- Dimensionen der Datenqualit\u00e4t entsprechend der Datenhierarchie<\/a><\/li>
- Intrinsische Dimensionen der Datenqualit\u00e4t<\/a>
- Genauigkeit<\/a><\/li>
- Abstammung<\/a><\/li>
- Semantisch<\/a><\/li>
- Struktur<\/a><\/li><\/ol><\/li>
- Dimensionen der kontextuellen Datenqualit\u00e4t<\/a>
- Vollst\u00e4ndigkeit<\/a><\/li>
- Konsistenz<\/a><\/li>
- W\u00e4hrung<\/a><\/li>
- P\u00fcnktlichkeit<\/a><\/li>
- Angemessenheit<\/a><\/li>
- Identifizierbarkeit<\/a><\/li><\/ol><\/li><\/ol><\/li>
- Welche Datenqualit\u00e4tsdimensionen sind zu verwenden?<\/a><\/li>
- Automatisierung der Datenqualit\u00e4tsmessung mit DataMatch Enterprise<\/a>
- DME-Leistung bei einem Datensatz von 2 Mio. Datens\u00e4tzen<\/a><\/li>
- Detaillierte Erstellung und Filterung von Datenqualit\u00e4tsprofilen<\/a><\/li><\/ol><\/li><\/ol>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/10-DQ-metrics-1-752x1024.png\")
<\/figure>\n\n<\/div>\n\n„84 % der CEOs sind besorgt \u00fcber die Qualit\u00e4t der Daten, auf die sie ihre Entscheidungen st\u00fctzen“.<\/p> 2016 Global CEO Outlook, Forbes Insight & KPMG <\/cite><\/blockquote>\n\n
<\/div>\n\nNahezu alle Prozesse in der Welt unterliegen einer digitalen Transformation. Der Wert physischer Informationen nimmt ab, und digitale Informationen erhalten mehr Aufmerksamkeit und werden daher auch st\u00e4rker genutzt. Die Digitalisierung von Prozessen f\u00fchrt zu einem starken Anstieg der Datenerzeugung und -erfassung. Forscher und IT-Spezialisten arbeiten an der Einf\u00fchrung neuer Datenspeichereinheiten – wie Zettabyte (10^21 Byte), Yottabyte (10^24 Byte), Brontobyte (10^27 Byte) und Geopbyte (10^30 Byte).<\/p>\n\n
<\/div>\n\nDatenqualit\u00e4t – K\u00f6nnen Sie die vorhandenen Daten verwenden?<\/h2>\n\n
Komplex wird es, wenn es darum geht, die in unterschiedlichen Quellen gespeicherten Daten zu nutzen. Die gr\u00f6\u00dfte Schwierigkeit bei der digitalen Transformation besteht darin, die Daten und ihre Attribute effizient und f\u00fcr den beabsichtigten Zweck zu nutzen.<\/p>\n\n
Die Norm ISO\/IEC 25012 definiert die Datenqualit\u00e4t als den Grad, in dem die Daten die Anforderungen ihres Verwendungszwecks erf\u00fcllen. Wenn die gespeicherten Daten nicht in der Lage sind, die Anforderungen der Organisation zu erf\u00fcllen, spricht man von schlechter Qualit\u00e4t; und die Kosten einer schlechten Datenqualit\u00e4t<\/a> werden stark untersch\u00e4tzt.<\/p>\n\n
<\/div>\n\nWas sind die Dimensionen der Datenqualit\u00e4t?<\/h2>\n\n
Diese von der ISO-Norm vorgeschlagene Definition impliziert, dass die Bedeutung der Datenqualit\u00e4t davon abh\u00e4ngt, wie Sie die Daten verwenden m\u00f6chten. So ist beispielsweise in einigen F\u00e4llen die Genauigkeit der Daten wichtiger als ihre Vollst\u00e4ndigkeit<\/a>, w\u00e4hrend in anderen F\u00e4llen das Gegenteil der Fall sein kann.<\/p>\n\n
Dieses Konzept f\u00fchrt die Idee der Datenqualit\u00e4tsdimensionen ein – was einfach bedeutet, dass die Qualit\u00e4t der Daten auf unterschiedliche Weise gemessen werden kann. Datenqualit\u00e4tsdimensionen stellen eine Liste von Metriken dar, mit deren Hilfe die Eignung von Daten f\u00fcr einen bestimmten Verwendungszweck beurteilt werden kann.<\/p>\n\n
<\/div>\n\nWie viele Dimensionen der Datenqualit\u00e4t gibt es?<\/h3>\n\n
Einige betonen sechs Dimensionen der Datenqualit\u00e4t, w\u00e4hrend andere von acht oder sogar zehn Dimensionen der Datenqualit\u00e4t sprechen. Technisch gesehen fallen alle Datenqualit\u00e4tsmetriken unter zwei gro\u00dfe Kategorien: Die erste bezieht sich auf die intrinsischen Merkmale der Daten, die zweite auf ihre kontextuellen Merkmale.<\/p>\n\n
<\/div>\n\nDimensionen der Datenqualit\u00e4t entsprechend der Datenhierarchie<\/h4>\n\n
