{"id":63036,"date":"2020-08-21T00:00:00","date_gmt":"2020-08-21T04:00:00","guid":{"rendered":"https:\/\/dataladder.com\/data-profiling-vs-data-cleansing-hauptunterschiede-anwendungsfaelle-und-bedeutung-in-aktuellen-geschaeftsumgebungen\/"},"modified":"2022-04-14T13:41:08","modified_gmt":"2022-04-14T13:41:08","slug":"data-profiling-vs-data-cleansing-hauptunterschiede-anwendungsfaelle-und-bedeutung-in-aktuellen-geschaeftsumgebungen","status":"publish","type":"post","link":"https:\/\/dataladder.com\/de\/data-profiling-vs-data-cleansing-hauptunterschiede-anwendungsfaelle-und-bedeutung-in-aktuellen-geschaeftsumgebungen\/","title":{"rendered":"Data Profiling vs. Data Cleansing – Hauptunterschiede, Anwendungsf\u00e4lle und Bedeutung in aktuellen Gesch\u00e4ftsumgebungen"},"content":{"rendered":"

Im Zuge der industriellen Datenrevolution erkennen Unternehmen, dass herk\u00f6mmliche Datenmanagement-Tools f\u00fcr die Bew\u00e4ltigung der Komplexit\u00e4t moderner Daten unzureichend sind. Viele mussten ein b\u00f6ses Erwachen erleben, als Migrations- oder Transformationsinitiativen aufgrund schlechter Daten, fehlender Datenqualit\u00e4tsmanagementsysteme und des R\u00fcckgriffs auf veraltete, nicht mehr wirksame Methoden scheiterten. <\/span><\/p>\n

Bei Data Ladder<\/a> betrachten wir Datenqualit\u00e4t als einen notwendigen, fortlaufenden Prozess, der innerhalb und zwischen Systemen und Abteilungen integriert werden muss. Letztere sind die wahren Eigent\u00fcmer der Kundendaten und m\u00fcssen daher mit Systemen ausgestattet werden, die es ihnen erm\u00f6glichen, Daten zu profilieren und zu bereinigen, ohne sich bei der Datenaufbereitung<\/a> auf die IT zu verlassen. <\/span><\/p>\n

Data Profiling<\/a> und Data Cleansing<\/a> sind die beiden grundlegenden Funktionen oder Komponenten der Data Ladder-L\u00f6sung f\u00fcr das Datenqualit\u00e4tsmanagement und der Ausgangspunkt jeder Datenmanagementinitiative. Einfach ausgedr\u00fcckt: Um Ihre Daten zu reparieren, m\u00fcssen Sie wissen, was mit ihnen los ist. <\/span><\/p>\n

In diesem Beitrag erfahren Sie alles, was Sie \u00fcber den Unterschied zwischen Datenprofilierung und Datenbereinigung wissen m\u00fcssen. <\/span><\/p>\n

Schauen wir genauer hin. <\/span><\/p>\n

Data Profiling vs. Data Cleansing – Was ist der Hauptunterschied? <\/span><\/h2>\n

In einem Datenqualit\u00e4tssystem ist die Datenprofilierung eine leistungsstarke Methode zur Analyse von Millionen von Datenzeilen, um Fehler, fehlende Informationen und Anomalien zu erkennen, die die Qualit\u00e4t der Informationen beeintr\u00e4chtigen k\u00f6nnten. Durch die Erstellung von Datenprofilen k\u00f6nnen Sie alle zugrundeliegenden Probleme mit Ihren Daten erkennen, die Sie sonst nicht sehen k\u00f6nnten. <\/span><\/p>\n

Die Datenbereinigung ist der zweite Schritt nach der Profilerstellung. Sobald Sie die Schwachstellen in Ihren Daten erkannt haben, k\u00f6nnen Sie die notwendigen Schritte zur Beseitigung der Schwachstellen unternehmen. In der Phase der Profilerstellung stellen Sie beispielsweise fest, dass in mehr als 100 Ihrer Datens\u00e4tze Telefonnummern mit fehlenden L\u00e4ndercodes enthalten sind. Sie k\u00f6nnen dann eine Regel in Ihre DQM-Plattform schreiben, um die L\u00e4ndervorwahlen in alle Telefonnummern einzuf\u00fcgen, bei denen sie fehlen. <\/span><\/p>\n

