{"id":63238,"date":"2020-05-13T00:00:00","date_gmt":"2020-05-13T04:00:00","guid":{"rendered":"https:\/\/dataladder.com\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/"},"modified":"2022-04-20T19:56:56","modified_gmt":"2022-04-20T19:56:56","slug":"ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen","status":"publish","type":"post","link":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/","title":{"rendered":"Ungleiche, schmutzige, doppelte Daten &#8211; Die 3Ds der schlechten Daten verstehen."},"content":{"rendered":"<p>In einer Welt, die von den grenzenlosen M\u00f6glichkeiten von KI, ML und pr\u00e4diktiver Analyse fasziniert ist, ist die Datenqualit\u00e4t zu einer gro\u00dfen Herausforderung geworden. Unternehmen sind in einer Zwickm\u00fchle: Sie brauchen genaue Daten, um ma\u00dfgeschneiderte Erlebnisse zu schaffen, aber sie haben nicht die Kapazit\u00e4ten, um mit schlechten Daten umzugehen.<\/p>\n<p>Unternehmen m\u00fcssen sich mit zwei l\u00e4hmenden Aspekten der Datenqualit\u00e4t auseinandersetzen: schmutzige Daten (doppelte Daten, Rechtschreibfehler, unvollst\u00e4ndige Informationen usw.) und nicht konforme Daten. Dazu geh\u00f6ren Daten, die Unternehmen dem Risiko von GDPR-Verst\u00f6\u00dfen aussetzen, ungenaue Analysen und fehlerhafte Berichte.<\/p>\n<p>In diesem Beitrag werden wir uns auf Folgendes konzentrieren:<\/p>\n<ul>\n<li>Verstehen der kritischen Herausforderungen bei der Datenqualit\u00e4t<\/li>\n<li>Die wichtigsten Herausforderungen f\u00fcr die Datenqualit\u00e4t, mit denen sich Unternehmen schwer tun<\/li>\n<li>Die 3Ds anhand einer Fallstudie verstehen<\/li>\n<li>Wie Data Ladder hilft, diese Herausforderungen zu meistern<\/li>\n<\/ul>\n<p>Lassen Sie uns eintauchen.<\/p>\n<h2><strong>Die wichtigsten Herausforderungen f\u00fcr die Datenqualit\u00e4t, die Unternehmen schwer zu bew\u00e4ltigen haben <\/strong><\/h2>\n<p>Experten verwenden gerne den Begriff &#8222;Garbage in, garbage out&#8220;, um das Problem der Datenqualit\u00e4t zu definieren &#8211; aber es steckt mehr dahinter.<\/p>\n<p>Eine Erkenntnis aus dem <a href=\"https:\/\/www.oreilly.com\/radar\/the-state-of-data-quality-in-2020\/\">OReilly-Bericht \u00fcber den Stand der Datenqualit\u00e4t<\/a> lautet:<\/p>\n<blockquote><p>&#8222;Unternehmen haben mit mehreren, gleichzeitigen Datenqualit\u00e4tsproblemen zu k\u00e4mpfen. Sie haben zu viele verschiedene Datenquellen und zu viele inkonsistente Daten. Sie haben nicht die Ressourcen, die sie ben\u00f6tigen, um Datenqualit\u00e4tsprobleme zu bereinigen. Und das ist nur der Anfang.&#8220;<\/p><\/blockquote>\n<p>Die gute Nachricht? Die F\u00fchrungskr\u00e4fte in den Unternehmen sind sich dieser gro\u00dfen Herausforderung bewusst.<\/p>\n<p>Die schlechte Nachricht? Ihnen fehlen die Instrumente, Ressourcen und L\u00f6sungen, um dieses Problem zu l\u00f6sen. Viele haben noch immer Probleme mit grundlegenden Datenverwaltungsprozessen.<\/p>\n<p>In unserer Erfahrung mit mehr als 4.500 Kunden, darunter Beh\u00f6rden und Fortune-500-Unternehmen, stellen wir h\u00e4ufig drei gemeinsame Probleme fest:<\/p>\n<ol>\n<li>Daten, die in mehreren Quellen oder disparaten Systemen gespeichert sind<\/li>\n<li>Daten, die die Qualit\u00e4tsziele nicht erf\u00fcllen<\/li>\n<li>Das Fehlen einer robusten L\u00f6sung f\u00fcr den Datenabgleich, die tief verborgene Duplikate aussondern kann<\/li>\n<\/ol>\n<p>Unternehmen brauchen dringend Hilfe beim Umgang mit uneinheitlichen, verschmutzten und doppelten Daten.