Die Datenhierarchie in jedem Unternehmen beginnt mit einem einzigen Datenwert. Datenwerte verschiedener Attribute werden f\u00fcr eine bestimmte Entit\u00e4t oder ein bestimmtes Vorkommen zu einem Datensatz zusammengefasst. Mehrere Datens\u00e4tze (die mehrere Vorkommen desselben Typs repr\u00e4sentieren) werden zu einem Datensatz gruppiert. Diese Datens\u00e4tze k\u00f6nnen sich in jeder beliebigen Quelle oder Anwendung befinden, um die Anforderungen eines Unternehmens zu erf\u00fcllen.<\/p>\n\n
Die Dimensionen der Datenqualit\u00e4t verhalten sich auf jeder Ebene der Datenhierarchie anders und werden unterschiedlich gemessen. In der folgenden Abbildung sehen Sie, wie die Datenqualit\u00e4t auf den einzelnen Ebenen bewertet wird.<\/p>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-hierarchy-and-DQ-dimensions.png\")
<\/figure>\n\n<\/div>\n\nIn diesem Artikel werden wir diese zehn Dimensionen der Datenqualit\u00e4t behandeln, die in zwei Kategorien unterteilt sind.<\/p>\n\n
<\/div>\n\nA. Intrinsische Dimensionen der Datenqualit\u00e4t<\/h4>\n\n
Diese Dimensionen beurteilen und bewerten direkt den Wert der Daten – auf granularer Ebene: Bedeutung, Verf\u00fcgbarkeit, Bereich, Struktur, Format, Metadaten usw. Diese Dimensionen ber\u00fccksichtigen nicht den Kontext, in dem der Wert gespeichert wurde, wie z. B. seine Beziehung zu anderen Attributen oder der Datensatz, in dem er sich befindet.<\/p>\n\n
Die folgenden vier Dimensionen der Datenqualit\u00e4t fallen unter die Kategorie „intrinsisch“:<\/p>\n\n
1. Genauigkeit<\/h5>\n\n
WIE GUT BILDEN DIE DATENWERTE DIE REALIT\u00c4T\/KORREKTHEIT AB?<\/span><\/strong><\/p>\n\n
DieGenauigkeit der Datenwerte<\/a> wird gemessen, indem sie mit einer bekannten Quelle korrekter Informationen abgeglichen werden. Diese Messung kann komplex sein, wenn es mehrere Quellen gibt, die die richtigen Informationen enthalten. In solchen F\u00e4llen m\u00fcssen Sie diejenige ausw\u00e4hlen, die f\u00fcr Ihren Bereich am besten geeignet ist, und den Grad der \u00dcbereinstimmung jedes Datenwerts mit der Quelle berechnen.<\/p>\n\n
Beispiel f\u00fcr genaue Datenwerte<\/h6>\n\n
Nehmen wir eine Mitarbeiterdatenbank, die als Attribut die Kontaktnummer der Mitarbeiter enth\u00e4lt. Eine genaue Telefonnummer ist diejenige, die korrekt ist und in der Realit\u00e4t existiert. Sie k\u00f6nnen alle Telefonnummern in Ihrer Mitarbeiterdatenbank \u00fcberpr\u00fcfen, indem Sie sie mit einer offiziellen Datenbank abgleichen, die eine Liste mit g\u00fcltigen Telefonnummern enth\u00e4lt.<\/p>\n\n
2. Abstammung<\/h5>\n\n
WIE VERTRAUENSW\u00dcRDIG IST DIE HERKUNFTSQUELLE DER DATENWERTE?<\/span><\/strong><\/p>\n\n
Die Abstammung der Datenwerte wird \u00fcberpr\u00fcft oder getestet, indem die Ursprungsquelle und\/oder alle Quellen, die die Informationen im Laufe der Zeit aktualisiert haben, validiert werden. Dies ist eine wichtige Ma\u00dfnahme, da sie die Vertrauensw\u00fcrdigkeit der erfassten Daten beweist und diese sich im Laufe der Zeit weiterentwickeln.<\/p>\n\n
Beispiel f\u00fcr die Abstammung von Datenwerten<\/h6>\n\n
Im obigen Beispiel sind die Kontaktnummern der Mitarbeiter vertrauensw\u00fcrdig, wenn sie aus einer g\u00fcltigen Quelle stammen. Und die beste Quelle f\u00fcr diese Art von Informationen ist der Mitarbeiter selbst – entweder werden die Daten beim ersten Mal eingegeben oder im Laufe der Zeit aktualisiert. Wurden die Telefonnummern aus einem \u00f6ffentlichen Telefonbuch entnommen, so ist diese Quelle auf jeden Fall fragw\u00fcrdig und k\u00f6nnte m\u00f6glicherweise Fehler enthalten.<\/p>\n\n
3. Semantisch<\/h5>\n\n
ENTSPRECHEN DIE DATENWERTE IHRER BEDEUTUNG?<\/span><\/strong><\/p>\n\n
Um die Datenqualit\u00e4t zu gew\u00e4hrleisten, muss der Datenwert semantisch korrekt sein, d. h. er muss eine Bedeutung haben – insbesondere im Kontext der Organisation oder Abteilung, in der er verwendet wird. Informationen werden normalerweise zwischen verschiedenen Abteilungen und Prozessen in einem Unternehmen ausgetauscht. In solchen F\u00e4llen m\u00fcssen sich die Beteiligten und die Nutzer der Daten auf die Bedeutung aller Attribute des Datensatzes einigen, damit sie semantisch \u00fcberpr\u00fcft werden k\u00f6nnen.<\/p>\n\n
