Datenqualität misst, wie gut Daten für ihren vorgesehenen Zweck geeignet sind: korrekt, vollständig, konsistent, aktuell und gültig. Fehlerhafte Daten können vielfältig sein: fehlende Werte, doppelte Datensätze, Datumsangaben im falschen Format oder nicht existierende Adressen. Jeder Fehler verursacht Kosten. So kann beispielsweise eine Marketingkampagne Briefe an ungültige Adressen versenden. Ein Finanzbericht weist aufgrund von Duplikaten zu hohe Umsätze aus. Ein Modell für maschinelles Lernen liefert verzerrte Vorhersagen, weil die Trainingsdaten unvollständig waren.

Datenqualität ist keine einmalige Angelegenheit, sondern ein kontinuierlicher Prozess. Definieren Sie Qualitätsdimensionen für jeden Datensatz. Messen Sie diese regelmäßig. Legen Sie Schwellenwerte für akzeptable Qualität fest. Untersuchen Sie, wenn die Werte sinken. Die Ursachen liegen meist in Prozessproblemen, nicht in technischen. Unvalidierte Dateneingabe führt zu Fehlern. Systeme ohne gemeinsame Kunden-ID erzeugen Duplikate. Prozesse, die unvollständige Datensätze zulassen, verursachen Lücken. Die Behebung der Prozessfehler verhindert diese. Korrigiert man die Daten ohne die Prozesskorrektur, kehren die Fehler zurück. Tools zur Datenqualitätssicherung unterstützen Profiling, Bereinigung und Überwachung. Sie ersetzen jedoch nicht die Verantwortung. Für jeden Datensatz muss jemand verantwortlich sein. Ohne diese Verantwortlichkeit verschlechtert sich die Qualität. Sie verschlechtert sich immer.

Dimensionen der Datenqualität

• Genauigkeit – Daten spiegeln die Realität wider
• Vollständigkeit – keine fehlenden Werte
• Konsistenz – dieselben Daten in allen Systemen
• Aktualität – die Daten sind aktuell
• Gültigkeit – Daten entsprechen den Regeln
• Einzigartigkeit – keine Duplikate

Datenqualität ist eine Aufgabe für alle. Wenn sich niemand darum kümmert, scheitert das System.