das Skript darf die Tabelle weiterhin laden; es darf sie nicht besitzen. dbt-Seeds dürfen nur dann Verpackungsformat bleiben, wenn der Seed aus dem verantworteten Store generiert oder strikt dazu synchronisiert wird — nicht, wenn die CSV in Git die einzige Pflegeoberfläche für Fach-Stewards ist.
Verwechseln Sie diese Entscheidung nicht mit einem Verbot von Excel-Analyse (Excel-Schatten-BI und Kennzahlen-Drift). Inline-Extraktion betrifft kodierte geteilte Tabellen, nicht das Entfernen jeder Formel auf Nutzerseite.
Checkliste
Führen Sie ein Inline-Inventar durch, bevor Sie Architektur umschreiben:
- durchsuchen Sie Repos und Skriptbibliotheken nach
INLINE,LOAD * INLINE,VALUES (, Seed-Ordnern,Enter data, hardcodiertendict(/ Mapping-Arrays; - erfassen Sie Dateipfad, Objektname, Zeilenanzahl-Band und Taxonomieklasse aus Teil 1;
- zählen Sie Nutzer und Duplikatskopien;
- markieren Sie Sensitivität und ob Änderungen fachliche Freigabe brauchen;
- entscheiden Sie:
keep-local,extract,deduplicate-then-extract,retire; - benennen Sie für jedes
extractden Ziel-Store und Steward; - ersetzen Sie Inline-Loads durch einen einzigen Read von der verantworteten Tabelle;
- ergänzen Sie eine CI- oder Scan-Regel, damit neue geteilte Inlines nicht unbemerkt landen;
- aktualisieren Sie Katalogeinträge und Lineage, sobald die Tabelle real ist;
- führen Sie eine kurze Exception-Liste für freigegebene lokale Inlines mit verantwortlichen Personen und Review-Daten.
Bevorzugen Sie langweilige Konsistenz: ein Extract-Muster pro Plattform (Qlik Resident aus der Control-DB, dbt ref auf Control-Modell, Power Query aus zertifizierter Quelle).
Artefakt
Erstellen Sie Inline Inventory Scan Rules — ein lebendes Regelwerk plus Scan-Output, keine einmalige Spreadsheet.
Minimales Regelpaket:
| Rule ID | Pattern / Signal | Severity | Default disposition |
|---|---|---|---|
| INL-01 | Qlik LOAD INLINE / INLINE [ |
high if >1 Nutzer oder Berechtigungsklasse | extract |
| INL-02 | SQL VALUES / literales UNION ALL-Dimension |
high if in geteilten Views | extract |
| INL-03 | dbt-Seed von mindestens zwei Modellen genutzt und als führende Quelle editiert | high | extract oder sync-from-control-DB |
| INL-04 | Power Query „Enter data“ in zertifizierten Modellen | high | extract |
| INL-05 | Notebook dict/list gejoint in geplantem Job | medium–high | extract |
| INL-06 | Inline mit Abschaltdatum und einzelner App | low | keep-local + review |
| INL-07 | Duplizierte Inline-Hashes über Apps hinweg | high | deduplicate-then-extract |
Scan-Output-Felder: Rule ID, Location, Hash/Fingerprint, Klasse, Nutzer, verantwortliche Person, Disposition, Ticket-Link.
Wiederholen Sie den Scan im Zeitplan und bei Pull Requests, die Skriptpfade berühren.
Tools
Nutzen Sie ripgrep / CI-Scanner im Secret-Stil, adaptiert für INLINE und VALUES. Nutzen Sie dbt-Projektparser für Seeds. Nutzen Sie Qlik- und Power-BI-Source-Control-Diffs. Nutzen Sie Report Inventory, um Nutzer anzubinden. Nutzen Sie Katalog-Bulk-Import, sobald extrahierte Tabellen existieren. Abgleichen Sie mit dem Control Data Risk Register aus Teil 1.
Ressourcen
Skriptbibliotheken, Transformations-Repos, Semantic-Model-PBIX/PQ-Traces, Notebook-Job-Definitionen, frühere Incidents zu „falschem Code-Mapping“ und Steward-Listen.
Schwesterlektüre: Fachliche Logik außerhalb der BI-Apps halten, Warum unkontrollierte Steuerdaten Governance zum technischen Alptraum machen, Building a Modern Data Warehouse, Catalog Deep Dive.
Den Arbeitsfall in diesem Kapitel prüfen
Vergleiche dieselben Mappingzeilen in zwei BI-Skripten. Verändere den Kundencode in einer Kopie und berechne die regionale Zuordnung erneut. Notiere, welcher Bericht die neue und welcher weiterhin die alte Bedeutung verwendet.
Gegenprobe und Abnahme: Gleicher Gesamtumsatz beweist keine gleiche Zuordnung. Prüfe Summen je Region und die tatsächlich verwendete Mappingversion.
Halte erwartetes Ergebnis, tatsächlich beobachteten Stand, Abweichung und zuständige Entscheidung in der Arbeitsakte fest. Ein noch nicht ausgeführter Test bleibt offen.
Arbeitsakte für diese Serie herunterladen · Beispieldaten und Sollwerte
Anschluss für die nächste offene Aufgabe: Excel und CSV als führende Quelle brechen Pipelines. Übernimm den geprüften Stand und die offenen Bedingungen; zusätzliche Themen bekommen einen eigenen Auftrag.
Control & Reference Data Deep Dive
Part 2 of 11
View series