Beispiel f\u00fcr semantisch korrekte Datenwerte<\/h6>\n\n
Ihre Mitarbeiterdatenbank kann zwei Attribute haben, die die Kontaktnummern der Mitarbeiter speichern, n\u00e4mlich Telefonnummer 1 und Telefonnummer 2. Eine vereinbarte Definition der beiden Attribute k\u00f6nnte lauten, dass Telefonnummer 1 die pers\u00f6nliche Handynummer des Mitarbeiters ist, w\u00e4hrend Telefonnummer 2 seine private Telefonnummer ist.<\/p>\n\n
Es ist wichtig zu beachten, dass die Genauigkeitsmessung das Vorhandensein und die Echtheit beider Nummern best\u00e4tigt, w\u00e4hrend die semantische Messung sicherstellt, dass beide Nummern ihrer impliziten Definition entsprechen – d.h. die erste ist eine Handynummer, w\u00e4hrend die zweite eine Privatnummer ist.<\/p>\n\n
4. Aufbau<\/h5>\n\n
SIND DIE DATENWERTE IM RICHTIGEN MUSTER UND\/ODER FORMAT VORHANDEN?<\/span><\/strong><\/p>\n\n
Die Strukturanalyse bezieht sich auf die \u00dcberpr\u00fcfung der Darstellung von Datenwerten, d.h. ob die Werte ein g\u00fcltiges Muster und Format haben. Diese \u00dcberpr\u00fcfungen werden besser bei der Dateneingabe und -erfassung vorgenommen und durchgesetzt, so dass alle eingehenden Daten zun\u00e4chst validiert und bei Bedarf umgewandelt werden, bevor sie in der Anwendung gespeichert werden.<\/p>\n\n
Beispiel f\u00fcr strukturell korrekte Datenwerte<\/h6>\n\n
Im obigen Beispiel der Mitarbeiterdatenbank m\u00fcssen alle Werte in der Spalte „Telefonnummer 1“ korrekt strukturiert und formatiert sein. Ein Beispiel f\u00fcr eine schlecht strukturierte Rufnummer ist: 134556-7(9080. Es ist jedoch m\u00f6glich, dass die Zahl selbst (ohne den zus\u00e4tzlichen Bindestrich und die Klammern) korrekt und semantisch richtig ist. Aber das richtige Format und Muster der Nummer sollte sein:
B. Dimensionen der kontextuellen Datenqualit\u00e4t<\/h4>\n\n
Diese Dimensionen beurteilen und bewerten Daten in ihrem gesamten Kontext – z. B. alle Datenwerte eines Attributs zusammen oder in Datens\u00e4tzen gruppierte Datenwerte und so weiter. Diese Dimensionen konzentrieren sich auf die Beziehungen zwischen verschiedenen Datenkomponenten und deren \u00dcbereinstimmung mit den Erwartungen an die Datenqualit\u00e4t.<\/p>\n\n
Die folgenden sechs Datenqualit\u00e4tsdimensionen fallen unter die kontextbezogene Kategorie:<\/p>\n\n
5. Vollst\u00e4ndigkeit<\/h5>\n\n
SIND IHRE DATEN SO UMFASSEND, WIE SIE SIE BEN\u00d6TIGEN?<\/span><\/strong><\/p>\n\n
Die Vollst\u00e4ndigkeit gibt an, inwieweit die ben\u00f6tigten Datenwerte ausgef\u00fcllt sind und nicht leer gelassen wurden. Diese kann vertikal (Attributebene) oder horizontal (Datensatzebene) berechnet werden. In der Regel werden Felder als obligatorisch\/erforderlich gekennzeichnet, um die Vollst\u00e4ndigkeit eines Datensatzes zu gew\u00e4hrleisten. Bei der Berechnung der Vollst\u00e4ndigkeit m\u00fcssen die drei verschiedenen Arten ber\u00fccksichtigt werden, um die Genauigkeit der Ergebnisse zu gew\u00e4hrleisten:<\/p>\n\n
- Erforderliches Feld <\/strong>, das nicht leer gelassen werden kann, z. B. die nationale ID eines Mitarbeiters.<\/li>
- Optionales Feld<\/strong>, das nicht unbedingt ausgef\u00fcllt werden muss, z. B. das Feld Hobbys f\u00fcr einen Mitarbeiter.<\/li>
- Unzutreffendes Feld<\/strong>, das im Kontext des Datensatzes irrelevant ist und leer gelassen werden sollte, z. B. Name des Ehepartners bei einer nicht verheirateten Person.<\/li><\/ul>\n\n
Beispiel f\u00fcr vollst\u00e4ndige Daten<\/h6>\n\n
Ein Beispiel f\u00fcr vertikale Vollst\u00e4ndigkeit ist die Berechnung des Prozentsatzes der Arbeitnehmer, f\u00fcr die die Telefonnummer 1 angegeben ist. Ein Beispiel f\u00fcr horizontale Vollst\u00e4ndigkeit ist die Berechnung des prozentualen Anteils der vollst\u00e4ndigen Informationen zu einem bestimmten Mitarbeiter; so k\u00f6nnen die Daten eines Mitarbeiters zu 80 % vollst\u00e4ndig sein, w\u00e4hrend seine Kontaktnummer und seine Wohnanschrift fehlen.<\/p>\n\n