<\/p>\n<h2><strong>Die 3Ds der Daten verstehen<\/strong><\/h2>\n<p>Verschmutzte, uneinheitliche und doppelte Daten wirken sich auf Unternehmen auf einer tieferen Ebene aus. Sie beeinflussen die organisatorischen Abl\u00e4ufe und die <a href=\"https:\/\/www.kdnuggets.com\/2020\/03\/bad-data-affecting-organizations-operational-efficiency.html\">betriebliche Effizienz<\/a>. Sie behindern die Bem\u00fchungen um den Aufbau einer datengesteuerten Kultur und sind die Hauptursache f\u00fcr fehlerhafte Analysen und Berichte.<\/p>\n<h3><strong>Ungleiche Daten: <\/strong><\/h3>\n<p>Im Durchschnitt ist ein Unternehmen mit \u00fcber 461 Anwendungen oder Systemen verbunden. Diese Systeme sammeln Daten in verschiedenen Formaten, die dann in einen Data Lake eingespeist werden. Unternehmen, die nicht \u00fcber Data Lakes verf\u00fcgen, versuchen, diese Daten ihren ERP-Systemen hinzuzuf\u00fcgen, aber die Herausforderungen bei der Datenformatierung und -zuordnung machen dies zu einem langwierigen Prozess. Dies hat zur Folge, dass die Daten erst dann sortiert oder bearbeitet werden, wenn ein dringender Bedarf besteht.<\/p>\n<p>Nehmen wir zum Beispiel den Fall der Bell Bank &#8211; einer renommierten Bank mit einem Dienstleistungsangebot, das sich \u00fcber alle 50 US-Bundesstaaten erstreckt. Als Teil ihres Kernwerts, personalisierte Kundenerlebnisse zu bieten, wollte die Bank ihre Kunden besser verstehen, indem sie ihre Beziehung und Interaktion an verschiedenen Ber\u00fchrungspunkten auswertete. Zu diesem Zweck mussten sie f\u00fcr jeden ihrer Kunden eine einzige Version der Wahrheit erstellen. Dazu musste das Unternehmen Millionen von Datenreihen <a href=\"https:\/\/dataladder.com\/de\/merge-purge-software-integrierte-und-benutzerdefinierte-ueberlebensregeln-verwenden\/\">bereinigen<\/a>, abgleichen und bereinigen, um schlie\u00dflich ein konsolidiertes Bild der Kundenreise zu erhalten.<\/p>\n<p>Aber was genau sind disparate Datenquellen? Handelt es sich nur um Daten, die in verschiedenen Quellen gespeichert sind?<\/p>\n<p>Nun, nein.<\/p>\n<p>Unterschiedliche Daten werden nicht nur in verschiedenen Quellen gespeichert, sondern haben auch unterschiedliche Datenformate, verschiedene Standards und gelten in der Regel als minderwertige Daten. <strong>Die Daten unterscheiden sich deutlich in Art, Qualit\u00e4t oder Charakter.<\/strong><\/p>\n<p>Die Bell Bank muss Daten aus dem Marketing, dem Vertrieb, dem Kundensupport und von Drittanbietern ableiten, um ein klares Bild vom Profil eines Kunden, seiner Interaktion mit dem Unternehmen, seinen Haushaltsdaten und vielem mehr zu erhalten. All diese &#8222;disparaten&#8220; Daten m\u00fcssen durch einen <a href=\"https:\/\/dataladder.com\/de\/datenabgleichssoftware-als-best-in-class-mit-96-match-genauigkeit-bewertet\/\">Datenabgleich<\/a> konsolidiert werden, der der Bank schlie\u00dflich ihre dringend ben\u00f6tigte Version der Wahrheit liefert.<\/p>\n<p>Die Bell Bank ist nur ein Beispiel f\u00fcr viele Unternehmen, Banken, Einzelh\u00e4ndler und Institutionen, die erkannt haben, wie wichtig es ist, eine <a href=\"https:\/\/dataladder.com\/de\/entitaetsaufloesung-fuer-eine-einzelne-kundensicht\/\">einzigartige Kundensicht<\/a> zu erhalten. In einer Zeit, in der Kunden personalisierte Erlebnisse verlangen, noch bevor sie danach fragen, hilft eine konsolidierte Ansicht Unternehmen, einen Schritt voraus zu sein. Da die Bell Bank die Reise ihrer Kunden versteht, kann sie personalisierte Dienstleistungen wie spezielle Kundenkarten, Rabatte, Mitgliedschaftsvorteile usw. anbieten. Unzusammenh\u00e4ngende Daten hindern Unternehmen daran, diesen tieferen Einblick zu gewinnen, und machen es ihnen somit unm\u00f6glich, irgendeinen Wert aus ihren Daten zu sch\u00f6pfen.