Loading content
Data Quality beschreibt die Eignung von Daten für spezifische Verwendungszwecke durch Merkmale wie Genauigkeit, Vollständigkeit, Konsistenz und Aktualität. Das Konzept umfasst Methoden zur Messung, Governance, Data Lineage und Prozesse zur Verbesserung. Es ist zentral für vertrauenswürdige Analysen, Prozesse und automatisierte Entscheidungen.
Nutze diesen Steckbrief, um den Baustein kurz zu verstehen, ihn im Modell einzuordnen und bei Bedarf in die 360°-Bewertung zu wechseln.
Theoretisches Gebilde: erklärt einen Begriff, ein Prinzip oder ein Denkmodell.
Was du verstehen musst, um ein Themenfeld sinnvoll zu denken.
Datenqualität beschreibt, wie gut Daten für einen konkreten Zweck geeignet sind. Bewertet wird sie über prüfbare Merkmale wie Genauigkeit, Vollständigkeit, Konsistenz und Aktualität.
Im Umfeld von Data Engineering, Analytics und Data Governance entstand Datenqualität aus dem praktischen Problem, dass integrierte Datenbestände zwar verfügbar, aber nicht automatisch vertrauenswürdig oder nutzbar sind. Sobald Daten aus mehreren Quellen für Berichte, operative Abläufe oder automatisierte Entscheidungen zusammengeführt werden, braucht es gemeinsame Regeln, Messung, Validierung, Bereinigung und klare Verantwortung. ISO 8000 und ähnliche Praxisansätze systematisieren genau diesen Bedarf.
Stell dir Datenqualität als Prüfkette mit Rückkopplung vor: Profiling misst den Ist-Zustand, Regeln definieren erlaubte Werte und Beziehungen, Validierung prüft die Daten dagegen, Bereinigung behebt erkannte Abweichungen, und Monitoring zeigt, ob die Qualität später wieder driftet. Governance hält Definitionen, Zuständigkeiten und Eskalationswege fest; Data Lineage hilft, Ursachen und Auswirkungen zurückzuverfolgen.
Messbare Merkmale wie Genauigkeit, Vollständigkeit, Konsistenz, Aktualität oder Eindeutigkeit machen Qualität bewertbar.
Profiling liefert statistische Hinweise auf Verteilungen, Ausreißer, Nullwerte und Formatmuster.
Validierung prüft Daten gegen Regeln, Schemas oder Referenzwerte.
Bereinigung korrigiert, standardisiert oder entfernt fehlerhafte, doppelte oder unvollständige Einträge.
Governance legt Rollen, Standards und Entscheidungen für Datenverantwortung fest.
Monitoring erkennt Qualitätsdrift im laufenden Betrieb oder nach dem Laden von Daten.
Das Thema hilft vor Dashboards, Migrationen, Datenpipelines, ML-Modellen und automatisierten Entscheidungen. Gute Qualität reduziert Fehlentscheidungen und Nacharbeit, setzt aber gemeinsame Definitionen, klare Verantwortlichkeiten und gepflegte Prüfregeln voraus. Mehr Kontrollen erhöhen Aufwand, Latenz und Pflegebedarf; Bereinigungen können außerdem Quellprobleme verdecken, wenn sie nicht nachvollziehbar dokumentiert sind.
Wo dieser Baustein im Themenmodell verortet ist.
Keine Strukturpfade verfügbar.
Erkunde, wie dieser Wissensbaustein mit Konzepten, Methoden, Technologien und Tools verbunden ist.
Diese Quellen belegen den Begriff und seine fachliche Bedeutung.
Alle direkten Verbindungen des aktuellen Wissensbausteins in einer kompakten, textuellen Darstellung.
Diese Einordnung zeigt, in welchem Kontext der Baustein typischerweise relevant wird, wie anspruchsvoll er ist und welche Wirkung er im Modell hat.
Die Ebene innerhalb der Organisation (Unternehmen, Domäne, Team), auf der der AssetBlock angewendet wird.