6. Konsistenz<\/h5>\n\n
HABEN UNTERSCHIEDLICHE DATENSPEICHER DIESELBEN DATENWERTE F\u00dcR DIESELBEN DATENS\u00c4TZE?<\/span><\/strong><\/p>\n\n
Bei der Konsistenzpr\u00fcfung wird gepr\u00fcft, ob die f\u00fcr denselben Datensatz in verschiedenen Quellen gespeicherten Datenwerte widerspruchsfrei und exakt gleich sind – sowohl in Bezug auf die Bedeutung als auch auf die Struktur und das Format.<\/p>\n\n
Konsistente Daten helfen bei der Erstellung einheitlicher und genauer Berichte \u00fcber alle Funktionen und Abl\u00e4ufe in Ihrem Unternehmen. Konsistenz bezieht sich nicht nur auf die Bedeutung der Datenwerte, sondern auch auf ihre Darstellung; wenn beispielsweise Werte nicht anwendbar oder nicht verf\u00fcgbar sind, m\u00fcssen einheitliche Begriffe verwendet werden, um die Nichtverf\u00fcgbarkeit von Daten in allen Quellen darzustellen.<\/p>\n\n
Beispiele f\u00fcr konsistente Daten<\/h6>\n\n
Mitarbeiterinformationen werden in der Regel in Anwendungen f\u00fcr die Personalverwaltung gespeichert, aber die Datenbank muss auch f\u00fcr andere Abteilungen wie die Lohnbuchhaltung oder die Finanzabteilung freigegeben oder repliziert werden. Um die Konsistenz zu gew\u00e4hrleisten, m\u00fcssen alle datenbank\u00fcbergreifend gespeicherten Attribute die gleichen Werte haben. Andernfalls k\u00f6nnen Unterschiede bei der Bankkontonummer oder anderen wichtigen Feldern zu einem gro\u00dfen Problem werden.<\/p>\n\n
7. W\u00e4hrung<\/h5>\n\n
SIND IHRE DATEN AKZEPTABEL AUF DEM NEUESTEN STAND?<\/span><\/strong><\/p>\n\n
Die Aktualit\u00e4t bezieht sich darauf, inwieweit die Datenattribute im Zusammenhang mit ihrer Verwendung das richtige Alter haben. Diese Ma\u00dfnahme tr\u00e4gt dazu bei, die Informationen auf dem neuesten Stand und in \u00dcbereinstimmung mit der aktuellen Welt zu halten, so dass Ihre Momentaufnahmen von Daten nicht Wochen oder Monate alt sind, was dazu f\u00fchrt, dass Sie kritische Entscheidungen auf der Grundlage veralteter Informationen pr\u00e4sentieren und treffen m\u00fcssen.<\/p>\n\n
Um die Aktualit\u00e4t Ihres Datensatzes zu gew\u00e4hrleisten, k\u00f6nnen Sie Erinnerungen zur Datenaktualisierung einrichten oder Altersgrenzen f\u00fcr ein Attribut festlegen, um sicherzustellen, dass alle Werte in einer bestimmten Zeit \u00fcberpr\u00fcft und aktualisiert werden.<\/p>\n\n
Beispiel f\u00fcr aktuelle Daten<\/h6>\n\n
Die Kontaktinformationen Ihres Mitarbeiters sollten rechtzeitig \u00fcberpr\u00fcft werden, um festzustellen, ob sich in letzter Zeit etwas ge\u00e4ndert hat und im System aktualisiert werden muss.<\/p>\n\n
8. Rechtzeitigkeit<\/h5>\n\n
WIE SCHNELL WERDEN DIE ANGEFORDERTEN DATEN ZUR VERF\u00dcGUNG GESTELLT?<\/span><\/strong><\/p>\n\n
Die Aktualit\u00e4t misst die Zeit, die ben\u00f6tigt wird, um auf die angeforderten Informationen zuzugreifen. Wenn die Bearbeitung Ihrer Datenabfragen zu lange dauert, kann es sein, dass Ihre Daten nicht gut organisiert, verkn\u00fcpft, strukturiert oder formatiert sind.<\/p>\n\n
Die Aktualit\u00e4t misst auch, wie schnell die neuen Informationen in allen Quellen zur Verf\u00fcgung stehen. Wenn Ihr Unternehmen komplexe und zeitaufw\u00e4ndige Prozesse zur Speicherung eingehender Daten einsetzt, kann es passieren, dass Benutzer an einigen Stellen alte Informationen abfragen und verwenden.<\/p>\n\n
Beispiel f\u00fcr Rechtzeitigkeit<\/h6>\n\n
Um die Aktualit\u00e4t zu gew\u00e4hrleisten, k\u00f6nnen Sie die Antwortzeit Ihrer Mitarbeiterdatenbank \u00fcberpr\u00fcfen. Dar\u00fcber hinaus k\u00f6nnen Sie auch testen, wie lange es dauert, bis die in der HR-Anwendung aktualisierten Informationen in der Gehaltsabrechnungsanwendung repliziert werden usw.<\/p>\n\n
9. Angemessenheit<\/h5>\n\n
HABEN DIE DATENWERTE DEN RICHTIGEN DATENTYP UND DIE RICHTIGE GR\u00d6SSE?<\/span><\/strong><\/p>\n\n
