Teil 1
Quality Foundations — Datenqualität verständlich machen
Diese Serie erklärt Datenqualität so, dass Fachbereiche, Stewards und technische Teams dieselbe Sprache nutzen können. Sie ist kein Testkatalog. Sie zeigt, wie man Qualität an Zweck, Entscheidung, Verantwortung und Nachweis bindet.
Begriffe vor dem Lesen
- Datenqualität / Data Quality — 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.
- Quality Gate — Prüfpunkt, der bei einem kritischen Fehler warnt, stoppt oder eine Freigabe verlangt.
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. Ein Vertriebsforecast braucht andere Qualitätsgrenzen als eine Rechnung, ein KI-Training oder eine regulatorische Meldung. Governance sorgt dafür, dass diese Grenzen ausgesprochen, vereinbart und später überprüfbar bleiben.
Der Kern
Datenqualität beantwortet immer die Frage: Sind diese Daten für diese Entscheidung gut genug?
Dafür braucht es Zweck, Regel, Schwelle, verantwortliche Person, Reaktion und Nachweis. Ein Test ohne Reaktion ist Beobachtung. Eine Definition ohne Test ist Hoffnung. Ein Nachweis ohne Entscheidung ist Archiv.
Von der Geschäftsfrage zur prüfbaren Regel
Beginnt nicht mit einer Spaltenliste, sondern mit einer Entscheidung. Für einen Liefertermin lautet die Geschäftsfrage etwa: „Kann der Kundenservice das zugesagte Datum verlässlich nennen?“ Daraus folgen erst die Datenanforderungen: Auftragsnummer und Lieferposition müssen eindeutig sein, der Lieferstatus muss eine vereinbarte Bedeutung besitzen und der Zeitstempel darf nicht älter als die letzte relevante Bestandsänderung sein.
Eine brauchbare Qualitätsregel enthält sechs Bestandteile:
- Zweck: Welche Entscheidung oder Verpflichtung schützt die Regel?
- Umfang: Welche Daten, Zeiträume und Fälle werden geprüft?
- Erwartung: Welcher Zustand gilt als richtig?
- Schwelle: Welche Abweichung ist noch vertretbar?
- Reaktion: Wird gewarnt, gestoppt oder fachlich entschieden?
- Verantwortung: Wer bewertet die Auswirkung und wer behebt die Ursache?
„Kundennummer darf nicht leer sein“ ist deshalb noch keine vollständige Regel. Sie muss erklären, für welche Kunden und Prozesse sie gilt, wie ein fehlender Wert die Nutzung beeinflusst und was nach einem Fehler geschieht.
Qualität besitzt mehrere Dimensionen
Vollständigkeit fragt, ob benötigte Werte vorhanden sind. Gültigkeit prüft Formate und erlaubte Werte. Eindeutigkeit verhindert unbeabsichtigte Dubletten. Konsistenz vergleicht zusammengehörige Aussagen. Aktualität betrachtet, ob Daten rechtzeitig vorliegen. Fachliche Richtigkeit fragt schließlich, ob der Wert die Realität angemessen beschreibt.
Keine einzelne Dimension genügt. Ein vollständig gefüllter, formal gültiger und aktueller Datensatz kann trotzdem den falschen Kundenstatus enthalten.
Was gemessen werden sollte
- Fehlerquote mit Zähler, Nenner und geprüfter Grundgesamtheit
- Zahl kritischer Regeln, die tatsächlich ausgeführt wurden
- Zeit von Erkennung bis fachlicher Bewertung und bis zur Ursachenbehebung
- wiederkehrende Fehler nach Quelle und Ursache
- befristete Ausnahmen sowie deren Alter und Ablauf
Ein Gesamtwert darf zur Orientierung dienen. Die kritischen Regeln und betroffenen Teilmengen müssen darunter weiterhin sichtbar bleiben.
Für den Vertrieb
Quality-Projekte lassen sich gut verkaufen, wenn sie an einer konkreten Entscheidung hängen: Monatsabschluss, Forecast, Bestand, Lieferung, Kundenkommunikation oder regulatorisches Reporting. Dann wird aus “wir machen Datenqualität” ein verständlicher Projektzuschnitt: Welche Entscheidung wird sicherer, welche Regel schützt sie, wer reagiert bei Abweichungen und welcher Nachweis bleibt übrig?
