FACHWISSEN · PROJEKTE & TRANSFORMATIONINSIGHTS · PROJECTS & TRANSFORMATION
Datenqualität: Warum ein vollständig ausgefüllter Datensatz trotzdem falsch sein kannData quality: why a fully populated record can still be wrong
Alle Pflichtfelder sind ausgefüllt und die Übernahme meldet Erfolg. Das ist ein Nachweis für eine bestimmte Vollständigkeitsregel, aber noch kein Beleg für richtige Inhalte. Datenqualität umfasst mehrere Fragen. Wer sie in einer einzigen grünen Kennzahl zusammenfasst, kann wichtige Unterschiede im Alltag übersehen.
Die jeweilige Qualitätsfrage benennen
Vollständigkeit fragt, ob die benötigten Datensätze und Angaben vorhanden sind. Richtigkeit betrifft dagegen ihre Übereinstimmung mit dem tatsächlichen Sachverhalt. Ein ausgefülltes Feld kann einen falschen Wert enthalten. Auch ein formal zulässiges Format beweist noch nicht, dass die Angabe zum beschriebenen Objekt gehört.
Ein fiktiver Materialdatensatz
Ein Material enthält Kennung, Bezeichnung und Gewicht. Alle drei Felder sind belegt. Das Gewicht wurde jedoch in Gramm eingetragen, obwohl das Zielfeld Kilogramm erwartet. Die Vollständigkeit ist unverändert hoch, während der fachliche Wert nicht stimmt. Eine explizite Einheit und ein Abgleich mit einer geeigneten Referenz helfen, diesen Fehler zu erkennen.
Regeln aus der Nutzung ableiten
Welche Angaben wesentlich sind, hängt vom Verwendungszweck ab. Für eine Transportplanung kann das Gewicht entscheidend sein, während eine interne Übersicht andere Felder benötigt. Deshalb erhalten Qualitätsregeln einen fachlichen Zweck und eine verantwortliche Rolle. Ein pauschales Ziel, jedes optionale Feld auszufüllen, verbessert nicht automatisch die relevante Datenqualität.
Abweichungen getrennt behandeln
Eine fehlende Angabe braucht möglicherweise eine Nachforderung. Ein widersprüchlicher Wert erfordert dagegen eine Klärung seiner Quelle. Die Fehlerklassen sollten deshalb getrennt sichtbar bleiben. Ein brauchbarer Bericht nennt Regel, betroffenen Umfang und offene Korrekturen. Er macht außerdem kenntlich, welche Richtigkeit überhaupt geprüft werden konnte. So verhindert eine hohe Vollständigkeitsquote nicht mehr den Blick auf sachlich falsche Informationen.
Every mandatory field is populated and the import reports success. This demonstrates compliance with a particular completeness rule, not necessarily accurate content. Data quality involves several questions. Combining them into one green indicator can hide distinctions that matter in routine business use.
Name the quality question explicitly
Completeness asks whether required records and values are present. Accuracy asks whether they reflect the actual situation. A populated field can contain an incorrect value. A valid format also does not establish that the information belongs to the object the record is supposed to describe.
A fictional material record
A material has an identifier, description and weight. All three fields are populated, but the weight was entered in grams while the target expects kilograms. Completeness remains high while the business value is wrong. An explicit unit and a comparison with an appropriate reference help identify this error instead of allowing it to pass as a complete record.
Derive rules from intended use
Which values matter depends on the purpose. Weight may be essential to transport planning while an internal overview needs different information. Give quality rules a business purpose and an owner. A blanket objective to populate every optional field does not automatically improve the quality relevant to the process.
Handle different discrepancies separately
Missing information may require a follow-up request. A conflicting value instead needs clarification of its source. Keep these error classes visible separately. A useful report states the rule, affected scope and outstanding corrections. It also identifies which aspects of accuracy could actually be checked. A high completeness rate then no longer obscures the presence of factually incorrect information.