Die Angemessenheit misst den Grad, in dem Datenwerte einen angemessenen oder verst\u00e4ndlichen Datentyp und eine angemessene Gr\u00f6\u00dfe haben. So ist es beispielsweise \u00fcblich, Zahlen in einem alphanumerischen Zeichenfolgenfeld zu speichern, aber die Vernunft sorgt daf\u00fcr, dass ein Attribut, das nur Zahlen speichert, vom Typ Zahl sein sollte.<\/p>\n\n
Dar\u00fcber hinaus erzwingt die Vern\u00fcnftigkeit auch die Begrenzung von H\u00f6chst- und Mindestzeichen f\u00fcr Attribute, so dass keine ungew\u00f6hnlich langen Zeichenfolgen in der Datenbank vorkommen. Die Plausibilit\u00e4tsma\u00dfnahme reduziert den Raum f\u00fcr Fehler, indem sie Beschr\u00e4nkungen f\u00fcr den Datentyp und die Gr\u00f6\u00dfe eines Attributs erzwingt.<\/p>\n\n
Beispiel f\u00fcr Angemessenheit<\/h6>\n\n
Das Feld Telefonnummer 1 sollte – wenn es ohne Bindestriche und Sonderzeichen gespeichert wird – auf numerisch eingestellt sein und eine maximale Zeichenbegrenzung haben, damit nicht versehentlich zus\u00e4tzliche alphanumerische Zeichen hinzugef\u00fcgt werden.<\/p>\n\n
10. Identifizierbarkeit<\/h5>\n\n
STELLT JEDER DATENSATZ EINE EINDEUTIGE IDENTIT\u00c4T DAR UND IST KEIN DUPLIKAT?<\/span><\/strong><\/p>\n\n
Die Identifizierbarkeit berechnet den Grad, in dem Datens\u00e4tze eindeutig identifizierbar sind und keine Duplikate voneinander sind.<\/p>\n\n
Um die Identifizierbarkeit zu gew\u00e4hrleisten, wird f\u00fcr jeden Datensatz ein eindeutig identifizierendes Attribut in der Datenbank gespeichert. In einigen F\u00e4llen, wie z. B. bei Organisationen des Gesundheitswesens, werden jedoch pers\u00f6nlich identifizierbare Informationen (PII) entfernt, um die Vertraulichkeit der Patienten zu wahren. An dieser Stelle m\u00fcssen Sie m\u00f6glicherweise Fuzzy-Matching-Techniken<\/a> anwenden, um Datens\u00e4tze zu vergleichen, abzugleichen und zusammenzuf\u00fchren.<\/p>\n\n
Beispiel f\u00fcr Identifizierbarkeit<\/h6>\n\n
Ein Beispiel f\u00fcr die Identifizierbarkeit ist die Vorgabe, dass jeder neue Datensatz in der Mitarbeiterdatenbank eine eindeutige Mitarbeiter-ID-Nummer enthalten muss, \u00fcber die er identifiziert werden kann.<\/p>\n\n
<\/div>\n\nWelche Datenqualit\u00e4tsdimensionen sind zu verwenden?<\/h3>\n\n
Wir haben die zehn am h\u00e4ufigsten verwendeten Datenqualit\u00e4tsmetriken untersucht. Da jedes Unternehmen seine eigenen Anforderungen und KPIs hat, m\u00fcssen Sie m\u00f6glicherweise andere Metriken verwenden oder eigene erstellen. Die Auswahl der Datenqualit\u00e4tsdimensionen h\u00e4ngt von mehreren Faktoren ab, z. B. von der Branche, in der Ihr Unternehmen t\u00e4tig ist, von der Art Ihrer Daten und von der Rolle, die sie f\u00fcr den Erfolg Ihrer Ziele spielen.<\/p>\n\n
Da jede Branche ihre eigenen Datenregeln, Berichterstattungsmechanismen und Messkriterien hat, werden unterschiedliche Datenqualit\u00e4tsmetriken verwendet, um den jeweiligen Anforderungen gerecht zu werden, z. B. Beh\u00f6rden, Finanz- und Versicherungsabteilungen, Gesundheitseinrichtungen, Vertrieb und Marketing, Einzelhandel oder Bildungssysteme usw.<\/p>\n\n
<\/div>\n\nAutomatisierung der Datenqualit\u00e4tsmessung mit DataMatch Enterprise<\/h2>\n\n
Wenn man bedenkt, wie komplex die Messung der Datenqualit\u00e4t werden kann, ist dies ein Prozess, von dem man normalerweise erwartet, dass er von technisch versierten oder datenkundigen Fachleuten durchgef\u00fchrt wird. Die Nichtverf\u00fcgbarkeit fortgeschrittener Profiling-Funktionen<\/a> in einem Self-Service-Datenqualit\u00e4ts-Tool ist eine h\u00e4ufige Herausforderung.<\/p>\n\n
Ein Self-Service-Tool f\u00fcr die Datenqualit\u00e4t, das eine schnelle 360\u00b0-Sicht auf die Daten erm\u00f6glicht und grundlegende Anomalien wie leere Werte, Felddatentypen, wiederkehrende Muster und andere deskriptive Statistiken erkennt, ist eine Grundvoraussetzung f\u00fcr jede datengesteuerte Initiative. DataMatch Enterprise von Data Ladder ist eine vollwertige Datenqualit\u00e4tsl\u00f6sung, die nicht nur eine Bewertung der Datenqualit\u00e4t bietet, sondern auch detaillierte Datenbereinigung<\/a>, -abgleich<\/a> und -zusammenf\u00fchrung<\/a> durchf\u00fchrt.<\/p>\n\n
