Fachbeitrag · Wirtschaftsinformatik ·
Datenqualität: Warum vollständig ausgefüllte Felder trotzdem falsch sein können
Ein Datensatz mit hundert Prozent ausgefüllten Pflichtfeldern kann fachlich unbrauchbar sein. Vollständigkeit beschreibt, ob erwartete Angaben vorhanden sind. Sie beweist nicht, dass diese Angaben richtig, aktuell oder widerspruchsfrei sind. Wer Datenqualität nur anhand leerer Felder misst, kann deshalb gerade jene Fehler übersehen, die für nachgelagerte Prozesse besonders relevant sind.
Qualitätsdimensionen getrennt betrachten
Eine vorhandene Postleitzahl kann zur falschen Anschrift gehören. Ein formal gültiges Datum kann fachlich unmöglich sein. Ein Lieferstatus kann korrekt erfasst sein und dennoch einem späteren Ereignis hinterherhinken. Diese Beispiele betreffen unterschiedliche Dimensionen: Richtigkeit, Konsistenz und Aktualität. Die Auswahl passender Prüfungen hängt vom Verwendungszweck ab. Für die Erstellung eines Versandetiketts sind andere Eigenschaften entscheidend als für eine monatliche Auswertung nach Vertriebsregion. Ein einheitlicher Gesamtwert verdeckt diese Unterschiede leicht, wenn seine Zusammensetzung nicht erklärt wird.
Ein gefülltes Ersatzfeld erkennen
Eine Schnittstelle verlangt für jeden Vorgang ein Bearbeitungsdatum. Fehlt die Information, schreibt ein Import ein beliebiges Standarddatum hinein. Die Vollständigkeitsquote steigt auf hundert Prozent, obwohl keine zusätzliche fachliche Information gewonnen wurde. Für Laufzeitberichte kann der Ersatzwert sogar neue Fehler erzeugen. Besser ist eine ausdrückliche Kennzeichnung unbekannter Angaben und eine vereinbarte Behandlung in der Auswertung. So bleibt sichtbar, ob ein Wert beobachtet, abgeleitet oder nur technisch ergänzt wurde und welche Schlussfolgerungen daraus zulässig sind.
Prüfregeln am Prozess ausrichten
Ein brauchbarer Prüfbestand kombiniert Formatkontrollen, Beziehungen zwischen Feldern und Abgleiche mit geeigneten Referenzen. Ein Enddatum vor dem Beginn ist beispielsweise ein klarer Widerspruch. Ein korrekter Wertebereich bestätigt dagegen noch keine reale Messung. Für jede Regel sollten die betroffenen Fälle und die geplante fachliche Reaktion erkennbar sein. Nicht jede Auffälligkeit rechtfertigt eine automatische Korrektur. Manche Fälle gehören zur Prüfung, während andere bewusst als Ausnahme dokumentiert werden müssen, damit der ursprüngliche Sachverhalt nicht verloren geht.
Verbesserungen nachvollziehbar bewerten
Eine steigende Qualitätsquote ist nur dann aussagekräftig, wenn Prüfregeln und betrachtete Grundgesamtheit vergleichbar bleiben. Werden schwierige Fälle ausgeschlossen, kann sich der Wert verbessern, ohne dass Daten korrigiert wurden. Ein sinnvoller Bericht zeigt daher Regel, Datenstand, Fallzahl und Fehlerart. Zusätzlich sollte geprüft werden, welche Auswirkungen ein Problem im tatsächlichen Prozess hat. Datenqualität wird so nicht zur Jagd nach möglichst wenigen roten Feldern, sondern zu einer gezielten Verbesserung der Verwendbarkeit unter klar beschriebenen fachlichen Anforderungen.
Zur Abnahme gehört deshalb ein vollständig ausgefüllter, aber fachlich falscher Datensatz. Er zeigt unmittelbar, ob die Prüfungen tatsächlich Richtigkeit untersuchen oder ausschließlich das Vorhandensein von Werten zählen.
Technical article · Business informatics ·
Data quality: Why fully populated fields can still be wrong
A record with every mandatory field populated can still be unusable for its intended purpose. Completeness indicates whether expected information is present. It does not prove accuracy, currency or consistency. Measuring data quality only by counting empty fields can therefore miss precisely the problems that matter most to downstream processes and the decisions made using those records.
Consider quality dimensions separately
A postal code can be present but belong to the wrong address. A correctly formatted date can be impossible in business terms. A delivery status can accurately describe an earlier event while lagging behind what subsequently happened. These examples concern different dimensions: accuracy, consistency and timeliness. Suitable checks depend on intended use. Printing a shipping label requires different properties from monthly reporting by sales region. A single overall score can hide these differences when the composition and business relevance of that score are not explained.
Recognise populated substitutes
An interface requires a processing date for every transaction. When that information is missing, an import supplies an arbitrary default date. Completeness rises to one hundred percent, although no additional business information has been obtained. For duration reporting, the substitute may even introduce new errors. Explicitly identifying unknown information and agreeing how reports treat it is better. This keeps visible whether a value was observed, derived or merely filled for technical reasons, together with the conclusions that can reasonably be drawn from it.
Align checks with the process
A useful validation set combines format checks, relationships between fields and comparison with suitable reference information. An end date before a start date is an obvious contradiction. A value falling within an allowed range, however, does not establish that it reflects a real measurement. Each rule should identify affected cases and the intended business response. Not every anomaly justifies automatic correction. Some cases require review, while others are deliberate exceptions that need documentation so the original meaning is not lost during attempted cleanup.
Evaluate improvement transparently
An increasing quality score is meaningful only when rules and the assessed population remain comparable. Excluding difficult cases can improve a percentage without correcting any records. A useful report therefore shows the rule, data reference date, case count and error type. It should also consider the effect of a problem on actual operations. Data quality then becomes a targeted improvement in fitness for purpose under explicit business requirements, rather than a campaign to eliminate red indicators or fill empty fields regardless of whether the replacements describe reality.
Acceptance should therefore include a completely populated but incorrect record. It immediately reveals whether the checks actually investigate accuracy or merely count whether values are present in expected fields.