{"id":68441,"date":"2022-07-29T10:52:36","date_gmt":"2022-07-29T14:52:36","guid":{"rendered":"https:\/\/dataladder.com\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/"},"modified":"2022-09-13T09:02:37","modified_gmt":"2022-09-13T09:02:37","slug":"datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken","status":"publish","type":"post","link":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/","title":{"rendered":"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken"},"content":{"rendered":"<blockquote>\n<p>\n\t\t\t\tQualit\u00e4t ist nie ein Zufall; sie ist immer das Ergebnis einer hohen Absicht, aufrichtiger Bem\u00fchungen, intelligenter Leitung und geschickter Ausf\u00fchrung; sie ist die kluge Wahl unter vielen Alternativen.\t\t\t<\/p>\n<footer>\n\t\t\t\t\t\t\t\t\t\t\t<cite>William A. Foster<\/cite><br \/>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<a href=\"https:\/\/twitter.com\/intent\/tweet?text=Qualit%C3%A4t+ist+nie+ein+Zufall%3B+sie+ist+immer+das+Ergebnis+einer+hohen+Absicht%2C+aufrichtiger+Bem%C3%BChungen%2C+intelligenter+Leitung+und+geschickter+Ausf%C3%BChrung%3B+sie+ist+die+kluge+Wahl+unter+vielen+Alternativen.+%E2%80%94+William+A.+Foster&amp;url=https%3A%2F%2Fdataladder.com%2Fwp-json%2Fwpml%2Ftm%2Fv1%2Fate%2Fjobs%2Fdownload\" target=\"_blank\" rel=\"noopener\"><br \/>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tTweet<br \/>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/a><br \/>\n\t\t\t\t\t\t\t\t\t<\/footer>\n<\/blockquote>\n<p>Das h\u00e4ufigste Problem, mit dem Unternehmen zu k\u00e4mpfen haben, ist die Qualit\u00e4t der Daten. Sie haben die richtigen Datenanwendungen im Einsatz, die Quellen erfassen die Art von Daten, die Sie ben\u00f6tigen, es gibt ein ganzes System, das die gesammelten Daten nutzt und analysiert, und dennoch sind die Ergebnisse nicht zufriedenstellend. Bei der weiteren Analyse stellen Sie Unterschiede zwischen den Datenerwartungen und der Realit\u00e4t fest; die Datens\u00e4tze sind mit leeren Feldern, inkonsistenten Abk\u00fcrzungen und Formaten, ung\u00fcltigen Mustern, doppelten Datens\u00e4tzen und anderen Unstimmigkeiten gef\u00fcllt.<\/p>\n<p>Um diese Probleme zu beseitigen, m\u00fcssen Sie Korrekturma\u00dfnahmen einf\u00fchren, die Datenqualit\u00e4tsprobleme konsequent validieren und beheben. Um den Traum von der Datenqualit\u00e4t Wirklichkeit werden zu lassen, ist es jedoch notwendig, die Grundlagen der Datenqualit\u00e4t zu verstehen &#8211; ihre Bedeutung, ihre Auswirkungen und wie man Verbesserungen plant. Aus diesem Grund stellen wir Ihnen einen umfassenden Leitfaden zur Verf\u00fcgung, der alle Aspekte des Datenqualit\u00e4tsmanagements abdeckt: was es bedeutet, wie es sich auf ein Unternehmen auswirken kann, wie es verwaltet werden kann, wie es in verschiedenen Branchen aussieht und vieles mehr.<\/p>\n<p>Dieser Leitfaden ist in drei Teile gegliedert:<\/p>\n<ol>\n<li><strong>Datenqualit\u00e4t:<\/strong> Was ist das und warum ist sie wichtig?<\/li>\n<li><strong>Probleme mit der Datenqualit\u00e4t:<\/strong> Was sind sie, woher kommen sie, und wie wirken sie sich auf das Gesch\u00e4ft aus?<\/li>\n<li><strong>Datenqualit\u00e4tsmanagement:<\/strong> Was es bedeutet, seine S\u00e4ulen und Best Practices sowie einige Beispiele aus der Praxis in verschiedenen Branchen.<\/li>\n<\/ol>\n<p>Dann fangen wir mal an.<\/p>\n<h2>Qualit\u00e4t der Daten<\/h2>\n<h3>Was ist Datenqualit\u00e4t?<\/h3>\n<p>Der Grad, in dem die Daten die Anforderungen eines bestimmten Zwecks erf\u00fcllen.<\/p>\n<p>Unternehmen speichern, verwalten und nutzen t\u00e4glich gro\u00dfe Mengen an Daten. Wenn die Daten ihren Zweck nicht erf\u00fcllen, wird davon ausgegangen, dass sie von schlechter Qualit\u00e4t sind. Diese Definition von Datenqualit\u00e4t impliziert, dass ihre Bedeutung je nach Organisation und Zweck, dem sie dienen, unterschiedlich ist.&nbsp;<\/p>\n<p>F\u00fcr einige Unternehmen kann die Vollst\u00e4ndigkeit der Daten ein besserer Indikator f\u00fcr die Datenqualit\u00e4t sein als die Genauigkeit der Daten.&nbsp;<\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img width=\"688\" height=\"596\" src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/10\/questions2.png\" alt=\"\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/10\/questions2.png 688w, https:\/\/dataladder.com\/wp-content\/uploads\/2021\/10\/questions2-300x260.png 300w\" sizes=\"(max-width: 688px) 100vw, 688px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p>Dies f\u00fchrt dazu, dass Unternehmen ihre eigenen Merkmale und Anforderungen f\u00fcr die Aufrechterhaltung der Datenqualit\u00e4t im gesamten Unternehmen definieren.  Es gibt eine weitere M\u00f6glichkeit, Datenqualit\u00e4t zu definieren:<\/p>\n<p>Der Grad, in dem die Daten frei von unzul\u00e4ssigen M\u00e4ngeln sind.<\/p>\n<p>Daten k\u00f6nnen nie hundertprozentig genau und fehlerfrei sein. Sie wird zwangsl\u00e4ufig einige Fehler enthalten, und das ist akzeptabel. Aber untragbare M\u00e4ngel in Ihrem Datensatz &#8211; die die Ausf\u00fchrung kritischer Prozesse beeintr\u00e4chtigen &#8211; deuten auf eine schlechte Datenqualit\u00e4t hin. Sie m\u00fcssen sicherstellen, dass die Datenstruktur den Anforderungen entspricht und ihr Inhalt so fehlerfrei wie m\u00f6glich ist.<\/p>\n<h3>Warum ist Datenqualit\u00e4t wichtig?<\/h3>\n<p>Die Aufrechterhaltung der Datenreinheit sollte eine gemeinsame Anstrengung von Gesch\u00e4ftsanwendern, IT-Mitarbeitern und Datenexperten sein. Oft wird es jedoch nur als IT-Panne wahrgenommen &#8211; in dem Glauben, dass Daten schmutzig werden, wenn einige technische Prozesse zur Erfassung, Speicherung und \u00dcbertragung von Daten nicht korrekt funktionieren. Obwohl dies der Fall sein kann, m\u00fcssen die Daten die Aufmerksamkeit der  <i>alle<\/i>  die richtigen Stakeholder, um die Qualit\u00e4t auf Dauer zu erhalten. Aus diesem Grund ist es unerl\u00e4sslich, dass  <a href=\"https:\/\/dataladder.com\/de\/argumente-fuer-die-datenqualitaet-was-ist-sie-und-warum-ist-sie-wichtig\/\"><br \/>\n  eine Argumentation f\u00fcr Datenqualit\u00e4t aufbauen<br \/>\n<\/a> die notwendigen Entscheidungstr\u00e4ger zu \u00fcberzeugen, damit sie dazu beitragen k\u00f6nnen, dass sie in allen Abteilungen und auf allen Ebenen umgesetzt wird. <\/p>\n<p>Im Folgenden haben wir die h\u00e4ufigsten Vorteile der Datenqualit\u00e4t aufgef\u00fchrt.   <\/p>\n<h4>01. Genaue Entscheidungsfindung  <\/h4>\n<p>Wirtschaftsf\u00fchrer verlassen sich nicht mehr auf Annahmen, sondern sondern nutzen  Business Intelligence-Techniken, um bessere Entscheidungen zu treffen. Dies ist  wobei <a href=\"https:\/\/dataladder.com\/de\/tools-fuer-die-datenbereinigung-verbesserte-analysen-und-business-intelligence-mit-sauberen-daten\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Eine gute Datenqualit\u00e4t kann Folgendes erm\u00f6glichen<br \/>\n     Genauigkeit<br \/>\n    Entscheidungsfindung<br \/>\n<\/a><br \/>\n  Eine schlechte Datenqualit\u00e4t hingegen kann die Ergebnisse der Datenanalyse verf\u00e4lschen und dazu f\u00fchren, dass Unternehmen wichtige Entscheidungen auf falschen Prognosen aufbauen.\n <\/p>\n<h4>02. Operative Effizienz  <\/h4>\n<p>Daten sind Teil jeder kleinen und gro\u00dfen Operation in einem Unternehmen. Ob es um Produkte, Marketing, Verkauf oder Finanzen geht &#8211;  <a href=\"https:\/\/dataladder.com\/de\/schluesselkomponenten-die-teil-ihrer-ziele-fuer-die-betriebliche-effizienz-sein-sollten\/\" target=\"_blank\" rel=\"noreferrer noopener\">Daten effizient nutzen<\/a>  in jedem Bereich ist der Schl\u00fcssel. Die Verwendung von Qualit\u00e4tsdaten in diesen Abteilungen kann dazu f\u00fchren, dass Ihr Team Doppelarbeit vermeidet, schnell genaue Ergebnisse erzielt und den ganzen Tag \u00fcber produktiv ist.   <\/p>\n<h4>03. Einhaltung der Vorschriften  <\/h4>\n<p>\n  Einhaltung von Daten<br \/>\n  Normen<br \/>\n   (z. B. GDPR, HIPAA und CCPA) verlangen von Unternehmen die Einhaltung der Grunds\u00e4tze der Datenminimierung, Zweckbindung, Transparenz, Genauigkeit, Sicherheit, Speicherbegrenzung und Rechenschaftspflicht.<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/die-bedeutung-von-datenbereinigung-und-abgleich-fuer-die-datenkonformitaet\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Konformit\u00e4t mit solchen Datenqualit\u00e4ts<br \/>\n    Standards<br \/>\n<\/a> ist nur mit sauberen und zuverl\u00e4ssigen Daten m\u00f6glich.   <\/p>\n<h4>04. Finanzielle Transaktionen  <\/h4>\n<p>\n  Den Unternehmen entstehen enorme<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/die-auswirkungen-des-datenabgleichs-auf-die-finanzwelt\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    finanzielle Kosten aufgrund schlechter Datenqualit\u00e4t<br \/>\n<\/a>. Vorg\u00e4nge wie z. B. rechtzeitige Zahlungen, Vermeidung von Unter- und \u00dcberzahlungen, Beseitigung fehlerhafter Transaktionen und Vermeidung der Gefahr von  Betrug aufgrund von Datenduplikationen sind nur mit sauberen und qualitativ hochwertigen Daten m\u00f6glich. <\/p>\n<h4>05. Personalisierung und Kundentreue  <\/h4>\n<p><a href=\"https:\/\/dataladder.com\/de\/ihr-vollstaendiger-leitfaden-fuer-eine-360-kunden-sicht\/\" target=\"_blank\" rel=\"noreferrer noopener\">Personalisierte Erlebnisse f\u00fcr Kunden anbieten<\/a>  ist die einzige M\u00f6glichkeit, sie davon zu \u00fcberzeugen, bei Ihrer Marke und nicht bei einem Konkurrenten zu kaufen. Unternehmen nutzen eine Vielzahl von Daten, um das Verhalten und die Vorlieben ihrer Kunden zu verstehen. Mit pr\u00e4zisen Daten k\u00f6nnen Sie relevante K\u00e4ufer erkennen und ihnen genau das anbieten, wonach sie suchen. So sichern Sie sich langfristig die Loyalit\u00e4t Ihrer Kunden und geben ihnen das Gef\u00fchl, dass Ihre Marke sie wie kein anderer versteht. <\/p>\n<h4>06. Wettbewerbsvorteil  <\/h4>\n<p>Fast jeder Marktteilnehmer nutzte die Daten, um das zuk\u00fcnftige Marktwachstum und m\u00f6gliche Chancen f\u00fcr Upselling und Cross-Selling zu verstehen. Die Einspeisung von Qualit\u00e4tsdaten aus der Vergangenheit in diese Analyse wird Ihnen helfen  <a href=\"https:\/\/dataladder.com\/de\/wie-koennen-sie-ihre-daten-als-wettbewerbsvorteil-nutzen\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    einen Wettbewerbsvorteil aufbauen<br \/>\n<\/a><br \/>\n   auf dem Markt, konvertieren mehr Kunden und<br \/>\n  wachsen<br \/>\n   Ihren Marktanteil.\n <\/p>\n<h4>07. Digitalisierung  <\/h4>\n<p><a href=\"https:\/\/dataladder.com\/fr\/whitepapers\/comment-les-systemes-herites-et-la-mauvaise-qualite-des-donnees-entravent-un-plan-de-transformation-numerique\/\" target=\"_blank\" rel=\"noreferrer noopener\">Digitalisierung von wichtigen Prozessen<\/a>  kann Ihnen helfen, manuellen Aufwand zu vermeiden, die Bearbeitungszeit zu verk\u00fcrzen und menschliche Fehler zu reduzieren. Bei schlechter Datenqualit\u00e4t k\u00f6nnen diese Erwartungen jedoch nicht erf\u00fcllt werden. Vielmehr f\u00fchrt eine schlechte Datenqualit\u00e4t zu einem digitalen Desaster, bei dem Datenmigration und -integration aufgrund unterschiedlicher Datenbankstrukturen und inkonsistenter Formate unm\u00f6glich erscheinen.   <\/p>\n<h2>Probleme mit der Datenqualit\u00e4t  <\/h2>\n<p>Ein Datenqualit\u00e4tsproblem ist definiert als: <\/p>\n<p><b>ein nicht tolerierbarer Mangel in einem Datensatz, der die Vertrauensw\u00fcrdigkeit und Zuverl\u00e4ssigkeit dieser Daten stark beeintr\u00e4chtigt.<\/b> <\/p>\n<p>Bevor wir mit der Umsetzung von Korrekturma\u00dfnahmen zur Validierung, Korrektur und Verbesserung der Datenqualit\u00e4t fortfahren k\u00f6nnen, m\u00fcssen wir unbedingt verstehen, was die Daten \u00fcberhaupt verschmutzt. Aus diesem Grund werden wir zun\u00e4chst einen Blick darauf werfen:<\/p>\n<ul>\n<li>\n\t\t\t\t\t\t\t\t\t\tDie h\u00e4ufigsten Datenqualit\u00e4tsprobleme in den Datenbest\u00e4nden eines Unternehmens,\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\tWoher kommen diese Probleme mit der Datenqualit\u00e4t?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\tWie k\u00f6nnen diese Datenqualit\u00e4tsprobleme zu ernsthaften Gesch\u00e4ftsrisiken f\u00fchren?\n\t\t\t\t\t\t\t\t\t<\/li>\n<\/ul>\n<h3>Was sind die h\u00e4ufigsten Probleme mit der Datenqualit\u00e4t?  <\/h3>\n\n<table id=\"tablepress-6\" class=\"tablepress tablepress-id-6\">\n<thead>\n<tr class=\"row-1 odd\">\n\t<th class=\"column-1\">No.<\/th><th class=\"column-2\">Data quality issue <\/th><th class=\"column-3\">Explanation <\/th><th class=\"column-4\">Example of data quality issue <\/th>\n<\/tr>\n<\/thead>\n<tbody class=\"row-hover\">\n<tr class=\"row-2 even\">\n\t<td class=\"column-1\">1<\/td><td class=\"column-2\">Column duplication <\/td><td class=\"column-3\">Multiple columns are present that have the same logical meaning. <\/td><td class=\"column-4\">Product category is stored in two columns that logically mean the same: Category and Classification. <\/td>\n<\/tr>\n<tr class=\"row-3 odd\">\n\t<td class=\"column-1\">2<\/td><td class=\"column-2\">Record duplication <\/td><td class=\"column-3\">Multiple records are present for the same individual or entity. <\/td><td class=\"column-4\">Every time a customer interacts with your brand, a new row is created in the database rather than updating the existing one. <\/td>\n<\/tr>\n<tr class=\"row-4 even\">\n\t<td class=\"column-1\">3<\/td><td class=\"column-2\">Invalid data <\/td><td class=\"column-3\">Data values are present in an incorrect format, pattern, data type or size. <\/td><td class=\"column-4\">Customer Phone Numbers are present in varying formats \u2013 some are stored as flat 10 digits, while others have hyphens, some are saved as a string, while others as numbers, and so on. <\/td>\n<\/tr>\n<tr class=\"row-5 odd\">\n\t<td class=\"column-1\">4<\/td><td class=\"column-2\">Inaccurate data <\/td><td class=\"column-3\">Data values do not conform to reality. <\/td><td class=\"column-4\">Customer Name is incorrectly stored: Elizabeth is stored as Aliza, or Matt is stored as Mathew. <\/td>\n<\/tr>\n<tr class=\"row-6 even\">\n\t<td class=\"column-1\">5<\/td><td class=\"column-2\">Incorrect formulae <\/td><td class=\"column-3\">Data values are calculated using incorrect formulae. <\/td><td class=\"column-4\">Customer Age is calculated from their Date of Birth but the formula used is incorrect. <\/td>\n<\/tr>\n<tr class=\"row-7 odd\">\n\t<td class=\"column-1\">6<\/td><td class=\"column-2\">Inconsistency <\/td><td class=\"column-3\">Data values that represent the same information vary across different datasets and sources. <\/td><td class=\"column-4\">Customer record stored in the CRM represents a different Email Address than the one present in accounts application. <\/td>\n<\/tr>\n<tr class=\"row-8 even\">\n\t<td class=\"column-1\">7<\/td><td class=\"column-2\">Missing data <\/td><td class=\"column-3\">Data is missing or is filled with blank values. <\/td><td class=\"column-4\">The Job Title of most customers is missing from the dataset. <\/td>\n<\/tr>\n<tr class=\"row-9 odd\">\n\t<td class=\"column-1\">8<\/td><td class=\"column-2\">Outdated data <\/td><td class=\"column-3\">Data is not current and represents outdated information. <\/td><td class=\"column-4\">Customer Mailing Addresses are years old leading to returned packages. <\/td>\n<\/tr>\n<tr class=\"row-10 even\">\n\t<td class=\"column-1\">9<\/td><td class=\"column-2\">Unverified domain data <\/td><td class=\"column-3\">Data does not belong to a range of acceptable values. <\/td><td class=\"column-4\">Customer Mailing Addresses are years old leading to returned packages. <\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<!-- #tablepress-6 from cache -->\n<h3>Wie gelangen Probleme mit der Datenqualit\u00e4t in das System?  <\/h3>\n<p>Es gibt mehrere M\u00f6glichkeiten  k\u00f6nnen Fehler in der Datenqualit\u00e4t in Ihr System gelangen. Werfen wir einen Blick darauf, was sie sind. <\/p>\n<h4>01. Mangel an angemessener Datenmodellierung<br \/>\n<\/h4>\n<p>Dies ist der erste und wichtigste Grund f\u00fcr Fehler in der Datenqualit\u00e4t. Ihr IT-Team wendet bei der Einf\u00fchrung einer neuen Technologie &#8211; sei es eine neue Webanwendung, ein Datenbanksystem oder die Integration\/Migration zwischen bestehenden Systemen &#8211; nicht die richtige Menge an Zeit und Ressourcen auf.   <\/p>\n<p>Die Datenmodellierung hilft bei der Organisation und Strukturierung Ihrer Datenbest\u00e4nde und -elemente. Ihre Datenmodelle k\u00f6nnen f\u00fcr eines der folgenden Probleme anf\u00e4llig sein: <\/p>\n<p><b>a)<br \/>\n  Fehlen von hierarchischen Zw\u00e4ngen:<br \/>\n <\/b>Dies ist der Fall, wenn es keine geeignete Beziehung  Beschr\u00e4nkungen innerhalb Ihres Datenmodells. Sie haben zum Beispiel einen anderen Satz von Feldern f\u00fcr  Bestehende Kunden  und  Neue Kundenaber Sie verwenden eine generische  Kunde  Modell f\u00fcr beide, anstatt ein  Bestehende Kunden  und  Neue Kunden  als Subtypen des Supertyps  Kunde.