<\/p>\n<h3><strong>Schmutzige Daten <\/strong><\/h3>\n<p>Behalten Sie alle oben genannten Probleme mit unterschiedlichen Datenquellen bei und f\u00fcgen Sie weitere hinzu, z. B:<\/p>\n<ul>\n<li>Falsche Schreibweisen<\/li>\n<li>Unvollst\u00e4ndige Informationen (Adressdaten ohne Postleitzahlen, fehlende Ziffern in Telefonnummern usw.)<\/li>\n<li>Verwendung von Interpunktion in Datenfeldern<\/li>\n<li>Negative Abst\u00e4nde<\/li>\n<li>Probleme bei der Formatierung<\/li>\n<\/ul>\n<p>Man sollte meinen, dass dies mit Filtern und Autokorrekturen leicht zu bewerkstelligen ist. Aber es gibt Unternehmen, die nichts anderes tun, als physische Stra\u00dfenadressen in Datenbanken zu bereinigen &#8211; weil die Leute unterschiedliche Begriffe f\u00fcr die Stra\u00dfe verwenden. (z. B. Stra\u00dfe, St., ST). Ihre Datenanalysten und -spezialisten m\u00fcssen \u00fcber 80 % ihrer Zeit mit der Korrektur dieser Rohdaten verbringen &#8211; Zeit und Talent, die eigentlich f\u00fcr die Analyse und nicht f\u00fcr die Korrektur von Schreibweisen oder Abk\u00fcrzungen vorgesehen waren.<\/p>\n<p>Leider sind die \u00fcber Websites und Callcenter erhobenen Daten oft fehlerhaft. Daten aus sozialen Medien sind ebenfalls problematisch, was ihre G\u00fcltigkeit und Genauigkeit angeht. Daten, die durch menschliche Eingaben erhoben werden, sind fast nie sauber. Aber einen Datenanalysten zu beauftragen, sich durch Millionen von Datenreihen zu arbeiten und die Datenkorrektur zu einem festen Bestandteil seiner Arbeit zu machen, ist keine L\u00f6sung.<\/p>\n<p><a href=\"https:\/\/dataladder.com\/de\/der-vollstaendige-leitfaden-fuer-datenbereinigungstools-loesungen-und-bewaehrte-praktiken-fuer-die-unternehmensebene\/\">Die Datenbereinigung ist eine st\u00e4ndige Notwendigkeit.<\/a> Das bedeutet, dass Ihr Unternehmen eine automatisierte L\u00f6sung ben\u00f6tigt, die von einem Datenanalysten oder einem Gesch\u00e4ftsanwender \u00fcberwacht und bedient wird, damit dieser die n\u00f6tige Zeit hat, sich auf die Gewinnung von Erkenntnissen zu konzentrieren.<\/p>\n<h3><strong>Duplizierte Daten <\/strong><\/h3>\n<p>Doppelte Daten entstehen, wenn dieselben Informationen in verschiedenen Datenquellen in unterschiedlichen Formaten gesammelt und gespeichert werden. Und dies geschieht in erschreckend h\u00e4ufigem Rhythmus.<\/p>\n<p>Jedes Mal, wenn ein Benutzer zwei E-Mails zur Anmeldung in einem Webformular verwendet, wird ein doppelter Datensatz erstellt. Jedes Mal, wenn ein Datenerfasser einen falschen oder einen neuen eindeutigen ID-Schl\u00fcssel (wie Telefonnummern oder SSNs) eingibt, wird ein doppelter Datensatz erstellt. Immer dann, wenn eine Datenquelle keine SSN verwenden darf, steigt die Wahrscheinlichkeit von Duplikaten, weil der Datenbetreiber den Feldern eigene eindeutige Schl\u00fcssel zuweisen muss, und wenn dieser Datensatz mit einem anderen Datensatz zusammengef\u00fchrt werden soll, steigt die Wahrscheinlichkeit von Duplikaten. Jedes Mal, wenn ein System eine St\u00f6rung aufweist, kann ein Duplikat erstellt werden. Es gibt einfach zu viele M\u00f6glichkeiten, dass Duplikate leicht erstellt werden k\u00f6nnen.