{"id":62249,"date":"2021-12-02T09:36:01","date_gmt":"2021-12-02T09:36:01","guid":{"rendered":"https:\/\/dataladder.com\/messung-der-datenqualitaet-wann-sollten-sie-sich-sorgen-machen\/"},"modified":"2021-12-21T13:52:53","modified_gmt":"2021-12-21T13:52:53","slug":"messung-der-datenqualitaet-wann-sollten-sie-sich-sorgen-machen","status":"publish","type":"post","link":"https:\/\/dataladder.com\/de\/messung-der-datenqualitaet-wann-sollten-sie-sich-sorgen-machen\/","title":{"rendered":"Messung der Datenqualit\u00e4t: Wann sollten Sie sich Sorgen machen?"},"content":{"rendered":"\n

Im M\u00e4rz 2017 st\u00fcrzte die Rescue 116 auf ein 282 Fu\u00df hohes Hindernis<\/a> – die Blackrock Island vor der K\u00fcste der Grafschaft Mayo. Weitere Untersuchungen ergaben, dass der Hubschrauberbetreiber CHC Ireland nicht \u00fcber ein „formalisiertes, standardisiertes, kontrolliertes oder regelm\u00e4\u00dfiges“ System verf\u00fcgte. Aus diesem Grund fehlten in der Datenbank, die der Betreiber zur \u00dcberpr\u00fcfung der Flugrouten verwendet, Angaben zur Blackrock-Insel. Berichten zufolge wurde die Besatzung erst 13 Sekunden vor dem Hindernis auf ihrer Flugroute gewarnt. Das Schlimmste daran ist, dass vier Jahre vor dem Vorfall eine Beschwerde \u00fcber diese Ungenauigkeit in der Datenbank der irischen K\u00fcstenwache eingereicht wurde, aber keine Abhilfema\u00dfnahmen getroffen wurden.<\/p>\n\n

In einer Welt, in der jede Handlung datengesteuert ist (ob diese Tatsache nun offiziell anerkannt wird oder nicht), beweisen solche Vorf\u00e4lle, dass die Kosten einer schlechten Datenqualit\u00e4t stark untersch\u00e4tzt werden. Die gr\u00f6\u00dfte Herausforderung bei der Bewertung der Datenqualit\u00e4t besteht jedoch darin, dass es keine schnellen und zeitnahen Ma\u00dfnahmen gibt, die die Beteiligten warnen k\u00f6nnen, wenn die Qualit\u00e4t ihrer Daten unter einen akzeptablen Wert f\u00e4llt.<\/p>\n\n

<\/div>\n\n

Zehn Dimensionen der Bewertung der Datenqualit\u00e4t<\/strong><\/h3>\n\n

Einfach ausgedr\u00fcckt: Datenqualit\u00e4t ist dann gew\u00e4hrleistet, wenn die Daten f\u00fcr den beabsichtigten Zweck verwendet werden k\u00f6nnen, ohne dass dabei Fehler auftreten. Die Datenqualit\u00e4t wird in der Regel anhand dieser zehn kritischen Dimensionen gemessen:<\/a><\/p>\n\n

<\/div>\n\n
\"\"<\/figure>\n\n
<\/div>\n\n

Es stellt sich jedoch h\u00e4ufig die Frage, wie schnell diese Dimensionen gemessen werden k\u00f6nnen – und auf welchem Niveau -, so dass die Teams rechtzeitig vor einer Verschlechterung der Datenqualit\u00e4t und deren Auswirkungen auf die Datenbetriebskosten gewarnt werden k\u00f6nnen.<\/p>\n\n

<\/div>\n\n

Messung am Freitagnachmittag (FAM) – Schnelle Bewertung der Datenqualit\u00e4t<\/strong><\/h3>\n\n

Tom Redman schlug die Friday Afternoon Measurement-Methode (FAM) vor<\/a>, mit der die Frage schnell und wirkungsvoll beantwortet werden kann: Muss ich mir Sorgen um die Datenqualit\u00e4t machen?<\/p>\n\n

