{"id":63146,"date":"2019-07-29T00:00:00","date_gmt":"2019-07-29T04:00:00","guid":{"rendered":"https:\/\/dataladder.com\/was-bedeutet-datenqualitaet-fuer-ihr-data-warehouse\/"},"modified":"2022-04-28T12:10:52","modified_gmt":"2022-04-28T12:10:52","slug":"was-bedeutet-datenqualitaet-fuer-ihr-data-warehouse","status":"publish","type":"post","link":"https:\/\/dataladder.com\/de\/was-bedeutet-datenqualitaet-fuer-ihr-data-warehouse\/","title":{"rendered":"Was bedeutet Datenqualit\u00e4t f\u00fcr Ihr Data Warehouse?"},"content":{"rendered":"

Schlechte Daten sind der Grund daf\u00fcr, dass viele Data-Warehousing-Projekte keine Ergebnisse liefern; in der Tat bleibt die Datenqualit\u00e4t in Data-Warehouses f\u00fcr viele Unternehmen eine gro\u00dfe Herausforderung. Die Hauptursache f\u00fcr schlechte Daten ist die Integration von Daten aus verschiedenen Systemen, die jedoch die Grundlage jedes Data-Warehousing-Projekts ist.<\/span><\/p>\n

Was bedeutet Datenqualit\u00e4t in einem Data Warehouse?<\/p>\n

Der Zweck des Data Warehouse besteht darin, eine einheitliche Schicht aufzubauen, die Daten aus allen relevanten Datenquellen im gesamten Unternehmen enth\u00e4lt. Das bedeutet, dass Sie Daten aus verschiedenen Systemen integrieren und f\u00fcr Analysen und Business Intelligence optimieren m\u00fcssen. Das Data Warehouse generiert also keine eigenen Daten, und etwaige Probleme mit der Datenqualit\u00e4t entstehen entweder in den Quellsystemen oder durch die Art und Weise, wie die Daten in den verschiedenen Systemen interpretiert werden. Das Data-Warehousing-Team muss die Verantwortung daf\u00fcr \u00fcbernehmen, solche Probleme zu identifizieren, Wege zur Verbesserung der Datenqualit\u00e4t zu finden oder die Zustimmung des Unternehmens zu bestimmten Problemen einzuholen, damit diese als akzeptabel gelten. Der letzte Punkt mag verwirrend erscheinen, ist aber entscheidend f\u00fcr die Wahrung eines Gleichgewichts zwischen den Kosten f\u00fcr die Verbesserung der Datenqualit\u00e4t und den Ausgaben, die das Unternehmen bereit ist zu t\u00e4tigen. <\/span><\/p>\n

Wird die Datenqualit\u00e4t jedoch vernachl\u00e4ssigt, haben Data-Warehouse-Benutzer mit ungenauen, unvollst\u00e4ndigen Daten zu k\u00e4mpfen. Dies f\u00fchrt direkt dazu, dass Ihre Daten nicht repr\u00e4sentativ sind und fehlerhafte Analysen durchgef\u00fchrt werden. Dies k\u00f6nnen genau die Analysen sein, die die C-Suite f\u00fcr die Entscheidungsfindung verwendet, und wir alle wissen, wie schlecht <\/span>
\neine einzige falsche Entscheidung kann Unternehmen schaden<\/span>
\n<\/a>.<\/span><\/p>\n

4 unmittelbare M\u00f6glichkeiten zur Verbesserung der Datenqualit\u00e4t in Ihrem Data Warehouse<\/span><\/h2>\n

Den Fehler zur\u00fcckweisen<\/b>: Sie m\u00fcssen entscheiden, ob Sie in einem bestimmten Fall Genauigkeit<\/a> oder Vollst\u00e4ndigkeit<\/a> w\u00fcnschen. Wenn die Genauigkeit wichtiger ist, k\u00f6nnen Sie jeden gefundenen Datensatz mit diesem Fehler ablehnen – wenn die Behebung des Fehlers mehr Aufwand erfordert, als Ihr Unternehmen bereit ist, zu investieren.<\/span><\/p>\n

Akzeptieren Sie den Fehler<\/b>: Wenn Sie die Vollst\u00e4ndigkeit \u00fcber die Genauigkeit stellen, k\u00f6nnen Sie den Fehler ignorieren und Datens\u00e4tze mit diesen Fehlern in Ihr Data Warehouse aufnehmen, wenn Sie die Fehler f\u00fcr tolerierbar halten, und beschlie\u00dfen, den Fehler zu beheben, wenn Ihr Team die richtigen Werte sp\u00e4ter finden kann.<\/span><\/p>\n

Beheben Sie den Fehler<\/b>: Wenn Ihr Team die richtigen Werte oder eine Format\u00e4nderung finden kann, die einen bestimmten Fehler mit vertretbarem Aufwand beheben w\u00fcrde, ist die Entscheidung klar.<\/span><\/p>\n

Standardwert zuweisen<\/b>: Wenn die Vollst\u00e4ndigkeit sehr wichtig ist und der richtige Wert nicht gefunden werden kann, k\u00f6nnen Sie f\u00fcr jede Fehlerart einen Standardwert zuweisen, um fehlerhafte Daten zu ersetzen.<\/span><\/p>\n

Unabh\u00e4ngig davon, welche Ma\u00dfnahmen Sie ergreifen, ist es wichtig, dass Data Warehouse-Benutzer die Auswirkungen jeder Ma\u00dfnahme verstehen, damit sie diese in ihre Analysen einbeziehen k\u00f6nnen.<\/span><\/p>\n

Ans\u00e4tze f\u00fcr das Datenqualit\u00e4tsmanagement<\/span><\/h1>\n

Wir haben gesehen, dass die Datenqualit\u00e4t eine wichtige Voraussetzung f\u00fcr das Data Warehousing ist, aber in der Praxis ist die Behebung von Qualit\u00e4tsproblemen im Data Warehouse ein komplexer Prozess. Dieser Abschnitt befasst sich mit Ans\u00e4tzen zur Implementierung eines Datenqualit\u00e4tsrahmens f\u00fcr Data Warehouses, insbesondere:<\/span><\/p>\n