<\/p>\n<p><b>b)<br \/>\n  Fehlende Kardinalit\u00e4t der Beziehung:<br \/>\n <\/b>Dies ist der Fall, wenn es keine Zahl gibt, die die Anzahl der Beziehungen einer Einheit zu einer anderen darstellt. Zum Beispiel, ein<br \/>\n  Bestellung<br \/>\n  kann nur einen<br \/>\n  Rabatt<br \/>\n  zur gleichen Zeit haben.\n <\/p>\n<p><b>c)<br \/>\n  Fehlende referenzielle Integrit\u00e4t<br \/>\n  :<br \/>\n <\/b>Dies ist der Fall, wenn ein Datensatz in einem Datensatz auf einen Datensatz in einem anderen Datensatz verweist, der nicht vorhanden ist. Zum Beispiel, die<br \/>\n  Verk\u00e4ufe<br \/>\n  Tabelle bezieht sich auf eine Liste von<br \/>\n  Produkt-IDs<br \/>\n   die sich nicht in der Tabelle<br \/>\n  Produkte<br \/>\n  Tabelle enthalten sind.\n<\/p>\n<h4>02. Fehlen eindeutiger Identifikatoren  <\/h4>\n<p>Dies ist der Fall, wenn es keine M\u00f6glichkeit gibt, einen Datensatz eindeutig zu identifizieren, was dazu f\u00fchrt, dass Sie doppelte Datens\u00e4tze f\u00fcr dieselbe Entit\u00e4t speichern. Datens\u00e4tze werden eindeutig identifiziert, indem Attribute gespeichert werden wie<br \/>\n  Sozialversicherungsnummer<br \/>\n   f\u00fcr Kunden,<br \/>\n  Hersteller-Teilenummer<br \/>\n   f\u00fcr Produkte, etc.\n  <\/p>\n<h4>03. Fehlen von Validierungsauflagen  <\/h4>\n<p>Dies ist der Fall, wenn Datenwerte vor der Speicherung in der Datenbank nicht den erforderlichen Validierungspr\u00fcfungen unterzogen werden. So wird z. B. gepr\u00fcft, ob die erforderlichen Felder vorhanden sind, ob Muster, Datentyp, Gr\u00f6\u00dfe und Format der Datenwerte validiert werden und ob sie zu einem Bereich akzeptabler Werte geh\u00f6ren. <\/p>\n<h4>04. Mangelnde Qualit\u00e4t der Integration<\/h4>\n<p>Dies ist der Fall, wenn Ihr Unternehmen \u00fcber eine zentrale Datenbank verf\u00fcgt, die eine Verbindung zu mehreren Quellen herstellt und die eingehenden Daten integriert, um eine einzige Informationsquelle darzustellen. Fehlt bei diesem Aufbau eine zentrale Datenqualit\u00e4tsmaschine zur Bereinigung, Standardisierung und Zusammenf\u00fchrung von Daten, k\u00f6nnen viele Datenqualit\u00e4tsfehler entstehen. <\/p>\n<h4>05. Mangelnde Datenkompetenz  <\/h4>\n<p>Trotz aller Bem\u00fchungen um den Schutz von Daten und deren Qualit\u00e4t in allen Datenbest\u00e4nden kann ein Mangel an Datenkompetenz in einem Unternehmen Ihren Daten gro\u00dfen Schaden zuf\u00fcgen. Die Mitarbeiter speichern oft falsche Informationen, da sie nicht verstehen, was bestimmte Attribute bedeuten. Au\u00dferdem sind sie sich der Folgen ihrer Handlungen nicht bewusst, z. B. welche Auswirkungen die Aktualisierung von Daten in einem bestimmten System oder f\u00fcr einen bestimmten Datensatz hat. <\/p>\n<h4>06. Fehler bei der Dateneingabe  <\/h4>\n<p>Tipp- oder Rechtschreibfehler sind eine der h\u00e4ufigsten Ursachen f\u00fcr Datenqualit\u00e4tsfehler. Es ist bekannt, dass Menschen bei der Eingabe von 10.000 Daten mindestens 400 Fehler machen. Dies zeigt, dass selbst bei Vorhandensein eindeutiger Bezeichner, Validierungspr\u00fcfungen und Integrit\u00e4tsbeschr\u00e4nkungen die M\u00f6glichkeit besteht, dass menschliches Versagen eingreift und die Datenqualit\u00e4t beeintr\u00e4chtigt. <\/p>\n<h3>Wie h\u00e4ngen Datenqualit\u00e4tsprobleme mit gesch\u00e4ftlichen Gefahren zusammen?<\/h3>\n<p>Um relevante Entscheidungstr\u00e4ger einzubinden, ist es wichtig, sie dar\u00fcber aufzukl\u00e4ren, wie sich gro\u00dfe und kleine Datenqualit\u00e4tsprobleme auswirken  Gesch\u00e4ft. A  <a href=\"https:\/\/dataladder.com\/de\/die-auswirkungen-einer-schlechten-datenqualitaet-risiken-herausforderungen-und-loesungen\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Datenfehler &#8211; Gesch\u00e4ftsrisikomatrix<br \/>\n<\/a><br \/>\n  wie die unten abgebildete, kann Ihnen dabei helfen.\n <\/p>\n\n<table id=\"tablepress-7\" class=\"tablepress tablepress-id-7\">\n<thead>\n<tr class=\"row-1 odd\">\n\t<th class=\"column-1\">Problem <\/th><th class=\"column-2\">Issue<\/th><th class=\"column-3\">Business risk <\/th><th class=\"column-4\">Quantifier<\/th><th class=\"column-5\">Cost <\/th>\n<\/tr>\n<\/thead>\n<tbody class=\"row-hover\">\n<tr class=\"row-2 even\">\n\t<td class=\"column-1\">This is the data quality problem that resides in your dataset.  <\/td><td class=\"column-2\">These are the various issues that can arise due to the data problem.  <\/td><td class=\"column-3\">This is the impact the issue can have on the business.  <\/td><td class=\"column-4\">This quantifies the impact in terms of a business measure.  <\/td><td class=\"column-5\">This provides a periodic estimated cost incurred due to the business impact.  <\/td>\n<\/tr>\n<tr class=\"row-3 odd\">\n\t<td colspan=\"5\" class=\"column-1\"><strong>Example <\/strong><\/td>\n<\/tr>\n<tr class=\"row-4 even\">\n\t<td class=\"column-1\">Misspelled customer name and contact information  <\/td><td class=\"column-2\">Duplicate records created for the same customer <\/td><td class=\"column-3\">Customer service: Increased number of inbound calls <\/td><td class=\"column-4\">Increased staff time  <\/td><td class=\"column-5\">$30,000.00 worth more staff time required <\/td>\n<\/tr>\n<tr class=\"row-5 odd\">\n\t<td class=\"column-1\"><\/td><td class=\"column-2\"><\/td><td class=\"column-3\">Customer service: Decreased customer satisfaction  <\/td><td class=\"column-4\">Order reduction, lost customers  <\/td><td class=\"column-5\">~500 less orders this year (as compared to estimated)  <\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<!-- #tablepress-7 from cache -->\n<h2>Verwaltung der Datenqualit\u00e4t  <\/h2>\n<p>Wir befassten uns mit den Grundlagen der Datenqualit\u00e4t, mit Problemen der Datenqualit\u00e4t und deren Zusammenhang mit Gesch\u00e4ftsrisiken. Jetzt ist es an der Zeit zu sehen, was das Datenqualit\u00e4tsmanagement  Plan  ist: Wie k\u00f6nnen Sie die Datenqualit\u00e4t im Laufe der Zeit verbessern und konsistent verwalten und alle Vorteile nutzen, die Ihr Unternehmen daraus ziehen kann. Fangen wir an. <\/p>\n<h3>Was ist Datenqualit\u00e4tsmanagement?  <\/h3>\n<p>Datenqualit\u00e4tsmanagement ist definiert als: Die Implementierung eines systematischen Rahmens, der kontinuierlich Datenquellen profiliert, die Qualit\u00e4t der Informationen \u00fcberpr\u00fcft und eine Reihe von Prozessen zur Beseitigung von Datenqualit\u00e4tsfehlern durchf\u00fchrt &#8211; in dem Bestreben, die Daten genauer, korrekter, g\u00fcltiger, vollst\u00e4ndiger und zuverl\u00e4ssiger zu machen. Da die Anforderungen und Merkmale der Datenqualit\u00e4t in jedem Unternehmen anders sind, unterscheidet sich auch das Datenqualit\u00e4tsmanagement von Unternehmen zu Unternehmen. Die Art der Mitarbeiter, die Sie f\u00fcr die Verwaltung der Datenqualit\u00e4t ben\u00f6tigen, die Metriken, die Sie zur Messung ben\u00f6tigen, die Datenqualit\u00e4tsprozesse, die Sie implementieren m\u00fcssen &#8211; all das h\u00e4ngt von verschiedenen Faktoren ab, z. B. von der Unternehmensgr\u00f6\u00dfe, der Gr\u00f6\u00dfe der Datenmenge, den beteiligten Quellen usw. Im Folgenden werden die wichtigsten S\u00e4ulen der Datenqualit\u00e4tsimplementierung und des Datenqualit\u00e4tsmanagements er\u00f6rtert, die Ihnen eine gute Vorstellung davon vermitteln, wie Sie die Datenqualit\u00e4t in Ihrem Unternehmen f\u00fcr Ihre spezifischen Anforderungen sicherstellen k\u00f6nnen.<\/p>\n<h3>Was sind die 5 S\u00e4ulen des Datenqualit\u00e4tsmanagements?<\/h3>\n<p>In diesem Abschnitt befassen wir uns mit den wichtigsten S\u00e4ulen des Datenqualit\u00e4tsmanagements: Menschen, Messung, Prozesse, Rahmenbedingungen und Technologie. <\/p>\n<h4>01. Die Menschen: Wer ist am Datenqualit\u00e4tsmanagement beteiligt?  <\/h4>\n<p>Es ist eine weit verbreitete Meinung, dass man bei der Verwaltung der Datenqualit\u00e4t im gesamten Unternehmen die Zustimmung und das Einverst\u00e4ndnis der Entscheidungstr\u00e4ger einholen muss. Die Wahrheit ist jedoch, dass Sie Datenexperten auf verschiedenen F\u00fchrungsebenen ben\u00f6tigen, um sicherzustellen, dass sich Ihre Investitionen in Datenqualit\u00e4tsinitiativen auszahlen.   <\/p>\n<p>Im Folgenden sind einige Rollen aufgef\u00fchrt, die entweder f\u00fcr die Kontrolle der Datenqualit\u00e4t in einem Unternehmen verantwortlich, rechenschaftspflichtig, beratend t\u00e4tig oder dar\u00fcber informiert sind: <\/p>\n<p><b>a) Leiter der Datenabteilung (CDO):<\/b><br \/>\n   Ein Chief Data Officer (CDO) ist eine Position auf F\u00fchrungsebene, die ausschlie\u00dflich f\u00fcr die Entwicklung von Strategien f\u00fcr die Datennutzung, die \u00dcberwachung der Datenqualit\u00e4t und die Datenverwaltung im gesamten Unternehmen zust\u00e4ndig ist.