Diese Methode bietet eine schnelle und effektive Berechnungsmethode, die an einem Freitagnachmittag, wenn der Arbeitsrhythmus sich verlangsamt hat, in etwa einer Stunde erledigt werden kann – daher auch der Name. Mit dieser Methode kann die Datenqualit\u00e4t w\u00f6chentlich bewertet werden, so dass rote Fahnen gesetzt werden k\u00f6nnen, bevor die Situation au\u00dfer Kontrolle ger\u00e4t. Nach Ansicht der FAM kann die Datenqualit\u00e4t wie folgt gemessen werden:<\/p>\n\n

<\/div>\n\n

Schritt 1: Zusammenstellung aktueller Daten<\/strong><\/h4>\n\n

Beginnen Sie mit der Sammlung von Beispieldaten aus den j\u00fcngsten datenbezogenen Aktivit\u00e4ten in Ihrer Abteilung. F\u00fcr die Vertriebsabteilung k\u00f6nnen dies zum Beispiel die letzten 100 Datens\u00e4tze in Ihrem CRM sein. Hier k\u00f6nnen Sie entweder die zuletzt erstellten oder die zuletzt verwendeten Daten verwenden. Sobald Sie diese 100 Datens\u00e4tze haben, w\u00e4hlen Sie 10-15 Datenelemente oder Attribute aus – im Grunde die wichtigsten Informationen \u00fcber diese Datens\u00e4tze.<\/p>\n\n

<\/div>\n\n

Schritt 2: Kennzeichnung von fehlerhaften und fehlerfreien Datens\u00e4tzen<\/strong><\/h4>\n\n

Laden Sie einige Personen aus Ihrem Team ein, die sich mit den betreffenden Daten auskennen, und bitten Sie sie, an einem zweist\u00fcndigen Treffen mit Ihnen teilzunehmen. Gehen Sie die ausgew\u00e4hlten Datens\u00e4tze und ihre Attribute durch und markieren Sie alle Werte, bei denen Sie einen Datenqualit\u00e4tsfehler feststellen (d. h. der Wert ist null, ung\u00fcltig, falsch geschrieben usw.).<\/p>\n\n

Dieser Vorgang dauert in der Regel nicht sehr lange, da Fehler in der Datenqualit\u00e4t meist offensichtlich sind. Es k\u00f6nnte jedoch eine kleine Anzahl von Datens\u00e4tzen geben, die tiefere Diskussionen zwischen den Teammitgliedern erfordern, um Probleme mit der Datenqualit\u00e4t zu analysieren.<\/p>\n\n

Wenn Sie diese Unstimmigkeiten in allen Datens\u00e4tzen markiert haben, k\u00f6nnen Sie nun eine neue Spalte mit der Bezeichnung „Perfekter Datensatz“ in den Beispieldatensatz einf\u00fcgen und die Spaltenwerte je nachdem, ob bei einem Datensatz ein Fehler aufgetreten ist oder nicht, ausf\u00fcllen. Am Ende k\u00f6nnen Sie die Anzahl der im Musterdatensatz markierten fehlerhaften und fehlerfreien Datens\u00e4tze addieren und berechnen.<\/p>\n\n

\"\"<\/figure>\n\n
<\/div>\n\n

Schritt 3: Messung der Datenqualit\u00e4t in Prozent<\/strong><\/h4>\n\n

Jetzt ist es an der Zeit, die Dinge ins rechte Licht zu r\u00fccken und schl\u00fcssige Ergebnisse zu erzielen. Angenommen, von den letzten 100 Datens\u00e4tzen, die Ihr Team erstellt oder verwendet hat, erwiesen sich nur 62 als vollkommen perfekt, w\u00e4hrend die restlichen 38 einen oder mehrere Datenqualit\u00e4tsfehler aufwiesen. Eine Fehlerquote von 38 % in einem k\u00fcrzlich erhobenen\/verwendeten Datensatz l\u00e4sst die Alarmglocken schrillen und best\u00e4tigt, dass Ihre Abteilung ein Problem mit der Datenqualit\u00e4t hat.<\/p>\n\n

<\/div>\n\n

Schritt 4: Anwendung der Zehnerregel (RoT) zur Berechnung der Kosten einer schlechten Datenqualit\u00e4t<\/strong><\/h4>\n\n