DME-Leistung bei einem Datensatz von 2 Mio. Datens\u00e4tzen<\/h3>\n\n
Mit DataMatch Enterprise k\u00f6nnen Sie schnelle Genauigkeits-, Vollst\u00e4ndigkeits- und Validierungspr\u00fcfungen<\/a> durchf\u00fchren. Anstatt Diskrepanzen in Ihrem Datensatz manuell zu identifizieren und zu markieren, kann Ihr Team mit DME im Alleingang einen Bericht erstellen, der verschiedene Datenqualit\u00e4tsmetriken in nur wenigen Sekunden kennzeichnet und nummeriert – selbst bei einer Stichprobengr\u00f6\u00dfe von 2 Millionen Datens\u00e4tzen.<\/p>\n\n
Die Leistung von DataMatch Enterprise bei einem Datensatz mit 2 Millionen Datens\u00e4tzen wurde wie folgt aufgezeichnet:<\/p>\n\n
<\/div>\n\n![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/DME-performance.png\")
<\/figure>\n\n<\/div>\n\nDetaillierte Erstellung und Filterung von Datenqualit\u00e4tsprofilen <\/h4>\n\n
Hier ist ein Beispielprofil, das mit DME in weniger als 10 Sekunden f\u00fcr etwa 2000 Datens\u00e4tze erstellt wurde: <\/p>\n\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/Data-profiling-in-DME-1-min-1024x474.png\")
<\/figure>\n\n<\/div>\n\nDieses pr\u00e4gnante Datenprofil hebt den Inhalt und die Strukturdetails aller ausgew\u00e4hlten Datenattribute hervor. Dar\u00fcber hinaus k\u00f6nnen Sie auch zu Besonderheiten navigieren, z. B. zur Liste der 12 % Datens\u00e4tze, in denen der zweite Vorname des Kontakts fehlt. <\/p>\n\n
![\"\"](\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/12\/Data-filtering-in-DME-min-1024x597.png\")
<\/figure>\n\n<\/div>\n\nWenn Sie mehr dar\u00fcber erfahren m\u00f6chten, wie unsere L\u00f6sung zur L\u00f6sung Ihrer Datenqualit\u00e4tsprobleme beitragen kann, melden Sie sich noch heute f\u00fcr eine kostenlose Testversion an<\/a> oder vereinbaren Sie eine Demo mit einem unserer Experten.<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
In diesem Blog: Datenqualit\u00e4t – K\u00f6nnen Sie die vorhandenen Daten verwenden? Was sind die Dimensionen der Datenqualit\u00e4t? Wie viele Dimensionen der Datenqualit\u00e4t gibt es? Dimensionen der Datenqualit\u00e4t entsprechend der Datenhierarchie Intrinsische Dimensionen der Datenqualit\u00e4t Genauigkeit Abstammung Semantisch Struktur Dimensionen der kontextuellen Datenqualit\u00e4t Vollst\u00e4ndigkeit Konsistenz W\u00e4hrung P\u00fcnktlichkeit Angemessenheit Identifizierbarkeit Welche Datenqualit\u00e4tsdimensionen sind zu verwenden? Automatisierung der […]<\/p>\n","protected":false},"author":9,"featured_media":61321,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1212,1346,1245],"tags":[529],"acf":[],"yoast_head":"\n
Dimensionen der Datenqualit\u00e4t - 10 Metriken, die Sie messen sollten - Data Ladder<\/title>\n<meta name=\"description\" content=\"Die Dimensionen der Datenqualit\u00e4t werden auf jeder Ebene der Datenhierarchie unterschiedlich gemessen. Sehen wir uns die 10 Datenqualit\u00e4tsmetriken an, auf die Sie sich konzentrieren sollten.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Dimensionen der Datenqualit\u00e4t - 10 Metriken, die Sie messen sollten - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"Die Dimensionen der Datenqualit\u00e4t werden auf jeder Ebene der Datenhierarchie unterschiedlich gemessen. Sehen wir uns die 10 Datenqualit\u00e4tsmetriken an, auf die Sie sich konzentrieren sollten.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\" \/>\n<meta property=\"og:site_name\" content=\"Data Ladder\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/web.facebook.com\/DataLadderSoftware\" \/>\n<meta property=\"article:published_time\" content=\"2021-12-17T05:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-01-07T12:55:23+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-quality-dimensions-10-data-quality-metrics-you-should-be-measuring.