\n <\/p>\n<p><b>b)<br \/>\n      Datenverwalter:<br \/>\n <\/b>Ein Datenverwalter ist der Ansprechpartner in einem Unternehmen f\u00fcr alle Fragen im Zusammenhang mit Daten. Sie sind sehr praktisch veranlagt  in wie das Unternehmen Daten erfasst, wo sie gespeichert werden, welche Bedeutung sie f\u00fcr die verschiedenen Abteilungen haben und wie die Qualit\u00e4t der Daten w\u00e4hrend ihres gesamten Lebenszyklus gew\u00e4hrleistet wird.<\/p>\n<p><b>c) Verwahrer der Daten:<\/b><br \/>\n          A<br \/>\n           Datenverwalter ist f\u00fcr die Struktur der Datenfelder verantwortlich &#8211; einschlie\u00dflich Datenbankstrukturen und -modelle.\n<\/p>\n<p><b>d)<br \/>\n  Datenanalytiker:<br \/>\n<\/b> Ein Datenanalyst ist jemand, der in der Lage ist, Rohdaten in aussagekr\u00e4ftige Erkenntnisse umzuwandeln &#8211; insbesondere in bestimmten Bereichen. Eine Hauptaufgabe des Datenanalysten ist die Vorbereitung, Bereinigung und Filterung der ben\u00f6tigten Daten.<\/p>\n<p><b>e) Andere Teams: <\/b><br \/>\n  Diese Rollen werden als Datenkonsumenten betrachtet, d. h. sie nutzen Daten &#8211; entweder in ihrer Rohform oder wenn sie in umsetzbare Erkenntnisse umgewandelt werden, wie z. B. Vertriebs- und Marketingteams, Produktteams, Gesch\u00e4ftsentwicklungsteams usw.\n<\/p>\n<p>\n  Lesen Sie mehr \u00fcber<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/aufbau-eines-datenqualitaetsteams-zu-beruecksichtigende-rollen-und-zustaendigkeiten\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Aufbau eines Datenqualit\u00e4tsteams: Zu beachtende Rollen und Verantwortlichkeiten<br \/>\n<\/a><br \/>\n  .\n <\/p>\n<h4>02. Die Messung: Wie wird die Datenqualit\u00e4t gemessen?  <\/h4>\n<p>Der zweitwichtigste Aspekt des Datenqualit\u00e4tsmanagements ist seine Messung. Dabei handelt es sich um Datenmerkmale und wichtige Leistungsindikatoren, die das Vorhandensein von Datenqualit\u00e4t in Unternehmensdatens\u00e4tzen best\u00e4tigen. Je nachdem, wie Ihr Unternehmen Daten nutzt, k\u00f6nnen diese KPIs unterschiedlich ausfallen. Ich habe die wichtigsten Daten aufgelistet  Qualit\u00e4t Dimensionen und die Qualit\u00e4tsmetrik, die sie darstellen: <\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img width=\"800\" height=\"982\" src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/10-DQ-metrics-1-752x1024.png\" alt=\"\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/10-DQ-metrics-1-752x1024.png 834w, https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/10-DQ-metrics-1-e1659333873478-244x300.png 244w, https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/10-DQ-metrics-1-e1659333873478-768x943.png 768w, https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/10-DQ-metrics-1-e1659333873478.png 938w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<ul>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Genauigkeit:<\/b> Wie gut bilden die Datenwerte die Realit\u00e4t oder die Richtigkeit ab?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Herkunft:<\/b> Wie vertrauensw\u00fcrdig ist die urspr\u00fcngliche Quelle der Datenwerte?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Semantisch:<\/b> Entsprechen die Datenwerte ihrer Bedeutung?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Struktur:<\/b> Sind die Datenwerte im richtigen Muster und\/oder Format vorhanden?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Vollst\u00e4ndigkeit:<\/b> Sind Ihre Daten so umfassend, wie Sie sie ben\u00f6tigen?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Konsistenz:<\/b> Haben die verschiedenen Datenspeicher die gleichen Datenwerte f\u00fcr die gleichen Datens\u00e4tze?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>W\u00e4hrung:<\/b> Ist die Aktualit\u00e4t Ihrer Daten akzeptabel?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Rechtzeitigkeit:<\/b> Wie schnell werden die angeforderten Daten zur Verf\u00fcgung gestellt?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Angemessenheit:<\/b> Haben die Datenwerte den richtigen Datentyp und die richtige Gr\u00f6\u00dfe?\n\t\t\t\t\t\t\t\t\t<\/li>\n<li>\n\t\t\t\t\t\t\t\t\t\t<b>Identifizierbarkeit:<\/b> Stellt jeder Datensatz eine eindeutige Identit\u00e4t dar und ist kein Duplikat?\n\t\t\t\t\t\t\t\t\t<\/li>\n<\/ul>\n<p>\n  Lesen Sie mehr \u00fcber<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/dimensionen-der-datenqualitaet-10-metriken-die-sie-messen-sollten\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Dimensionen der Datenqualit\u00e4t &#8211; 10 Metriken, die Sie messen sollten<br \/>\n<\/a><br \/>\n  .\n <\/p>\n<h4>03. Prozess: Was sind Datenqualit\u00e4tsprozesse?  <\/h4>\n<p>Da die Datenmenge in den letzten Jahrzehnten massiv zugenommen hat, sind sie multivariat und werden in mehreren Dimensionen gemessen. Um Datenqualit\u00e4tsprobleme zu finden, zu beheben und zu verbessern, m\u00fcssen Sie eine Vielzahl von Datenqualit\u00e4tsprozessen implementieren, von denen jeder einzelne einen anderen, wertvollen Zweck erf\u00fcllt. Werfen wir einen Blick auf die h\u00e4ufigsten Datenqualit\u00e4tsprozesse, die Unternehmen zur Verbesserung ihrer Datenqualit\u00e4t einsetzen. <\/p>\n<p><a style=\"color: #0063c1;\" href=\"https:\/\/dataladder.com\/de\/software-und-tools-zur-datenprofilerstellung-erhalten-sie-sofortige-ergebnisse-der-datenqualitaetsbewertung\/\">a) Erstellung von Datenprofilen<\/a> <\/p>\n<p>Es geht darum, den aktuellen Zustand Ihrer Daten zu verstehen, indem verborgene Details \u00fcber ihre Struktur und ihren Inhalt aufgedeckt werden. Ein Algorithmus zur Erstellung von Datenprofilen analysiert die Spalten des Datensatzes und berechnet Statistiken f\u00fcr verschiedene Dimensionen, wie Vollst\u00e4ndigkeit, Eindeutigkeit, H\u00e4ufigkeit, Charakter und Musteranalyse usw. <\/p>\n<p><b style=\"color: #0063c1;\">b) Datenbereinigung und -standardisierung<\/b><\/p>\n<p>Es handelt sich um den Prozess der Beseitigung falscher und ung\u00fcltiger Informationen in einem Datensatz, um eine konsistente und nutzbare Ansicht \u00fcber alle Datenquellen hinweg zu erhalten. Dazu geh\u00f6ren das Entfernen und Ersetzen falscher Werte, das Parsen l\u00e4ngerer Spalten, die Umwandlung von Gro\u00df- und Kleinschreibung, das Zusammenf\u00fchren von Spalten usw. <\/p>\n<p><b style=\"color: #0063c1;\">c) <a style=\"color: #0063c1;\" href=\"https:\/\/dataladder.com\/de\/datenabgleichssoftware-als-best-in-class-mit-96-match-genauigkeit-bewertet\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Datenabgleich<br \/>\n<\/a> <\/b><\/p>\n<p>\n  Auch bekannt als<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/software-zur-datensatzverknuepfung\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Datensatzverkn\u00fcpfung<br \/>\n<\/a><br \/>\n   und<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/entity-resolution-software-die-schnellste-und-genaueste-entity-resolution-der-branche\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Entit\u00e4tsaufl\u00f6sung<br \/>\n<\/a>ist es  der Vorgang, bei dem zwei oder mehr Datens\u00e4tze verglichen werden, um festzustellen, ob sie zu ein und derselben Entit\u00e4t geh\u00f6ren. Sie umfasst die Kartierung  die gleichen Spalten, die Auswahl der abzugleichenden Spalten, die Ausf\u00fchrung von Abgleichsalgorithmen, die Analyse der Abgleichsergebnisse und die Abstimmung der Abgleichsalgorithmen, um genaue Ergebnisse zu erzielen. <\/p>\n<p><b style=\"color: #0063c1;\">d) <a style=\"color: #0063c1;\" href=\"https:\/\/dataladder.com\/de\/datendeduplizierungssoftware-verwenden-sie-integrierte-und-benutzerdefinierte-regeln-fuer-die-crm-deduplizierung\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Deduplizierung von Daten<br \/>\n<\/a> <\/b><\/p>\n<p>Dabei werden mehrere Datens\u00e4tze, die zur selben Entit\u00e4t geh\u00f6ren, eliminiert und nur ein Datensatz pro Entit\u00e4t beibehalten. Dazu geh\u00f6rt die Analyse der doppelten Datens\u00e4tze in einer Gruppe, die Markierung der doppelten Datens\u00e4tze und deren anschlie\u00dfende L\u00f6schung aus dem Datensatz. <\/p>\n<p><b style=\"color: #0063c1;\">e) <a style=\"color: #0063c1;\" href=\"https:\/\/dataladder.com\/de\/merge-purge-software-integrierte-und-benutzerdefinierte-ueberlebensregeln-verwenden\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Datenzusammenf\u00fchrung und \u00dcberlebensf\u00e4higkeit<br \/>\n<\/a> <\/b><\/p>\n<p>Sie ist  der Prozess der Erstellung von Regeln, die doppelte Datens\u00e4tze durch bedingte Auswahl und \u00dcberschreiben zusammenf\u00fchren. Dies hilft Ihnen, Datenverluste zu vermeiden und ein Maximum an Informationen von Duplikaten zu erhalten. Dazu geh\u00f6rten die Definition von Regeln f\u00fcr die Auswahl und das \u00dcberschreiben von Stamms\u00e4tzen, die Ausf\u00fchrung von Regeln und deren Abstimmung, um genaue Ergebnisse zu erzielen. <\/p>\n<p><b style=\"color: #0063c1;\">f)<br \/>\n  Daten<br \/>\n  Governance<br \/>\n <\/b><\/p>\n<p>Der Begriff Data Governance bezieht sich in der Regel auf eine Sammlung von Rollen, Richtlinien, Arbeitsabl\u00e4ufen, Standards und Metriken, die eine effiziente Datennutzung und -sicherheit gew\u00e4hrleisten und es einem Unternehmen erm\u00f6glichen, seine Gesch\u00e4ftsziele zu erreichen. Dazu geh\u00f6ren die Erstellung von Datenrollen und die Zuweisung von Berechtigungen, die Entwicklung von Arbeitsabl\u00e4ufen zur \u00dcberpr\u00fcfung von Informationsaktualisierungen, die Gew\u00e4hrleistung des Schutzes der Daten vor Sicherheitsrisiken usw. <\/p>\n<p><b style=\"color: #0063c1;\">g) <a style=\"color: #0063c1;\" href=\"https:\/\/dataladder.com\/de\/adressverifizierungssoftware-integrierter-adressabgleich-bereinigung-und-geokodierung\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    \u00dcberpr\u00fcfung der Adresse<br \/>\n<\/a> <\/b><\/p>\n<p>Dabei werden die Adressen mit einer ma\u00dfgeblichen Datenbank abgeglichen &#8211; z. B. mit der des USPS in den USA &#8211; und es wird \u00fcberpr\u00fcft, ob es sich bei der Adresse um einen f\u00fcr die Postzustellung geeigneten, genauen und g\u00fcltigen Ort innerhalb des Landes handelt. <\/p>\n<p>\n  Lesen Sie mehr \u00fcber die<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/5-datenqualitaetsprozesse-die-man-kennen-sollte-bevor-man-einen-dqm-rahmen-entwirft\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    5 Datenqualit\u00e4tsprozesse, die Sie kennen sollten, bevor Sie ein DQM-Rahmenwerk entwerfen<br \/>\n<\/a><br \/>\n  .\n <\/p>\n<h4>04. Rahmen: Was ist ein Datenqualit\u00e4tsrahmen?  <\/h4>\n<p>Neben den Datenqualit\u00e4tsprozessen ist ein weiterer wichtiger Aspekt, der bei der Entwicklung einer Datenqualit\u00e4tsstrategie zu ber\u00fccksichtigen ist, ein Datenqualit\u00e4ts Rahmenwerk. Die Prozesse stellen eigenst\u00e4ndige Techniken dar, die zur Beseitigung von Datenqualit\u00e4tsproblemen in Ihren Datens\u00e4tzen eingesetzt werden. A Datenqualit\u00e4t  Rahmenwerk  ist ein systematischer Prozess, der die Datenqualit\u00e4t konsequent \u00fcberwacht, eine Vielzahl von Datenqualit\u00e4tsprozessen (in einer bestimmten Reihenfolge) implementiert und sicherstellt, dass sie nicht unter festgelegte Schwellenwerte sinkt. Sie enth\u00e4lt weitere Einzelheiten \u00fcber den Prozessablauf des Datenqualit\u00e4tsmanagements. <\/p>\n<p>Ein einfacher Rahmen f\u00fcr die Datenqualit\u00e4t besteht aus vier Stufen: <\/p>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img width=\"800\" height=\"831\" src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/data-quality-lifecyclce-1-986x1024.png\" alt=\"\" srcset=\"https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/data-quality-lifecyclce-1-986x1024.png 986w, https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/data-quality-lifecyclce-1-289x300.png 289w, https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/data-quality-lifecyclce-1-768x798.png 768w, https:\/\/dataladder.com\/wp-content\/uploads\/2022\/07\/data-quality-lifecyclce-1.png 1026w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p><b style=\"color: #0063c1;\">a) Bewerten: <\/b><br \/>\n  Dies ist der erste Schritt des Rahmens, in dem Sie die beiden Hauptkomponenten bewerten m\u00fcssen: die Bedeutung der Datenqualit\u00e4t f\u00fcr Ihr Unternehmen und die Bewertung der aktuellen Daten im Vergleich dazu.\n <\/p>\n<p><b style=\"color: #0063c1;\">b) Entwurf:<\/b><br \/>\n   Der n\u00e4chste Schritt im Datenqualit\u00e4ts-Framework besteht darin, die erforderlichen Gesch\u00e4ftsregeln zu entwerfen, indem die ben\u00f6tigten Datenqualit\u00e4tsprozesse ausgew\u00e4hlt und auf Ihre Daten abgestimmt werden, sowie das architektonische Design der Datenqualit\u00e4tsfunktionen festzulegen.\n <\/p>\n<p><b style=\"color: #0063c1;\">c)<br \/>\n  Ausf\u00fchren:<br \/>\n <\/b>Die dritte Phase des Zyklus ist die Phase der Ausf\u00fchrung. In den beiden vorangegangenen Schritten haben Sie die B\u00fchne vorbereitet, nun ist es an der Zeit zu sehen, wie gut das System tats\u00e4chlich funktioniert.<\/p>\n<p><b style=\"color: #0063c1;\">d)<br \/>\n  \u00dcberwachen:<br \/>\n<\/b> Dies ist die letzte Phase des Rahmens, in der die Ergebnisse \u00fcberwacht werden. Sie k\u00f6nnen fortgeschrittene Datenprofilierungstechniken verwenden, um detaillierte Leistungsberichte zu erstellen.<\/p>\n<p>\n  Lesen Sie mehr \u00fcber<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/entwurf-eines-rahmens-fuer-das-datenqualitaetsmanagement\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Entwurf eines Rahmens f\u00fcr das Datenqualit\u00e4tsmanagement<br \/>\n<\/a><br \/>\n  .\n <\/p>\n<h4>05. Technologie: Was sind Datenqualit\u00e4tsmanagement-Tools?  <\/h4>\n<p>Obwohl Datenqualit\u00e4tsprobleme von Natur aus recht komplex sind, validieren viele Unternehmen die Datenqualit\u00e4t immer noch manuell, was zu zahlreichen Fehlern f\u00fchrt. Die Einf\u00fchrung einer technologischen L\u00f6sung f\u00fcr dieses Problem ist der beste Weg, um die Produktivit\u00e4t Ihres Teams und die reibungslose Umsetzung eines Datenqualit\u00e4tsrahmens zu gew\u00e4hrleisten. Es gibt viele Anbieter, die Datenqualit\u00e4tsfunktionen in verschiedenen Angeboten b\u00fcndeln, z. B: <\/p>\n<p><b style=\"color: #0063c1;\">a)<br \/>\n  Eigenst\u00e4ndige Datenqualit\u00e4tssoftware zur Selbstbedienung<br \/>\n  Software<br \/>\n  :<br \/>\n <\/b><\/p>\n<p>Mit dieser Art von Datenqualit\u00e4tsmanagement-Software k\u00f6nnen Sie eine Vielzahl von Datenqualit\u00e4tsprozessen f\u00fcr Ihre Daten durchf\u00fchren. Sie verf\u00fcgen in der Regel \u00fcber ein automatisiertes Datenqualit\u00e4tsmanagement oder Stapelverarbeitungsfunktionen zum Bereinigen, Abgleichen und Zusammenf\u00fchren gro\u00dfer Datenmengen zu bestimmten Zeiten am Tag. Es ist eine der schnellsten und sichersten Methoden zur Konsolidierung von Datens\u00e4tzen, ohne dass wichtige Informationen verloren gehen, da alle Prozesse auf einer Kopie der Daten ausgef\u00fchrt werden und die endg\u00fcltige Datenansicht an eine Zielquelle \u00fcbertragen werden kann.  <\/p>\n<p><b style=\"color: #0063c1;\">b)<br \/>\n  Datenqualit\u00e4t API oder SDK:<br \/>\n<\/b><\/p>\n<p>\n  Einige Anbieter stellen die erforderlichen Datenqualit\u00e4tsfunktionen \u00fcber<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/produkte\/datamatch-enterprise-api-datenqualitaets-firewall-fuer-echtzeitverarbeitung\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    APIs oder SDKs<br \/>\n<\/a>. So k\u00f6nnen Sie alle Funktionen des Datenqualit\u00e4tsmanagements in Echtzeit oder zur Laufzeit in Ihre bestehenden Anwendungen integrieren. Lesen Sie mehr \u00fcber  <a href=\"https:\/\/dataladder.com\/de\/datenqualitaets-api-funktionen-architektur-und-vorteile\/\" target=\"_blank\" rel=\"noreferrer noopener\">Datenqualit\u00e4ts-API: Funktionen, Architektur und Vorteile.<\/a> <\/p>\n<p><b style=\"color: #0063c1;\">c)<br \/>\n  Datenqualit\u00e4t eingebettet in Datenmanagement-Tools<br \/>\n <\/b><\/p>\n<p>\n  Einige Anbieter betten Datenqualit\u00e4ts<br \/>\n  F\u00e4higkeiten<br \/>\n  in<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/verstaendnis-von-datenqualitaet-und-stammdatenmanagement-der-bedarf-an-systematischen-zentralisierten-daten-teil-1-von-3\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    zentralisierten Datenmanagement-Plattformen<br \/>\n<\/a>  so dass alles in der gleichen Datenpipeline erledigt werden kann. Die Entwicklung eines durchg\u00e4ngigen Datenverwaltungssystems mit eingebetteter Datenqualit\u00e4tsfunktion erfordert eine detaillierte Planung und Analyse sowie die Einbeziehung der wichtigsten Interessengruppen bei jedem Schritt des Prozesses. Solche Systeme werden oft als Paket angeboten  <a href=\"https:\/\/dataladder.com\/de\/verstaendnis-von-datenqualitaet-und-stammdatenmanagement-ist-eine-mdm-loesung-die-antwort-auf-ihr-datenproblem-teil-2-von-3\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Stammdaten-Management<br \/>\n<\/a><br \/>\n   L\u00f6sungen.