<\/p>\n<p>Doppelte Daten sind zeitaufw\u00e4ndig zu beseitigen. Die Unternehmen begehen hier einen klassischen Fehler &#8211; sie denken, dass dieses Problem einfach durch das Ausprobieren verschiedener Algorithmen gel\u00f6st werden kann, aber es ist viel komplexer. Mit herk\u00f6mmlichen Methoden k\u00f6nnen Sie nur Duplikate aussortieren, die exakte Eigenschaften aufweisen. Sie k\u00f6nnen Duplikate, die scheinbar dieselben Eigenschaften haben, nicht aussondern.<\/p>\n<p><strong>Nehmen Sie zum Beispiel:<\/strong><\/p>\n<p>Eine Kundin, Catherine, schreibt ihren Namen an verschiedenen Stellen als Catherine Davis, Cath Davis, C. Davis. Wenn sie nun auch noch ihre Telefonnummer oder ihre E-Mail-Adresse w\u00e4hrend der Dateneingabe mehrfach ge\u00e4ndert hat, hat das System bereits Duplikate erstellt.<\/p>\n<p>Ein Algorithmus, der mit exakten \u00dcbereinstimmungen arbeitet, kann Duplikate erkennen, sofern Katharinas Name in einem anderen Datensatz auf die gleiche Weise geschrieben wird.<\/p>\n<p>Wenn es jedoch andere Varianten gibt, kann es das Duplikat nicht erkennen.<\/p>\n<p>Aus diesem Grund ist die Genauigkeit entscheidend, wenn es um das <a href=\"https:\/\/dataladder.com\/de\/datendeduplizierungssoftware-verwenden-sie-integrierte-und-benutzerdefinierte-regeln-fuer-die-crm-deduplizierung\/\">Entdoublieren von Daten<\/a> geht.<\/p>\n<p>Sie ben\u00f6tigen eine L\u00f6sung, die \u00dcbereinstimmungen f\u00fcr Millionen von Datenzeilen durchf\u00fchren kann und dabei eine Kombination von Algorithmen<a href=\"https:\/\/dataladder.com\/de\/fuzzy-matching-101-bereinigung-und-verknuepfung-ungeordneter-daten\/\">(Fuzzy<\/a>, deterministisch, Soundex usw.) verwendet, um selbst die unwahrscheinlichsten F\u00e4lle auszusortieren. In dieser Hinsicht ist die Genauigkeit der L\u00f6sung DataMatch Enterprise von Data Ladder un\u00fcbertroffen.<\/p>\n<h3><strong>Wie hilft die Data Ladder den Unternehmen beim Umgang mit diesen 3 B\u00f6sewichten? <\/strong><\/h3>\n<p>In den letzten zehn Jahren hat <a href=\"https:\/\/www.bbb.org\/us\/ct\/suffield\/profile\/data-systems-consultants\/data-ladder-0111-87102817\">Data Ladder<\/a> Unternehmen dabei geholfen, ihre Daten sinnvoll zu nutzen. Mithilfe unserer propriet\u00e4ren Abgleichsl\u00f6sung in Kombination mit anderen <a href=\"https:\/\/dataladder.com\/de\/datenabgleichssoftware-als-best-in-class-mit-96-match-genauigkeit-bewertet\/\">Datenabgleichsalgorithmen<\/a> helfen wir Unternehmen, Daten mit h\u00f6chster Genauigkeit und Geschwindigkeit zu de-duphen.<\/p>\n<p>Wir wissen nur zu gut, mit welchen Schwierigkeiten Unternehmen heute zu k\u00e4mpfen haben. Daten sind der neue Treibstoff, aber damit diese Daten Unternehmen helfen, ihre Gesch\u00e4ftsziele zu erreichen, m\u00fcssen sie sauber, genau und nutzbar sein. Die Unternehmen sind noch dabei, die Probleme mit ihren Daten zu verstehen &#8211; aber sie brauchen eine L\u00f6sung, die diese Probleme schnell, effizient und intelligent l\u00f6sen kann.<\/p>\n<p>Und so hilft die Data Ladder.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2020\/05\/dataquality-1024x485.png\" alt=\"Datenqualit\u00e4t\" width=\"1024\" height=\"485\" \/><\/p>\n<ol>\n<li>Wir haben einen 7-stufigen Rahmen, der mit der Datenintegration beginnt und mit der Datenzusammenf\u00fchrung und -\u00fcberlebensf\u00e4higkeit endet.<\/li>\n<li>Sie k\u00f6nnen Daten aus mehr als 150 Anwendungen auf einer Plattform integrieren.<\/li>\n<li>Nach der Integration k\u00f6nnen Sie die Daten bereinigen, <a href=\"https:\/\/dataladder.com\/de\/datenstandardisierungssoftware-schnelles-und-kostenguenstiges-datenstandardisierungstool\/\">standardisieren<\/a>, <a href=\"https:\/\/dataladder.com\/de\/datenvalidierungssoftware-wie-sie-sicherstellen-dass-ihre-eingabedaten-gueltig-und-fehlerfrei-sind\/\">validieren<\/a> und abgleichen.