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1000\" \/>\n\t<meta property=\"og:image:height\" content=\"696\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"lbarrera\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"lbarrera\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"13 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Dimensionen der Datenqualit\u00e4t – 10 Metriken, die Sie messen sollten\",\"datePublished\":\"2021-12-17T05:00:00+00:00\",\"dateModified\":\"2022-01-07T12:55:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\"},\"wordCount\":2651,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/de\/#organization\"},\"keywords\":[\"Datenqualit\u00e4t\"],\"articleSection\":[\"Data quality management\",\"Metriken zur Datenqualit\u00e4t\",\"Verwaltung der Datenqualit\u00e4t\"],\"inLanguage\":\"de-DE\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\",\"url\":\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\",\"name\":\"Dimensionen der Datenqualit\u00e4t - 10 Metriken, die Sie messen sollten - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/de\/#website\"},\"datePublished\":\"2021-12-17T05:00:00+00:00\",\"dateModified\":\"2022-01-07T12:55:23+00:00\",\"description\":\"Die Dimensionen der Datenqualit\u00e4t werden auf jeder Ebene der Datenhierarchie unterschiedlich gemessen. Sehen wir uns die 10 Datenqualit\u00e4tsmetriken an, auf die Sie sich konzentrieren sollten.\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Dimensionen der Datenqualit\u00e4t – 10 Metriken, die Sie messen sollten\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/dataladder.com\/de\/#website\",\"url\":\"https:\/\/dataladder.com\/de\/\",\"name\":\"Data Ladder\",\"description\":\"Enterprise Data Profiling, Cleansing, and Matching\",\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/dataladder.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de-DE\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/dataladder.com\/de\/#organization\",\"name\":\"Data Ladder\",\"url\":\"https:\/\/dataladder.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/dataladder.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"contentUrl\":\"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png\",\"width\":413,\"height\":408,\"caption\":\"Data Ladder\"},\"image\":{\"@id\":\"https:\/\/dataladder.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.linkedin.com\/company\/dataladder-llc\/\",\"https:\/\/web.facebook.com\/DataLadderSoftware\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\",\"name\":\"lbarrera\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de-DE\",\"@id\":\"https:\/\/dataladder.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g\",\"caption\":\"lbarrera\"},\"url\":\"https:\/\/dataladder.com\/de\/author\/lbarrera\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Dimensionen der Datenqualit\u00e4t - 10 Metriken, die Sie messen sollten - Data Ladder","description":"Die Dimensionen der Datenqualit\u00e4t werden auf jeder Ebene der Datenhierarchie unterschiedlich gemessen. Sehen wir uns die 10 Datenqualit\u00e4tsmetriken an, auf die Sie sich konzentrieren sollten.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/","og_locale":"de_DE","og_type":"article","og_title":"Dimensionen der Datenqualit\u00e4t - 10 Metriken, die Sie messen sollten - Data Ladder","og_description":"Die Dimensionen der Datenqualit\u00e4t werden auf jeder Ebene der Datenhierarchie unterschiedlich gemessen. Sehen wir uns die 10 Datenqualit\u00e4tsmetriken an, auf die Sie sich konzentrieren sollten.","og_url":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2021-12-17T05:00:00+00:00","article_modified_time":"2022-01-07T12:55:23+00:00","og_image":[{"width":1000,"height":696,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/11\/Data-quality-dimensions-10-data-quality-metrics-you-should-be-measuring.jpg","type":"image\/jpeg"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"lbarrera","Gesch\u00e4tzte