Die Methode ist hier noch nicht zu Ende. Dar\u00fcber hinaus werden die gesch\u00e4tzten Kosten einer schlechten Datenqualit\u00e4t berechnet, so dass Ihr Team – und die F\u00fchrungskr\u00e4fte – die Auswirkungen schlechter Daten verstehen k\u00f6nnen. Bei dieser Kostenberechnung wird die Zehnerregel ber\u00fccksichtigt: Es kostet zehnmal mehr, eine Arbeitseinheit abzuschlie\u00dfen, wenn die Daten fehlerhaft sind, als wenn sie perfekt sind.<\/p>\n\n

Wenn zum Beispiel die Kosten f\u00fcr eine einzige Arbeitseinheit bei perfekten Daten 1 $ betragen, k\u00f6nnen die Gesamtkosten wie folgt berechnet werden:<\/p>\n\n

Gesamtkosten<\/strong> = (62$1) + (38$1*10) = $62 + $380 = $442<\/strong><\/p>\n\n

Dies zeigt, dass fehlerhafte Datens\u00e4tze etwa viermal so<\/strong> teuer sind, wie wenn die Daten perfekt w\u00e4ren. Da Sie nun wissen, dass Sie ein Datenqualit\u00e4tsproblem haben und die Kosten f\u00fcr dessen Auswirkungen kennen, k\u00f6nnen Sie nun Korrekturma\u00dfnahmen ergreifen, um diese Fehler zu beheben.<\/p>\n\n

\"\"<\/figure><\/div>\n\n
<\/div>\n\n

Implementierung von FAM mit DataMatch Enterprise – die beste Datenqualit\u00e4tssoftware ihrer Klasse<\/strong><\/h3>\n\n

Die FAM-Methode hat sich als sehr kosten- und zeiteffiziente Methode erwiesen, da sie in einer zweist\u00fcndigen Sitzung zwischen zwei bis drei Teammitgliedern Ergebnisse liefert. Diese Zeit kann jedoch auf nur 3-5 Minuten reduziert werden, wobei nur ein einziges Teammitglied involviert ist – durch den Einsatz eines Self-Service-Softwaretools f\u00fcr Datenqualit\u00e4t.<\/p>\n\n

DataMatch Enterprise (DME)<\/a> ist ein komplettes Tool f\u00fcr das Datenqualit\u00e4tsmanagement, das eine Vielzahl von statistischen Algorithmen f\u00fcr die Profilerstellung, die Bereinigung, den Abgleich und die Deduplizierung Ihrer Daten einsetzt. Es verf\u00fcgt \u00fcber umfangreiche Profiling-Funktionen<\/a>, die einen sofortigen 360\u00b0-Bericht \u00fcber Ihre Datenqualit\u00e4t erstellen, indem leere Werte, falsche Formate und Datentypen, ung\u00fcltige Muster und andere beschreibende Statistiken identifiziert werden.<\/p>\n\n

<\/div>\n\n

Automatische Kennzeichnung von perfekten und unperfekten Unterlagen in Sekundenschnelle<\/strong><\/h4>\n\n

Anstatt Diskrepanzen in Ihrem Datensatz manuell zu identifizieren und zu markieren, kann Ihr Team mit DME im Alleingang einen Bericht erstellen, der perfekte und unperfekte Datens\u00e4tze 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
\"\"<\/figure>\n\n
<\/div>\n\n

Detaillierte Erstellung und Filterung von Datenqualit\u00e4tsprofilen <\/strong><\/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

\"\"<\/figure>\n\n
<\/div>\n\n

Dieses 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

\"\"<\/figure>\n\n
<\/div>\n\n

Was kommt als N\u00e4chstes – Von der Datenqualit\u00e4tsbewertung zur Datenqualit\u00e4tsbehebung<\/strong><\/h3>\n\n

Die Funktionen und M\u00f6glichkeiten von DME enden nicht mit der Bewertung der Datenqualit\u00e4t, sondern sind darauf ausgelegt, die Bewertungsergebnisse zur Behebung von Datenqualit\u00e4tsproblemen zu nutzen:<\/p>\n\n