\n  <\/p>\n<h5>Wie unterscheidet sich das Datenqualit\u00e4tsmanagement vom Stammdatenmanagement?  <\/h5>\n<ul>\n<li>\n\t\t\t\t\t\t\t\t\t\tDer Begriff &#8222;Stammdatenmanagement&#8220; bezieht sich auf eine Sammlung von Best Practices f\u00fcr das Datenmanagement, die Datenintegration, Datenqualit\u00e4t und Data Governance umfassen. Das bedeutet, dass Datenqualit\u00e4t und Stammdatenmanagement keine Gegens\u00e4tze sind, sondern sich vielmehr erg\u00e4nzen. MDM-L\u00f6sungen enthalten neben den Funktionen f\u00fcr das Datenqualit\u00e4tsmanagement einige zus\u00e4tzliche Funktionen. Dies macht MDM definitiv zu einer komplexeren und ressourcenintensiveren L\u00f6sung, was bei der Wahl zwischen den beiden Ans\u00e4tzen zu ber\u00fccksichtigen ist.\n\t\t\t\t\t\t\t\t\t<\/li>\n<\/ul>\n<p>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img width=\"500\" height=\"500\" src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/10\/Data-extraction-amico.svg\" alt=\"\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/p>\n<p><b style=\"color: #0063c1;\">c)<br \/>\n  Kundenspezifische interne L\u00f6sungen<br \/>\n <\/b><\/p>\n<p>Obwohl es auf dem Markt verschiedene L\u00f6sungen f\u00fcr Datenqualit\u00e4t und Stammdatenmanagement gibt, investieren viele Unternehmen in die Entwicklung einer eigenen L\u00f6sung f\u00fcr ihre individuellen Datenanforderungen. Auch wenn dies sehr vielversprechend klingt, verschwenden die Unternehmen bei diesem Prozess oft eine gro\u00dfe Anzahl von Ressourcen &#8211; Zeit und Geld -. Die Entwicklung einer solchen L\u00f6sung mag zwar einfacher zu implementieren sein, aber es ist fast unm\u00f6glich, sie auf Dauer zu erhalten. <\/p>\n<p>\n  Wenn Sie mehr dar\u00fcber erfahren m\u00f6chten, lesen Sie unser Whitepaper:<br \/>\n<a href=\"https:\/\/dataladder.com\/fr\/whitepapers\/pourquoi-les-projets-internes-de-qualite-des-donnees-echouent\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Warum interne Datenqualit\u00e4tsprojekte scheitern<br \/>\n<\/a><br \/>\n  .\n <\/p>\n<h3>Was sind die besten Praktiken f\u00fcr das Datenqualit\u00e4tsmanagement?<\/h3>\n<p>Werfen wir einen kurzen Blick auf die bew\u00e4hrten Verfahren zur Datenqualit\u00e4t: <\/p>\n<p><b style=\"color: #0063c1;\">a) <\/b><br \/>\n  Ermitteln Sie die Beziehung zwischen<br \/>\n  Daten und Unternehmensleistung<br \/>\n  und welche genauen Auswirkungen eine schlechte Datenqualit\u00e4t auf Ihre Unternehmensziele hat.\n<\/p>\n<p><b style=\"color: #0063c1;\">b) <\/b><br \/>\n  Messung und Pflege der<br \/>\n  Definition von Datenqualit\u00e4t<br \/>\n  W\u00e4hlen Sie eine Liste von Metriken aus, die Ihnen und Ihren Teams helfen, sich \u00fcber die Datenqualit\u00e4t und ihre Bedeutung f\u00fcr Ihr Unternehmen einig zu werden.\n<\/p>\n<p><b style=\"color: #0063c1;\">c) <\/b><br \/>\n  Einrichtung von<br \/>\n  Rollen und Verantwortlichkeiten f\u00fcr Daten<br \/>\n   in der gesamten Organisation, um die Verantwortung f\u00fcr die Erreichung und Aufrechterhaltung der Datenqualit\u00e4t zu \u00fcbertragen &#8211; von der obersten Ebene bis zum Betriebspersonal.\n<\/p>\n<p><b style=\"color: #0063c1;\">d)<\/b><br \/>\n  Schulung und Ausbildung von Teams<br \/>\n   \u00fcber Datenbest\u00e4nde und deren Eigenschaften, den Umgang mit Daten und die Auswirkungen ihres Handelns auf das gesamte Daten\u00f6kosystem.\n<\/p>\n<p><b style=\"color: #0063c1;\">e)<\/b><br \/>\n  Kontinuierlich<br \/>\n\u00fcberwachen den Zustand der Daten<br \/>\n   durch Datenprofilierung und<br \/>\n  verborgene Details \u00fcber ihre Struktur und ihren Inhalt aufdecken.\n <\/p>\n<p><b style=\"color: #0063c1;\">f)<\/b><br \/>\n  Entwurf und<br \/>\n  pflegen Datenpipelines<br \/>\n   die eine nummerierte Liste von<br \/>\n  Operationen<br \/>\n   auf eingehende Daten ausf\u00fchrt, um eine einzige Quelle der Wahrheit zu erhalten.\n <\/p>\n<p><b style=\"color: #0063c1;\">g)<\/b><br \/>\n  durchf\u00fchren<br \/>\n  Ursachenanalyse<br \/>\n   von Datenqualit\u00e4tsfehlern, um zu verstehen, woher die Datenqualit\u00e4tsfehler kommen, und diese Probleme an der Quelle zu beheben.\n <\/p>\n<p><b style=\"color: #0063c1;\">h)<\/b><br \/>\n  Nutzung der Technologie<br \/>\n  um<br \/>\n  zu erreichen<br \/>\n   Datenqualit\u00e4t zu erreichen und zu erhalten, denn<br \/>\n  kein<br \/>\n   Denn kein Prozess verspricht eine gute Leistung und den besten ROI, wenn er nicht durch Technologie automatisiert und optimiert wird.\n <\/p>\n<p>\n  Wenn Sie mehr \u00fcber jede dieser Praktiken erfahren m\u00f6chten, lesen Sie unseren ausf\u00fchrlichen Blog<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/8-bewaehrte-verfahren-zur-gewaehrleistung-der-datenqualitaet-auf-unternehmensebene\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    8 Best Practices zur Sicherung der Datenqualit\u00e4t auf Unternehmensebene<br \/>\n<\/a><br \/>\n  .\n <\/p>\n<h3>Beispiele aus der Praxis f\u00fcr das Datenqualit\u00e4tsmanagement  <\/h3>\n<p>\n  In diesem letzten Abschnitt unseres Leitfadens werden wir uns einige Anwendungsf\u00e4lle f\u00fcr die Datenqualit\u00e4t ansehen und herausfinden, wie renommierte Marken die folgenden Tools einsetzen<br \/>\n<a href=\"https:\/\/dataladder.com\/de\/produkte\/datamatch-enterprise-bewertetes-datenqualitaetsmanagementprodukt-nr-1\/\" target=\"_blank\" rel=\"noreferrer noopener\"><br \/>\n    Tools f\u00fcr Datenbereinigung und -abgleich<br \/>\n<\/a><br \/>\n   f\u00fcr das Management der Qualit\u00e4t ihrer Daten einsetzen und was sie dar\u00fcber zu sagen haben.\n <\/p>\n<h4>01. Datenqualit\u00e4tsmanagement im Einzelhandel  <\/h4>\n<p>\t\t\t\t\t\t<img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title-1@2x.png\"><\/p>\n<p>Der gr\u00f6\u00dfte Vorteil von DataMatch Enterprise\u2122 war die Fuzzy-Logik und der synthetische Abgleich. Es war einfach etwas, das ich selbst nicht nachmachen konnte.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title@2x.png\"><br \/>\n\t\t\t\t\t<cite>Marty YantzieManager f\u00fcr PC-Support und Systementwicklung, Buckle  <\/cite>\t\t\t\t<\/p>\n<p><a href=\"https:\/\/www.buckle.com\/\">Schnalle  <\/a>ist ein f\u00fchrender Einzelh\u00e4ndler f\u00fcr Denim, Sportbekleidung, Oberbekleidung, Schuhe und Accessoires mit \u00fcber 450 Gesch\u00e4ften in 43 Staaten. Buckle stand vor der Herausforderung, gro\u00dfe Mengen von Datens\u00e4tzen aus Hunderten von Gesch\u00e4ften zu sortieren. Die Hauptaufgabe bestand darin, alle doppelten Informationen zu beseitigen, die in das aktuelle iSeries DB2-System geladen worden waren. Man suchte nach einer effizienten Methode, um doppelte Daten zu entfernen, die etwa 10 Millionen Datens\u00e4tze ausmachten.   <\/p>\n<p>DataMatch Enterprise\u2122 bot eine brauchbare und effizientere L\u00f6sung f\u00fcr Buckle. Das Unternehmen war in der Lage, eine gro\u00dfe Anzahl von Datens\u00e4tzen durch das  <a href=\"https:\/\/dataladder.com\/de\/die-angst-vor-doppelten-daten-ein-leitfaden-zur-datendeduplizierung\/\"><br \/>\n  Deduplizierungsprozess<br \/>\n<\/a> als ein Projekt unter Verwendung eines einzigen Softwaretools im Gegensatz zur Verwendung mehrerer verschiedener Methoden. <\/p>\n<h4>02. Datenqualit\u00e4tsmanagement im Gesundheitswesen  <\/h4>\n<p>\t\t\t\t\t\t<img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title-1@2x.png\"><\/p>\n<p>DataMatch Enterprise\u2122 war viel einfacher zu verwenden als die anderen L\u00f6sungen, die wir uns angesehen haben. Die M\u00f6glichkeit, die Datenbereinigung und den Abgleich zu automatisieren, hat uns jedes Jahr Hunderte von Personenstunden eingespart.