Quality Foundations — Datenqualität verständlich machen

Begriffe vor dem Lesen

• Data Quality / DQ — Eignung von Daten für einen konkreten Zweck, nicht nur ein technischer Score.
• verantwortliche Person — Fachlich verantwortliche Person oder Rolle, die Zweck, Bedeutung und Freigabe klärt.
• technischer Betreiber — Technische Rolle, die Plattform, Zugriff, Betrieb oder Umsetzung betreut.
• Nachweis — Nachvollziehbarer Nachweis zu Entscheidung, Prüfung, Umsetzung oder Ausnahme.

Ausgangslage

Ein Datensatz kann technisch gültig sein und trotzdem für eine Entscheidung unbrauchbar. Pflichtfelder sind gefüllt, Datentypen stimmen, die Pipeline ist grün. Trotzdem fehlt vielleicht eine relevante Kundengruppe, eine Periode ist falsch abgegrenzt oder ein Status bedeutet im Fachbereich etwas anderes als im Report.

Das Problem ist nicht “zu wenig Testing”. Das Problem ist, dass Qualität ohne Zweck nicht bewertbar ist.

Zusätzliche Begriffe

• Data Quality — Eignung von Daten für einen konkreten Zweck.
• Quality Rule — prüfbare Regel, zum Beispiel Vollständigkeit, Gültigkeit oder Aktualität.
• Prüfpunkt — Entscheidungspunkt, an dem ein Ergebnis warnen, stoppen oder freigegeben werden kann.
• Data Vereinbarung — Vereinbarung zwischen Producer und Nutzer über Struktur, Bedeutung, Qualität und Änderung.
• Proof / Nachweis — Beleg, dass Regel, Prüfung und Entscheidung stattgefunden haben.

Lesepfad

1. Quality Foundations — Datenqualität verständlich machen
2. Wann Quality Gates greifen müssen
3. Quality Anti-Patterns stoppen
4. Quality in den Betrieb übergeben

Der Kern

Data Quality beantwortet immer die Frage: Sind diese Daten für diese Entscheidung gut genug?

Dafür braucht es Zweck, Regel, Schwelle, Owner, Reaktion und Nachweis. Ein Test ohne Reaktion ist Beobachtung. Eine Definition ohne Test ist Hoffnung. Ein Nachweis ohne Entscheidung ist Archiv.

Für den Vertrieb

Quality-Projekte lassen sich gut verkaufen, wenn sie an einer konkreten Entscheidung hängen: Close, Forecast, Bestand, Lieferung, Kundenkommunikation oder regulatorisches Reporting. Dann wird aus “wir machen Data Quality” ein verständlicher Projektzuschnitt.