<\/li>\n<li>Sie k\u00f6nnen Stamms\u00e4tze anlegen und Daten zusammenf\u00fchren.<\/li>\n<li>Schlie\u00dflich k\u00f6nnen Sie die <a href=\"https:\/\/dataladder.com\/de\/datenbereinigungssoftware-schnelles-und-kostenguenstiges-crm-datenbereinigungstool\/\">Datenbereinigung<\/a> zu einem im Voraus festgelegten Zeitpunkt automatisieren.<\/li>\n<\/ol>\n<p style=\"text-align: center;\">Sie brauchen verl\u00e4ssliche Daten, um Ihre Ziele in den Bereichen Big Data-Analyse, Migration, personalisierte Kundenerfahrung und effizienter Gesch\u00e4ftsbetrieb schneller zu erreichen.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>In einer Welt, die von den grenzenlosen M\u00f6glichkeiten von KI, ML und pr\u00e4diktiver Analyse fasziniert ist, ist die Datenqualit\u00e4t zu einer gro\u00dfen Herausforderung geworden. Unternehmen sind in einer Zwickm\u00fchle: Sie brauchen genaue Daten, um ma\u00dfgeschneiderte Erlebnisse zu schaffen, aber sie haben nicht die Kapazit\u00e4ten, um mit schlechten Daten umzugehen. Unternehmen m\u00fcssen sich mit zwei l\u00e4hmenden [&hellip;]<\/p>\n","protected":false},"author":9,"featured_media":58249,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1245],"tags":[529,598,1050,1049,681],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v19.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Ungleiche, schmutzige, doppelte Daten - Die 3Ds der schlechten Daten verstehen. - Data Ladder<\/title>\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\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Ungleiche, schmutzige, doppelte Daten - Die 3Ds der schlechten Daten verstehen. - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"In einer Welt, die von den grenzenlosen M\u00f6glichkeiten von KI, ML und pr\u00e4diktiver Analyse fasziniert ist, ist die Datenqualit\u00e4t zu einer gro\u00dfen Herausforderung geworden. Unternehmen sind in einer Zwickm\u00fchle: Sie brauchen genaue Daten, um ma\u00dfgeschneiderte Erlebnisse zu schaffen, aber sie haben nicht die Kapazit\u00e4ten, um mit schlechten Daten umzugehen. Unternehmen m\u00fcssen sich mit zwei l\u00e4hmenden [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/\" \/>\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=\"2020-05-13T04:00:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-04-20T19:56:56+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/duplicated-data-scaled-1.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"2560\" \/>\n\t<meta property=\"og:image:height\" content=\"2276\" \/>\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=\"7 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Ungleiche, schmutzige, doppelte Daten &#8211; Die 3Ds der schlechten Daten verstehen.\",\"datePublished\":\"2020-05-13T04:00:00+00:00\",\"dateModified\":\"2022-04-20T19:56:56+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/\"},\"wordCount\":1578,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/de\/#organization\"},\"keywords\":[\"Datenqualit\u00e4t\",\"Datentransformation\",\"duplizierte Daten\",\"uneinheitliche Daten\",\"Verschmutzte Daten\"],\"articleSection\":[\"Verwaltung der Datenqualit\u00e4t\"],\"inLanguage\":\"de-DE\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/\",\"url\":\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/\",\"name\":\"Ungleiche, schmutzige, doppelte Daten - Die 3Ds der schlechten Daten verstehen. - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/de\/#website\"},\"datePublished\":\"2020-05-13T04:00:00+00:00\",\"dateModified\":\"2022-04-20T19:56:56+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Ungleiche, schmutzige, doppelte Daten &#8211; Die 3Ds der schlechten Daten verstehen.