Lesezeit":"13 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Dimensionen der Datenqualit\u00e4t – 10 Metriken, die Sie messen sollten","datePublished":"2021-12-17T05:00:00+00:00","dateModified":"2022-01-07T12:55:23+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/"},"wordCount":2651,"publisher":{"@id":"https:\/\/dataladder.com\/de\/#organization"},"keywords":["Datenqualit\u00e4t"],"articleSection":["Data quality management","Metriken zur Datenqualit\u00e4t","Verwaltung der Datenqualit\u00e4t"],"inLanguage":"de-DE"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/","url":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/","name":"Dimensionen der Datenqualit\u00e4t - 10 Metriken, die Sie messen sollten - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/de\/#website"},"datePublished":"2021-12-17T05:00:00+00:00","dateModified":"2022-01-07T12:55:23+00:00","description":"Die Dimensionen der Datenqualit\u00e4t werden auf jeder Ebene der Datenhierarchie unterschiedlich gemessen. Sehen wir uns die 10 Datenqualit\u00e4tsmetriken an, auf die Sie sich konzentrieren sollten.","breadcrumb":{"@id":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/de\/"},{"@type":"ListItem","position":2,"name":"Dimensionen der Datenqualit\u00e4t – 10 Metriken, die Sie messen sollten"}]},{"@type":"WebSite","@id":"https:\/\/dataladder.com\/de\/#website","url":"https:\/\/dataladder.com\/de\/","name":"Data Ladder","description":"Enterprise Data Profiling, Cleansing, and Matching","publisher":{"@id":"https:\/\/dataladder.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/dataladder.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de-DE"},{"@type":"Organization","@id":"https:\/\/dataladder.com\/de\/#organization","name":"Data Ladder","url":"https:\/\/dataladder.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/dataladder.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","contentUrl":"https:\/\/dataladder.com\/wp-content\/uploads\/2018\/06\/DL-Logo-Ball-30.png","width":413,"height":408,"caption":"Data Ladder"},"image":{"@id":"https:\/\/dataladder.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.linkedin.com\/company\/dataladder-llc\/","https:\/\/web.facebook.com\/DataLadderSoftware"]},{"@type":"Person","@id":"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b","name":"lbarrera","image":{"@type":"ImageObject","inLanguage":"de-DE","@id":"https:\/\/dataladder.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/5198cb4dd374e7d879a15a9cf20299b3?s=96&d=mm&r=g","caption":"lbarrera"},"url":"https:\/\/dataladder.com\/de\/author\/lbarrera\/"}]}},"modified_by":null,"_links":{"self":[{"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts\/62225"}],"collection":[{"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/users\/9"}],"replies":[{"embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/comments?post=62225"}],"version-history":[{"count":3,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts\/62225\/revisions"}],"predecessor-version":[{"id":64550,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts\/62225\/revisions\/64550"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/media\/61321"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/media?parent=62225"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/categories?post=62225"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/tags?post=62225"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}} - Optionales Feld<\/strong>, das nicht unbedingt ausgef\u00fcllt werden muss, z. B. das Feld Hobbys f\u00fcr einen Mitarbeiter.<\/li>
- Detaillierte Erstellung und Filterung von Datenqualit\u00e4tsprofilen<\/a><\/li><\/ol><\/li><\/ol>\n\n
- Konsistenz<\/a><\/li>
- Abstammung<\/a><\/li>
- Intrinsische Dimensionen der Datenqualit\u00e4t<\/a>