Der Hauptunterschied zwischen den beiden Verfahren ist ganz einfach: Bei dem einen wird auf Fehler gepr\u00fcft, bei dem anderen k\u00f6nnen Sie Fehler bereinigen. <\/span><\/b><\/p>\n

Datenprofilierung und Datenbereinigung sind keine neuen Konzepte. Sie beschr\u00e4nken sich jedoch weitgehend auf manuelle Prozesse in Datenverwaltungssystemen. So wurde die Erstellung von Datenprofilen schon immer von IT- und Datenexperten mit einer Kombination aus Formeln und Codes durchgef\u00fchrt, um grundlegende Fehler zu ermitteln. Allein die Profilerstellung w\u00fcrde Wochen dauern, und selbst dann w\u00fcrden kritische Fehler \u00fcbersehen werden. Die Datenbereinigung war ein weiterer Alptraum. Es kann Monate dauern, eine Datenbank zu bereinigen, einschlie\u00dflich der Beseitigung von Duplikaten (mit einer sehr niedrigen Genauigkeitsrate). W\u00e4hrend diese Methoden bei einfachen Datenstrukturen funktioniert haben, ist es nahezu unm\u00f6glich, die gleichen Methoden auf moderne Datenformate anzuwenden. <\/span><\/p>\n

Hier ein Beispiel f\u00fcr die Erstellung von Datenprofilen mit Microsoft Visual Studio. IT-Manager m\u00fcssten diesen Arbeitsablauf manuell einrichten.<\/span>nur um Fehler in einer Datenquelle zu identifizieren. <\/span><\/p>\n

\"Data
Daten-Profiling-Arbeitsablauf \u00fcber Microsoft Visual Studio<\/figcaption><\/figure>\n

Stellen Sie sich vor, Sie k\u00f6nnten diesen Workflow f\u00fcr komplexe, inkonsistente Daten von Dritten, wie z. B. aus den sozialen Medien, verwenden! Stellen Sie sich vor, Sie haben mehrere Datenquellen, die von verschiedenen Anwendungen, Plattformen (online und offline), Anbietern, Lieferanten usw. kommen. Stellen Sie sich vor, Sie k\u00f6nnten diesen Arbeitsablauf f\u00fcr jede Art von Datenquelle neu erstellen. Dies ist nicht nur zeitaufwendig, sondern auch ineffizient bei der Verarbeitung gro\u00dfer Datenmengen. <\/span><\/span><\/p>\n

Nehmen wir an, der Name wurde bei der Dateneingabe falsch eingegeben und wird im CRM als Johnnathan Smith buchstabiert. Wenn das Team, das diese Daten bearbeitet, keine Profilpr\u00fcfung durchf\u00fchrt, w\u00fcrde es nicht wissen, dass es sich um einen Fehler handelt, und dem Kunden eine E-Mail mit der falschen Schreibweise schicken. Ich \u00fcberlasse es Ihnen, sich vorzustellen, welche Folgen das haben k\u00f6nnte. <\/span><\/p>\n

Die Erstellung von Datenprofilen hilft dem Unternehmen daher, diesen Rechtschreibfehler gleich zu Beginn des Prozesses zu erkennen. Die Datenbereinigung erm\u00f6glicht es dem Benutzer dann, diesen Fehler zu korrigieren, indem er ihn durch den richtigen Namen ersetzt. <\/span><\/b><\/p>\n

Wie die Datenprofilierung traditionell durchgef\u00fchrt wurde und warum es wichtig ist, sich der Automatisierung zuzuwenden <\/span><\/span><\/h2>\n

Die Erstellung von Datenprofilen ist ein entscheidender Bestandteil von Data-Warehouse- und Business-Intelligence-Projekten, bei denen Datenqualit\u00e4tsprobleme in Datenquellen ermittelt werden. Dar\u00fcber hinaus erm\u00f6glicht das Data Profiling den Nutzern, neue Anforderungen an ein Zielsystem zu entdecken. Doch bis vor kurzem war die Erstellung von Datenprofilen ein m\u00fchsamer Prozess, der manuelle Aufgaben wie: <\/span><\/span><\/p>\n