\"}]},{\"@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":"Ungleiche, schmutzige, doppelte Daten - Die 3Ds der schlechten Daten verstehen. - Data Ladder","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\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/","og_locale":"de_DE","og_type":"article","og_title":"Ungleiche, schmutzige, doppelte Daten - Die 3Ds der schlechten Daten verstehen. - Data Ladder","og_description":"In einer Welt, die von den grenzenlosen M\u00f6glichkeiten von KI, ML und pr\u00e4diktiver Analyse fasziniert ist, ist die Datenqualit\u00e4t zu einer gro\u00dfen Herausforderung geworden. Unternehmen sind in einer Zwickm\u00fchle: Sie brauchen genaue Daten, um ma\u00dfgeschneiderte Erlebnisse zu schaffen, aber sie haben nicht die Kapazit\u00e4ten, um mit schlechten Daten umzugehen. Unternehmen m\u00fcssen sich mit zwei l\u00e4hmenden [&hellip;]","og_url":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2020-05-13T04:00:00+00:00","article_modified_time":"2022-04-20T19:56:56+00:00","og_image":[{"width":2560,"height":2276,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/09\/duplicated-data-scaled-1.jpg","type":"image\/jpeg"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"lbarrera","Gesch\u00e4tzte Lesezeit":"7 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Ungleiche, schmutzige, doppelte Daten &#8211; Die 3Ds der schlechten Daten verstehen.","datePublished":"2020-05-13T04:00:00+00:00","dateModified":"2022-04-20T19:56:56+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/"},"wordCount":1578,"publisher":{"@id":"https:\/\/dataladder.com\/de\/#organization"},"keywords":["Datenqualit\u00e4t","Datentransformation","duplizierte Daten","uneinheitliche Daten","Verschmutzte Daten"],"articleSection":["Verwaltung der Datenqualit\u00e4t"],"inLanguage":"de-DE"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/","url":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/","name":"Ungleiche, schmutzige, doppelte Daten - Die 3Ds der schlechten Daten verstehen. - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/de\/#website"},"datePublished":"2020-05-13T04:00:00+00:00","dateModified":"2022-04-20T19:56:56+00:00","breadcrumb":{"@id":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/de\/ungleiche-schmutzige-doppelte-daten-die-3ds-der-schlechten-daten-verstehen\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/de\/"},{"@type":"ListItem","position":2,"name":"Ungleiche, schmutzige, doppelte Daten &#8211; Die 3Ds der schlechten Daten verstehen."}]},{"@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\/63238"}],"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=63238"}],"version-history":[{"count":2,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts\/63238\/revisions"}],"predecessor-version":[{"id":66970,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts\/63238\/revisions\/66970"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/media\/58249"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/media?parent=63238"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/categories?post=63238"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/tags?post=63238"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}