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title@2x.png\"><br \/>\n\t\t\t\t\t<cite>Shelley Hahn  Gesch\u00e4ftsentwicklung, St. John Associates  <\/cite>\t\t\t\t<\/p>\n<p><a href=\"https:\/\/stjohnjobs.com\/\">St. John Associates<\/a>  bietet Vermittlungs- und Rekrutierungsdienste in den Bereichen Kardiologie, Notfallmedizin, Gastroenterologie, neurologische Chirurgie, Neurologie, orthop\u00e4dische Chirurgie und anderen Bereichen. Mit einer wachsenden Datenbank von Bewerbern ben\u00f6tigte St. John Associates eine M\u00f6glichkeit zum Deduplizieren, Bereinigen und Abgleichen von Datens\u00e4tzen. Nachdem diese Aufgabe mehrere Jahre lang manuell ausgef\u00fchrt wurde, beschloss das Unternehmen, dass es an der Zeit war, ein Tool einzusetzen, das den Zeitaufwand f\u00fcr die  <a href=\"https:\/\/dataladder.com\/de\/datenbereinigungssoftware-schnelles-und-kostenguenstiges-crm-datenbereinigungstool\/\"><br \/>\n  Reinigungsprotokolle<br \/>\n<\/a>. <\/p>\n<p>Mit DataMatch Enterprise war St. John Associates in der Lage, eine erste Datenbereinigung vorzunehmen, bei der Daten gefunden wurden, Zusammenf\u00fchren und Bereinigung von  Hunderttausende von Datens\u00e4tzen in einem kurzen Zeitraum. DataMatch\u2122 half, den Prozess der Deduplizierung durch <a href=\"https:\/\/dataladder.com\/de\/fuzzy-matching-101-bereinigung-und-verknuepfung-ungeordneter-daten\/\">Fuzzy-Matching-Algorithmen<\/a> zu beschleunigen und erleichterte das Sortieren von Datenfeldern, um ung\u00fcltige Informationen zu finden. Au\u00dferdem entf\u00e4llt die Notwendigkeit der manuellen Eingabe, da die Benutzer \u00c4nderungen exportieren und bei Bedarf hochladen k\u00f6nnen. <\/p>\n<h4>03. Datenqualit\u00e4tsmanagement bei Finanzdienstleistungen  <\/h4>\n<p>\t\t\t\t\t\t<img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title-1@2x.png\"><\/p>\n<p>Das schrittweise und assistenten\u00e4hnliche Tool, das Sie durch den Prozess der Einrichtung eines Projekts f\u00fchrt. Es ist sehr intuitiv und erm\u00f6glicht es uns, alle Arten von Projekten zu erstellen und alle Arten von Datenquellen einzubinden. Einer der Gr\u00fcnde, warum wir uns f\u00fcr DL entschieden haben, war, dass es eine DB2-Importfunktion gibt, mit der wir direkt in unsere DB2-Datenbank gehen k\u00f6nnen. Mit der Schnittstelle konnten wir gute Ergebnisse erzielen und sie ist sehr einfach zu bedienen.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title@2x.png\"><br \/>\n\t\t\t\t\t<cite>Scott FordIT-L\u00f6sungsarchitekt, Bell Bank  <\/cite>\t\t\t\t<\/p>\n<p><a href=\"https:\/\/bell.bank\/\">Glockenbank<\/a>  ist eine der gr\u00f6\u00dften unabh\u00e4ngigen Banken des Landes mit einer Bilanzsumme von mehr als 6 Milliarden Dollar und ist in allen 50 Bundesstaaten vertreten. Als gro\u00dfe Privatbank arbeitet die Bell Bank mit vielen Anbietern und Dutzenden von Dienstleistungssparten zusammen &#8211; von Hypotheken bis zu Versicherungen, von der Altersvorsorge bis zur Verm\u00f6gensverwaltung und vielen mehr. Mit Informationen, die isoliert und in verschiedenen <a href=\"https:\/\/dataladder.com\/de\/zusammenfuehrung-von-daten-aus-mehreren-quellen-herausforderungen-und-loesungen\/\"><br \/>\n  unterschiedlichen Datenquellen<br \/>\n<\/a>war es f\u00fcr die Bank schwierig, einen einzigen, konsolidierten \u00dcberblick \u00fcber ihre Kunden zu erhalten; ganz zu schweigen davon, dass ihr durch das Versenden mehrerer E-Mails an einen Anbieter oder Kunden unn\u00f6tige Kosten entstanden.   <\/p>\n<p>DataMatch Enterprise ist ein wichtiger Bestandteil der bankinternen Datenmanagementl\u00f6sung Datenmanagement-L\u00f6sungDadurch k\u00f6nnen sie die Ergebnisse leicht gruppieren und die Liste aller Kundendatens\u00e4tze zur\u00fcckgeben, von denen angenommen wird, dass sie zu einer Einheit geh\u00f6ren. Diese  <a href=\"https:\/\/dataladder.com\/de\/entitaetsaufloesung-fuer-eine-einzelne-kundensicht\/\"><br \/>\n  konsolidierte Ansicht<br \/>\n<\/a> hilft der Bank, die Verbindung ihrer Kunden mit der Bank wirklich zu verstehen und die Ma\u00dfnahmen zu ergreifen, die sie ergreifen kann, um diese Verbindung weiter zu st\u00e4rken. <\/p>\n<h4>04. Datenqualit\u00e4tsmanagement in Vertrieb und Marketing  <\/h4>\n<p>\t\t\t\t\t\t<img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title-1@2x.png\"><\/p>\n<p>DataMatch\u2122 macht es mir viel einfacher, Spalten in Excel abzugleichen. Der einzige Grund, warum ich mir die Software zugelegt habe, war, verkaufte Fahrzeuge mit den von uns bearbeiteten Leads abzugleichen.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title@2x.png\"><br \/>\n\t\t\t\t\t<cite>Matt GriffinVP Betrieb, TurnKey Auto Events<\/cite>\t\t\t\t<\/p>\n<p><a href=\"https:\/\/www.turnkeyautoevents.com\/about.aspx\">TurnKey Auto Veranstaltungen<\/a>  f\u00fchrt landesweit gro\u00df angelegte Autokaufkampagnen f\u00fcr Autoh\u00e4ndler durch. Sie organisieren Veranstaltungen, die Autok\u00e4ufer zum Besuch und zum Kauf von Fahrzeugen bewegen. Als Dienstleister, der Vertriebskontakte f\u00fcr Automobilh\u00e4ndler vermittelt, wollte TurnKey Marketing eine Gutschrift f\u00fcr zus\u00e4tzliche Verk\u00e4ufe erhalten, die mit den verschiedenen Autoh\u00e4usern, mit denen sie zusammenarbeiten, get\u00e4tigt wurden.   <\/p>\n<p>Da sie in der Lage sind, den Vertrieb mit der Vielzahl potenzieller Interessenten, die sie t\u00e4glich ansprechen, abzustimmen, erhalten sie f\u00fcr jeden Lead eine Umsatzgutschrift (und verdienen Geld). Mit DataMatch\u2122, dem hochentwickelten Data Ladder  <a href=\"https:\/\/dataladder.com\/de\/8-vorteile-des-datenabgleichs-mit-denen-sie-ihr-geschaeft-ausbauen-koennen\/\">Datenabgleich<\/a>  Produkt war das Unternehmen in der Lage, Datens\u00e4tze aus verschiedenen Quellen abzugleichen. Von dort aus konnten sie eine Vogelperspektive eines potenziellen Autoverkaufs im Laufe der Zeit erstellen. <\/p>\n<h4>05. Datenqualit\u00e4tsmanagement im Bildungswesen  <\/h4>\n<p>\t\t\t\t\t\t<img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title-1@2x.png\"><\/p>\n<p>Die Idee, zwei Gruppen von Datens\u00e4tzen miteinander zu verkn\u00fcpfen, war f\u00fcr die Forschungsabteilung \u00fcberw\u00e4ltigend. Das Verfahren w\u00e4re sehr zeitaufw\u00e4ndig und w\u00fcrde die Rechtzeitigkeit und den Ablauf der Forschungsaktivit\u00e4ten gef\u00e4hrden.<\/p>\n<p><img src=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Title@2x.png\"><br \/>\n\t\t\t\t\t<cite>Universit\u00e4t West Virginia<\/cite>\t\t\t\t<\/p>\n<p><a href=\"https:\/\/www.wvu.edu\/\">Universit\u00e4t West Virginia<\/a>  ist die einzige Forschungsuniversit\u00e4t des Bundesstaates, die einen Doktortitel vergibt und eine staatliche Zulassung besitzt. Die Schule bietet fast 200 Studieng\u00e4nge f\u00fcr Studierende, Graduierte, Doktoranden und Fachleute an. Sie hatten die Aufgabe, die langfristigen Auswirkungen bestimmter medizinischer Erkrankungen auf die Patienten \u00fcber einen l\u00e4ngeren Zeitraum hinweg zu bewerten. Die Daten f\u00fcr die medizinischen Bedingungen und die aktuellen Gesundheitsdaten, die vom Staat zur Verf\u00fcgung gestellt werden, sind in  getrennte Systeme. <\/p>\n<p>Mit DataMatch\u2122, dem Vorzeigeprodukt von Data Ladder zur Datenbereinigung, konnte die Universit\u00e4t Datens\u00e4tze bereinigen  aus mehreren Systemen, die die erforderlichen Informationen enthalten. Von dort aus konnten sie Folgendes schaffen  eine einheitliche Sicht des Patienten im Laufe der Zeit. <\/p>\n<h2>Das letzte Wort  <\/h2>\n<p>F\u00fchrungskr\u00e4fte wissen um die Bedeutung von Daten &#8211; von Routinevorg\u00e4ngen bis hin zu fortschrittlicher Business Intelligence werden sie \u00fcberall genutzt. Die meisten Teams, die mit Daten arbeiten, verbringen jedoch zus\u00e4tzliche Stunden mit Doppelarbeit, mangelndem Datenwissen und fehlerhaften Ergebnissen. Und all diese Probleme entstehen durch ein schlechtes oder fehlendes Management der Datenqualit\u00e4t.   <\/p>\n<p>Investitionen in Datenqualit\u00e4tstools, wie <a href=\"https:\/\/dataladder.com\/de\/produkte\/datamatch-enterprise-bewertetes-datenqualitaetsmanagementprodukt-nr-1\/\"><br \/>\n  DataMatch Enterprise<br \/>\n<\/a>wird Ihnen auf jeden Fall helfen, mit dem Datenqualit\u00e4tsmanagement zu beginnen. DataMatch f\u00fchrt Sie durch verschiedene Phasen der Datenbereinigung und des Datenabgleichs. Angefangen beim Importieren von Daten aus verschiedenen Quellen, f\u00fchrt es Sie durch  <a href=\"https:\/\/dataladder.com\/de\/software-und-tools-zur-datenprofilerstellung-erhalten-sie-sofortige-ergebnisse-der-datenqualitaetsbewertung\/\"><br \/>\n  Datenprofilierung<br \/>\n<\/a>, <a href=\"https:\/\/dataladder.com\/de\/datenbereinigungssoftware-schnelles-und-kostenguenstiges-crm-datenbereinigungstool\/\"><br \/>\n  Bereinigung<br \/>\n<\/a>, <a href=\"https:\/\/dataladder.com\/de\/datenstandardisierungssoftware-schnelles-und-kostenguenstiges-datenstandardisierungstool\/\"><br \/>\n  Standardisierung<br \/>\n<\/a>und <a href=\"https:\/\/dataladder.com\/de\/datendeduplizierungssoftware-verwenden-sie-integrierte-und-benutzerdefinierte-regeln-fuer-die-crm-deduplizierung\/\"><br \/>\n  Deduplizierung<br \/>\n<\/a>. Dar\u00fcber hinaus ist die  <a href=\"https:\/\/dataladder.com\/de\/adressverifizierungssoftware-integrierter-adressabgleich-bereinigung-und-geokodierung\/\"><br \/>\n  Adress\u00fcberpr\u00fcfung<br \/>\n<\/a> hilft Ihnen bei der \u00dcberpr\u00fcfung von Adressen anhand der offiziellen USPS-Datenbank.   <\/p>\n<p>DataMatch bietet auch Planungsfunktionen f\u00fcr die Stapelverarbeitung von Datens\u00e4tzen oder Sie k\u00f6nnen seine API nutzen, um Datenbereinigungs- oder Abgleichfunktionen in benutzerdefinierte Anwendungen zu integrieren und sofortige Ergebnisse zu erhalten. <\/p>\n<p><a href=\"https:\/\/calendly.com\/dme-solution-specialist\/datamatch-enterprise-demo\" target=\"_blank\" rel=\"noopener\">Buchen Sie<\/a> noch heute <a href=\"https:\/\/calendly.com\/dme-solution-specialist\/datamatch-enterprise-demo\" target=\"_blank\" rel=\"noopener\">eine Demo<\/a> oder <a href=\"https:\/\/dataladder.com\/de\/kostenlose-testversion-datenabgleichssoftware\/\" target=\"_blank\" rel=\"noopener\">laden Sie eine kostenlose Testversion herunter<\/a>, um mehr dar\u00fcber zu erfahren, wie wir Ihnen helfen k\u00f6nnen, das Beste aus Ihren Daten herauszuholen.  <\/p>\n","protected":false},"excerpt":{"rendered":"<p>Qualit\u00e4t ist nie ein Zufall; sie ist immer das Ergebnis einer hohen Absicht, aufrichtiger Bem\u00fchungen, intelligenter Leitung und geschickter Ausf\u00fchrung; sie ist die kluge Wahl unter vielen Alternativen. William A. Foster Tweet Das h\u00e4ufigste Problem, mit dem Unternehmen zu k\u00e4mpfen haben, ist die Qualit\u00e4t der Daten. Sie haben die richtigen Datenanwendungen im Einsatz, die Quellen [&hellip;]<\/p>\n","protected":false},"author":9,"featured_media":67970,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_lmt_disableupdate":"","_lmt_disable":"","_links_to":"","_links_to_target":""},"categories":[1347,1349,1348,1346,1245,1250],"tags":[],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v19.9 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken - Data Ladder<\/title>\n<meta name=\"description\" content=\"Dieser Leitfaden behandelt umfassend die Grundlagen der Datenqualit\u00e4t, Datenqualit\u00e4tsprobleme und das Datenqualit\u00e4tsmanagement.\" \/>\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\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken - Data Ladder\" \/>\n<meta property=\"og:description\" content=\"Dieser Leitfaden behandelt umfassend die Grundlagen der Datenqualit\u00e4t, Datenqualit\u00e4tsprobleme und das Datenqualit\u00e4tsmanagement.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/\" \/>\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=\"2022-07-29T14:52:36+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2022-09-13T09:02:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Group-42313.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1440\" \/>\n\t<meta property=\"og:image:height\" content=\"538\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\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=\"26 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/\"},\"author\":{\"name\":\"lbarrera\",\"@id\":\"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b\"},\"headline\":\"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken\",\"datePublished\":\"2022-07-29T14:52:36+00:00\",\"dateModified\":\"2022-09-13T09:02:37+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/\"},\"wordCount\":5206,\"publisher\":{\"@id\":\"https:\/\/dataladder.com\/de\/#organization\"},\"articleSection\":[\"Anwendungsf\u00e4lle\",\"Ausgew\u00e4hlt\",\"Branchen\",\"Metriken zur Datenqualit\u00e4t\",\"Verwaltung der Datenqualit\u00e4t\",\"Werkzeuge f\u00fcr die Datenqualit\u00e4t\"],\"inLanguage\":\"de-DE\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/\",\"url\":\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/\",\"name\":\"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken - Data Ladder\",\"isPartOf\":{\"@id\":\"https:\/\/dataladder.com\/de\/#website\"},\"datePublished\":\"2022-07-29T14:52:36+00:00\",\"dateModified\":\"2022-09-13T09:02:37+00:00\",\"description\":\"Dieser Leitfaden behandelt umfassend die Grundlagen der Datenqualit\u00e4t, Datenqualit\u00e4tsprobleme und das Datenqualit\u00e4tsmanagement.\",\"breadcrumb\":{\"@id\":\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/#breadcrumb\"},\"inLanguage\":\"de-DE\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/dataladder.com\/de\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken\"}]},{\"@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":"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken - Data Ladder","description":"Dieser Leitfaden behandelt umfassend die Grundlagen der Datenqualit\u00e4t, Datenqualit\u00e4tsprobleme und das Datenqualit\u00e4tsmanagement.","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\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/","og_locale":"de_DE","og_type":"article","og_title":"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken - Data Ladder","og_description":"Dieser Leitfaden behandelt umfassend die Grundlagen der Datenqualit\u00e4t, Datenqualit\u00e4tsprobleme und das Datenqualit\u00e4tsmanagement.","og_url":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/","og_site_name":"Data Ladder","article_publisher":"https:\/\/web.facebook.com\/DataLadderSoftware","article_published_time":"2022-07-29T14:52:36+00:00","article_modified_time":"2022-09-13T09:02:37+00:00","og_image":[{"width":1440,"height":538,"url":"https:\/\/dataladder.com\/wp-content\/uploads\/2021\/08\/Group-42313.png","type":"image\/png"}],"author":"lbarrera","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"lbarrera","Gesch\u00e4tzte Lesezeit":"26 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/#article","isPartOf":{"@id":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/"},"author":{"name":"lbarrera","@id":"https:\/\/dataladder.com\/de\/#\/schema\/person\/6cc3d6b3c83c611546541b5eb2d1e21b"},"headline":"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken","datePublished":"2022-07-29T14:52:36+00:00","dateModified":"2022-09-13T09:02:37+00:00","mainEntityOfPage":{"@id":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/"},"wordCount":5206,"publisher":{"@id":"https:\/\/dataladder.com\/de\/#organization"},"articleSection":["Anwendungsf\u00e4lle","Ausgew\u00e4hlt","Branchen","Metriken zur Datenqualit\u00e4t","Verwaltung der Datenqualit\u00e4t","Werkzeuge f\u00fcr die Datenqualit\u00e4t"],"inLanguage":"de-DE"},{"@type":"WebPage","@id":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/","url":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/","name":"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken - Data Ladder","isPartOf":{"@id":"https:\/\/dataladder.com\/de\/#website"},"datePublished":"2022-07-29T14:52:36+00:00","dateModified":"2022-09-13T09:02:37+00:00","description":"Dieser Leitfaden behandelt umfassend die Grundlagen der Datenqualit\u00e4t, Datenqualit\u00e4tsprobleme und das Datenqualit\u00e4tsmanagement.","breadcrumb":{"@id":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/#breadcrumb"},"inLanguage":"de-DE","potentialAction":[{"@type":"ReadAction","target":["https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/dataladder.com\/de\/datenqualitaetsmanagement-was-warum-wie-und-beste-praktiken\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/dataladder.com\/de\/"},{"@type":"ListItem","position":2,"name":"Datenqualit\u00e4tsmanagement: Was, warum, wie und beste Praktiken"}]},{"@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\/68441"}],"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=68441"}],"version-history":[{"count":1,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts\/68441\/revisions"}],"predecessor-version":[{"id":68443,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/posts\/68441\/revisions\/68443"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/media\/67970"}],"wp:attachment":[{"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/media?parent=68441"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/categories?post=68441"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/dataladder.com\/de\/wp-json\/wp\/v2\/tags?post=68441"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}